近日，郑州大学第一附属医院，重庆大学附属肿瘤医院，及杭州度安医学检验实验室等共同合作的论文"An integrated proteomic classifier to distinguish benign from malignant pulmonary nodules"（一组用于肺结节良恶性鉴别的蛋白标志物）发表在杂志《Clinical Proteomics》上。
研究背景
肺结节的直径通常在8-30毫米之间，区分良性与恶性结节对于改善肺癌患者的预后至关重要。然而，目前的液体活检方法尚未达到令人满意的临床效果。
研究方法
研究共纳入三个队列，总计185名被诊断为良性（BE）和恶性（MA）肺结节的患者。通过数据独立采集（DIA）质谱法对这些患者的血浆蛋白组学进行定量分析。研究使用队列1作为发现数据集，队列2和队列3作为独立验证数据集，并采用逻辑回归分析来对良性与恶性结节进行分类。此外，研究还开发了一种靶向多反应监测（MRM）方法，用于测量选定的六种多肽标志物在血浆样本中的浓度。
本研究设计的流程图
研究结果
蛋白质定量与差异表达：研究共定量了451种血浆蛋白，其中15种在恶性结节患者中上调，5种下调。
六蛋白标志物组合：通过逻辑回归分析，确定了一个包含APOA4、CD14、PFN1、APOB、PLA2G7和IGFBP2的六蛋白标志物组合，该组合在区分良性和恶性结节时具有更高的准确性。
模型性能：
在队列1中，训练集和测试集的曲线下面积（AUC）分别达到0.87和0.91，灵敏度为100%，特异性为40%，阳性预测值（PPV）为62.5%，阴性预测值（NPV）为100%。
在两个独立队列中，六标志物组合的灵敏度、特异性、PPV和NPV分别为：队列2为96.2%、35%、65.8%和87.5%；队列3为91.4%、54.2%、74.4%和81.3%。
通过靶向液相色谱-串联质谱法（LC-MS/MS）定量六种多肽的血浆浓度，并应用逻辑回归进行分类，训练集和测试集的AUC分别达到0.758和0.751。
图1. 患者血浆样本的DIA高分辨质谱蛋白组学分析
图2. 机器语言学习所选定的特征蛋白多肽在肺部结节良恶性患者血浆中的分布
图3. 使用队列1作为发现数据集对良性与恶性结节进行逻辑回归分类
图4. 使用队列2和队列3作为独立验证数据集对良性与恶性结节进行逻辑回归分类
图5. LC-MRM方法定量分析六种特征蛋白和利益逻辑回归分析恶性与良性结节受试者
研究结论
本研究确定了一组新血浆蛋白生物标志物，可用于鉴别良性与恶性肺结节，值得进一步开发为具有临床价值的检测方法。
