基于血清代谢组学与多基因风险评分整合的胰腺癌预测模型开发

《Frontiers in Endocrinology》:Development of a predictive model for pancreatic cancer integrating serum metabolomics and polygenic risk score

【字体: 大 中 小 】 时间:2026年09月26日 来源:Frontiers in Endocrinology 5.7

编辑推荐:

  背景: 胰腺癌(pancreatic cancer, PC)是一种高度侵袭性且预后极差的恶性肿瘤。由于早期缺乏特异性症状,大多数患者在确诊时已丧失根治性手术切除的机会。因此,提高对PC高风险个体的早期识别具有重要的临床意义。 方法: 利用英国生物银行(UK B

  
背景: 胰腺癌(pancreatic cancer, PC)是一种高度侵袭性且预后极差的恶性肿瘤。由于早期缺乏特异性症状,大多数患者在确诊时已丧失根治性手术切除的机会。因此,提高对PC高风险个体的早期识别具有重要的临床意义。 方法: 利用英国生物银行(UK Biobank)的数据,共纳入157,235名参与者。研究人员采用Cox比例风险模型(Cox proportional hazards model)系统评估了临床生物标志物、多基因风险评分(polygenic risk score, PRS)以及143种代谢物与PC风险的关联,并通过错误发现率(false discovery rate, FDR)校正后筛选出显著相关的代谢物。随后,研究人员采用弹性网络回归(elastic net regression)构建代谢组学风险评分(metabolomic risk score, MRS),并将其与临床生物标志物和PRS整合,建立多变量预测模型。模型的性能通过C指数(C-index)和时间依赖性曲线下面积(time-dependent AUC)进行评估。 结果: 在随访期间,共识别出878例新发PC病例。总计15项临床生物标志物和55种代谢物与PC风险显著相关,其中大多数脂质和脂蛋白相关代谢物呈负相关。随后,研究人员筛选出52种代谢物用于构建MRS。C指数从仅包含年龄和性别的基线模型中的0.722,增加到加入临床生物标志物后的0.755,进一步纳入PRS后升至0.768;再加入MRS后,C指数达到0.769,并改善了风险重分类。整合模型表现出良好的区分能力,其在1年、3年、5年和10年的时间依赖性AUC分别为0.812、0.808、0.768和0.783。 结论: 这些发现支持临床和遗传因素在PC风险评估中的应用价值,而代谢组学分析的额外预测价值尚需进一步验证。

论文解读文章

研究背景与目的

胰腺癌(pancreatic cancer, PC)是一种高度恶性的消化系统肿瘤,五年生存率仅约13%,在所有癌症中排名最低,已成为男性和女性合并统计中癌症相关死亡的第三大原因,且全球发病率持续上升。其预后极差的主要原因在于疾病进展迅速且早期缺乏特异性症状,导致大多数患者确诊时已处于晚期,失去根治性手术切除的机会。早期检测被认为是改善PC预后的关键策略,但目前尚无公认且有效的筛查方案。现有筛查手段如磁共振成像(magnetic resonance imaging, MRI)和内镜超声(endoscopic ultrasound, EUS)虽具临床价值,但因成本高和侵入性强而不适于大规模人群筛查。同时,常用肿瘤标志物糖类抗原19-9(carbohydrate antigen 19-9, CA19-9)对早期PC的敏感性和特异性有限。因此,亟需能够识别PC高风险个体的新方法,以实现更有针对性的监测和诊断评估。除传统临床风险因素外,遗传和代谢因素在PC发生发展中同样发挥重要作用。基于全基因组关联研究(genome-wide association study, GWAS)的多基因风险评分(polygenic risk score, PRS)已被证实与PC风险显著相关。此外,代谢异常(包括肥胖和糖尿病)被认为是疾病进展的重要驱动因素,其中脂质代谢紊乱尤为突出。基于上述背景,本研究利用英国生物银行(UK Biobank)这一大型前瞻性队列,系统评估了传统临床生物标志物、PRS及143种代谢物与PC风险的关联,并开发整合多维信息的预测模型,以评估其在PC风险预测中的增量价值。

关键技术方法

本研究基于UK Biobank队列数据,最终纳入157,235名参与者,按7:3比例分为训练集和验证集。研究人员采用Cox比例风险模型(Cox proportional hazards model)评估各因素与PC风险的关联,并通过错误发现率(false discovery rate, FDR)校正多重检验。为减少代谢物间的多重共线性并筛选特征,研究人员应用弹性网络回归(elastic net regression)构建代谢组学风险评分(metabolomic risk score, MRS)。模型性能通过C指数(C-index)、时间依赖性曲线下面积(time-dependent AUC)、净重分类改善指数(net reclassification improvement, NRI)和综合判别改善指数(integrated discrimination improvement, IDI)评估,内部验证采用1000次Bootstrap重抽样。

研究结果

3.1 基线特征:研究共纳入157,235名参与者,平均年龄55.73±7.88岁,男性占46.89%。平均随访12.50年期间,共识别878例新发PC病例。与未患病者相比,PC患者年龄更大、男性比例更高、居住区域相对富裕;吸烟者比例更高;体重、身体质量指数(body mass index, BMI)和腰围显著更高;糖尿病患病率更高;血糖、糖化血红蛋白(HbA1c)及肝脏相关生物标志物(ALT、AST、GGT、ALP)水平升高,中性粒细胞计数升高;高密度脂蛋白(high-density lipoprotein, HDL)水平显著降低。
3.2 单个生物标志物与PC风险的关联:在仅包含年龄和性别的基线模型中,预测性能C指数已达0.722。经FDR校正后,共识别出15项临床生物标志物和55种代谢物与PC风险显著相关。临床变量中,腰围、BMI、体重、HbA1c、血糖、吸烟状况、Townsend剥夺指数(Townsend deprivation index, TDI)、白细胞计数、中性粒细胞计数、甘油三酯(triglyceride, TG)、碱性磷酸酶(alkaline phosphatase, ALP)和丙氨酸氨基转移酶(alanine aminotransferase, ALT)与PC风险正相关,而HDL水平呈负相关。在55种显著代谢物中,40种与PC风险呈负相关,主要反映脂质代谢,包括胆固醇酯、游离胆固醇、脂蛋白颗粒、脂肪酸、胆固醇、磷脂和总脂质,信号富集于高密度脂蛋白(HDL)、低密度脂蛋白(low-density lipoprotein, LDL)和中间密度脂蛋白(intermediate-density lipoprotein, IDL)亚类。多不饱和脂肪酸占总脂肪酸比例(PUFA/FA)与PC风险的负相关最强(HR=0.80),而单不饱和脂肪酸占总脂肪酸比例(MUFA/FA)的正相关最强(HR=1.23)。
3.3 风险预测模型:经多重共线性筛选后,最终纳入8项临床变量(吸烟、腰围、TDI、HbA1c、中性粒细胞、γ-谷氨酰转移酶(gamma-glutamyl transferase, GGT)、ALT和种族)与年龄和性别共同建模。弹性网络正则化从143种代谢物中筛选出52种非零系数代谢物用于构建MRS。在年龄和性别基础上,单独或联合纳入临床生物标志物、PRS和MRS构建系列模型。在多变量模型中,种族与PC风险的关联最强(HR=0.61),其次为吸烟(HR=1.31)和腰围(HR=1.25)。
3.4 模型性能与验证:在单一领域模型中,纳入8项临床生物标志物的模型提升最显著,C指数从0.722增至0.755(ΔC-index=0.033)。单独加入PRS或MRS带来的增益相对较小(C指数分别为0.737和0.733)。在多领域模型中,结合临床生物标志物与PRS的模型C指数为0.768,进一步加入MRS后为0.769,两者间差异无统计学意义(p=0.373)。整合模型在1、3、5、10年的AUC分别为0.812、0.808、0.768和0.783。校准分析显示所有模型预测风险与实际风险吻合良好,联合模型持续改善风险重分类。

讨论与结论

本研究系统揭示了脂质代谢紊乱在PC发生发展中的关键作用。多种HDL和LDL颗粒亚类及其脂质成分与PC风险呈负相关,这可能与HDL维持胆固醇稳态、促进胆固醇外流、抑制增殖信号通路及抗炎抗氧化特性有关。不同脂肪酸类别与PC风险的关联方向相反:单不饱和脂肪酸(monounsaturated fatty acid, MUFA)和饱和脂肪酸(saturated fatty acid, SFA)增加风险,可能通过促进脂肪酸β-氧化提供肿瘤细胞增殖所需能量底物;而多不饱和脂肪酸(polyunsaturated fatty acid, PUFA)则具有保护效应,可能因其更易发生脂质过氧化并诱导铁死亡。值得注意的是,将MRS加入已包含临床和PRS的模型后,C指数仅小幅且无统计学意义的提升,这可能是由于代谢组学所捕获的部分生理代谢状态与已有临床风险因素信息存在重叠,且某些代谢物变化可能主要反映肿瘤临近诊断前的早期代谢改变,而非长期稳定的风险预测因子。本研究的优势在于基于UK Biobank的大规模前瞻性队列设计、长随访周期以及多维风险因素的整合。局限性包括缺乏CA19-9等传统PC相关预测指标、研究对象主要为欧洲白人血统因而普适性待验证,以及多组学整合在实际临床应用中的成本和可及性挑战。研究结论:本研究基于UKB队列,识别出多项与PC风险显著相关的临床指标和代谢物,进一步强调了脂质代谢紊乱在PC发生发展中的关键作用。通过整合临床特征、遗传信息和代谢物构建的预测模型展现出良好的风险预测性能。这种多维模型有助于识别PC高风险个体并支持风险分层,但其临床适用性仍需在多民族和多中心研究中进一步验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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