基于内分泌、营养和代谢疾病亚型特异性与共享蛋白质组介导因子的癌症风险解析

《Nature Communications》:Endocrine, nutritional and metabolic diseases drive cancer risk through subtype-specific and shared proteomic mediators

【字体: 大 中 小 】 时间:2026年11月21日 来源:Nature Communications 18.1

编辑推荐:

  癌症与代谢紊乱相关,但内分泌、营养和代谢疾病(endocrine, nutritional and metabolic diseases, ENMs)对癌症的影响仍不明确。本研究在一个包含405,023名参与者的前瞻性队列中,采用多状态模型(multi-sta

癌症与代谢紊乱相关,但内分泌、营养和代谢疾病(endocrine, nutritional and metabolic diseases, ENMs)对癌症的影响仍不明确。本研究在一个包含405,023名参与者的前瞻性队列中,采用多状态模型(multi-state model)展示了25种ENMs与癌症轨迹(从原发癌症发病到多原发癌及死亡)的关联。研究结果揭示了ENMs在不同癌症部位和类型间的异质性关联,识别出8种癌症相关ENMs并定义了四种亚型:C1(以铁缺乏/代谢紊乱为主)、C2(以2型糖尿病为主)、C3(以脂质/脂蛋白代谢紊乱为主)和C4(以骨质疏松为主)。研究识别并量化了亚型特异性及亚型共享的蛋白质组介导因子(proteomic mediators)的贡献,其中RNASET2成为主要的共享介导因子。此外,整合ENM亚型与介导因子的深度学习模型(deep-learning model)可实现癌症发病的个性化预测(AUCs = 0.80-0.90),且表现优于传统Cox模型。研究结果凸显了ENMs与癌症风险的相关性,为代谢相关肿瘤发生(metabolism-associated tumorigenesis)提供了机制性见解。
**研究背景与意义**

癌症作为全球重大公共卫生负担,其早期检测与预防策略仍不充分。多原发癌(multi-primary cancer, mpCancer)指已确诊首发原发癌(primary cancer, pCancer)的患者再次发生新的原发恶性肿瘤,是重要的预后不良因素。既往研究多聚焦于癌症发病或预后的单一危险因素,忽视了贯穿疾病全程的关键恶性事件(包括多原发癌),导致对癌症进展的理解呈碎片化。研究已揭示癌症伴随代谢与内环境紊乱,而内分泌、营养和代谢疾病(ENMs)具有与癌症相似的慢性病程及系统性代谢紊乱特征,二者可能存在潜在关联。尽管已有回顾性研究报告了特定ENMs与癌症发病的关联,但仍缺乏全面、前瞻性、纵向分析ENMs与癌症进展轨迹(涵盖pCancer、mpCancer及全因死亡)关系的研究,且ENMs与癌症关联的潜在机制尚不明确。血浆蛋白质组学和代谢组学在解释和监测疾病发生方面具有潜在价值,但其是否参与ENMs与癌症发病的致病过程仍未知。因此,研究人员基于英国生物银行(UK Biobank, UKB)前瞻性队列,旨在纵向探究ENMs与癌症进展的关联,构建ENM相关癌症转变的全面图谱,识别癌症相关ENM亚型及其分子介导因子,并评估整合ENM亚型与优先介导因子对癌症发病预测的改善效果。

**关键技术方法**

研究人员基于UKB前瞻性队列(2006-2010年入组),最终纳入405,023名参与者。采用连续时间多状态Markov模型(multi-state Markov model)构建nCancer-pCancer-mpCancer-death转变链,ENMs作为时间依赖协变量;采用潜在类别分析(latent class analysis, LCA)基于8种癌症相关ENMs提取ENM多病共存亚型,并在发现集(n=243,016)和验证集(n=162,007)中重复验证;基于Olink蛋白质组学(n=39,741)和NMR代谢组学(n=260,937)筛选差异蛋白/代谢物,利用两样本孟德尔随机化(Mendelian randomization, MR)和共定位分析在FinnGen R11队列中进行因果验证,并通过中介效应分析量化介导贡献;最后构建整合流行病学信息、血细胞计数、血生化指标、ENM亚型及优先蛋白质组介导因子的DeepSurv深度学习多模态预测模型。

**研究结果**

**研究设计与研究人群特征**:研究构建了涵盖nCancer-pCancer-mpCancer-death状态的综合多状态转变链,半Markov模型敏感性分析及拟合优度检验支持Markov假设的可靠性。在405,023名参与者中,15.04%从nCancer进展至pCancer,pCancer组中9.25%进展至mpCancer;mpCancer至死亡的转变强度与pCancer至死亡的转变强度之比(Qratio)为2.099(95% CI: 1.989-2.215),表明mpCancer死亡概率更高。23种部位特异性癌症按mpCancer获得风险可分为低、中、高危,鳞状细胞癌(SCC)较腺癌(ADE)更易进展为mpCancer(Qratio: 1.569, 95% CI: 1.428-1.723)。

**ENMs对癌症轨迹的影响**:泛ENMs显著增加nCancer-pCancer-mpCancer-death链中所有转变的风险,其中nCancer-to-pCancer的HR为1.246(95% CI: 1.224-1.269),pCancer-to-mpCancer的HR为1.459(95% CI: 1.387-1.536)。25种ENMs中,2型糖尿病和铁缺乏/代谢紊乱与所有癌症相关转变均呈显著关联。14种ENMs显著增加nCancer至pCancer的风险,5种显著增加pCancer至mpCancer的风险。部位特异性分析显示,2型糖尿病显著增加10种pCancer的发病风险,铁缺乏/代谢紊乱(8种)和脂质/脂蛋白代谢紊乱(6种)亦为跨癌种最常见的涉及ENMs。

**癌症相关ENM亚型的分类及其对癌症轨迹的影响**:基于100次重复重采样的LCA支持四类别结构(BIC=43,593,entropy=1.724,平均后验概率=0.998),最终识别8种癌症相关ENMs,定义四个亚型:C1(铁缺乏/代谢紊乱为主)、C2(2型糖尿病为主)、C3(脂质/脂蛋白代谢紊乱为主)、C4(骨质疏松为主),无上述ENMs者为C0参照。各亚型具有独特的临床病理特征,如C2血糖和HbA1c显著升高,C4跟骨骨密度和T值降低,C3脂质相关指标偏差最显著。与C0相比,四个亚型均一致增加pCancer发病风险(发现集HR 1.241-1.448;验证集HR 1.151-1.412)及pCancer至mpCancer风险(发现集HR 1.383-1.625;验证集HR 1.464-1.717)。pCancer至死亡风险在所有亚型中均升高,以C4最强(发现集HR 2.968, 95% CI: 2.632-3.346;验证集HR 3.425, 95% CI: 2.973-3.946);C3与mpCancer至死亡无显著关联。

**多组学揭示癌症相关ENM亚型的独特生物学特征**:各亚型呈现独特的差异蛋白特征,代表性蛋白包括C1的TFRC/CHGA、C2的REG4/LGALS4、C3的REN/LGALS4/PCSK9、C4的WFDC2/GDF15/PLAUR/CHGA。代谢组学显示亚型间代谢模式分化,如C1以omega-3和不饱和度相关指标及HDL颗粒特征改变为主,C2和C3以IDL相关脂质组分广泛扰动为特征且C2葡萄糖显著升高,C4涉及支链氨基酸和脂蛋白组成变化。通路富集分析显示C2-C4亚型共同富集固有/适应性免疫系统、IL-10信号、中性粒细胞脱颗粒及TNF/IFN相关反应等免疫炎症通路,代谢物集富集提示氨基酸、糖酵解相关代谢物及脂蛋白亚类的协调性失调。

**ENM亚型致癌效应的候选蛋白质组介导因子识别**:研究识别744种候选差异蛋白和58种差异代谢物。MR分析显示89种差异蛋白与癌症发病显著相关,包括7种亚型共享蛋白和82种亚型特异性蛋白。共定位分析进一步识别具有1级和2级因果证据的候选因子,包括共享蛋白RNASET2及亚型特异性候选CAMKK1(C1)、SPOCK1(C2)、IDO1(C3)、BLVRB(C4)。RNASET2是唯一被归类为1级证据的共享候选因子,提示其与癌症发病关联具有最强的遗传学支持。

**蛋白质组候选因子在ENM亚型相关癌症风险中的中介效应**:单介导因子分析中,三种共享蛋白(TFF1、RNASET2、COLEC12)在多个亚型中一致显示显著中介信号。多介导因子分析量化各介导因子相对贡献:C1以TFF1为主(42%),RNASET2(34%)和COLEC12(24%)次之;C2以共享核心为中心,包括RNASET2(31%)、TFF1(31%)和COLEC12(18%),并有MATN3、FST、NCAM1、MYBPC2的额外贡献;C3以共享介导因子为主(COLEC12: 32%, TFF1: 32%, RNASET2: 22%),并含负向组分BCHE(14%);C4以RNASET2驱动最强(43%),TFF1(25%)、COLEC12(24%)和CCL24(9%)亦有贡献。各亚型多介导因子模型的总体蛋白质组中介效应均具统计学显著性(总NIE P值<0.001)。RNASET2和TFF1在所有亚型中保持一致显著性,表明ENM亚型汇聚于共享蛋白质组介导 backbone。

**代谢介导因子的识别及其在ENM亚型致癌效应中的中介作用**:与蛋白质组层相比,遗传学支持的代谢候选因子较为稀疏,集中于脂质相关特征和少量中心代谢物。MR/共定位分析提示脂蛋白亚类中的甘油三酯指标(IDL-TG和L-HDL-TG)为C4相关候选因子(2级因果证据)。多介导因子分析显示C4模型中IDL-TG贡献占主导(92%),L-HDL-TG仅占8%,但该C4模型总体代谢间接效应未达统计学显著性(总中介效应P值=0.082),提示代谢中介信号远弱于蛋白质组介导 backbone。

**深度学习多模态癌症发病预测模型的构建**:研究人员构建了整合流行病学特征、血细胞计数评分、血生化评分、ENM亚型及其蛋白质组介导因子的DeepSurv模型。包含ENM亚型及介导因子的全Cox模型在所有时间点(1-15年)均较简化模型具有更高的时间依赖AUC,但DeepSurv模型表现更优(AUC≥0.8 vs ≤0.7)。基于三分位数的风险分层显示DeepSurv较传统Cox模型具有更优的高危人群区分能力,表明整合ENM亚型与深度学习对癌症风险评估具有潜在价值。

**讨论与结论**

研究人员开发的multi-state model较回顾性研究能通过随访获取纵向且更准确的信息,multi-state Markov model可同时考虑所有状态、结局、状态间转变时间信息及潜在危险因素,适用于纵向疾病进程研究。研究中mpCancer发病率(9.25%)高于既往报道,mpCancer至死亡的转变强度显著高于pCancer,凸显mpCancer预防措施的重要性,且鳞状细胞癌较腺癌mpCancer发病率更高,此前鲜有文献报道。研究强调对ENMs进行个体化分类的意义,提出以人为中心的管理方法,关注多病共存而非单一疾病。多组学分析揭示C1、C2、C4亚型中IL-10信号与TNFA/NF-κB通路的共存可能形成促癌炎症微环境,且免疫失调与代谢重编程密切相关。研究highlighted蛋白质组而非代谢组的失调可能作为影响癌症发病的主要风险因素,RNASET2作为证据等级最高的共享介导因子,其胞外升高提示与TNF-α/NF-κB信号激活相呼应,可能作为alarmin/damage-associated cue增强NF-κB依赖的细胞因子反应和系统性无菌性炎症。DeepSurv模型较传统Cox回归的预测精度提升源于其处理非线性生物梯度和高维交互映射的能力。研究局限性包括结果可能不适用于非高加索人群、ENMs主要基于住院ICD-10记录可能低估基层管理的疾病、缺乏详细TNM分期和治疗方案、缺乏纵向组学数据无法对mpCancer和死亡事件进行中介分析,且仍需进一步实验研究确认血浆蛋白异常的原因及促癌具体机制。研究结论为:ENMs与癌症风险相关,识别了四种ENM亚型及其亚型特异性与共享蛋白质组介导因子,RNASET2为主要共享介导因子,整合ENM亚型与介导因子的深度学习模型可实现癌症发病的个性化预测,为代谢相关肿瘤发生提供了机制性见解。

订阅生物通快讯

订阅快讯:

最新文章

限时促销

会展信息

关注订阅号/掌握最新资讯

今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

版权所有 生物通

Copyright© eBiotrade.com, All Rights Reserved

联系信箱:

粤ICP备09063491号