大多数恶性脑胶质瘤(MBG)的临床结局令人沮丧,对初发和复发肿瘤的诊断延迟是其重要的因素之一。但目前MBG的诊断均基于影像学和组织学检查,这限制了它们的早期诊断。而血浆脂质生物标志物在多种体部肿瘤的非侵入性诊断中显示了极大的潜力。
首都医科大学附属北京天坛医院、国家神经系统疾病临床医学研究中心张力伟,季楠教授团队2022年6月于《eBioMedicine》杂志(IF=11.205)上发表了题为“Metabolic detection of malignant brain gliomas through plasma lipidomic analysis and support vector machine-based machine learning”的论著。本研究首先使用发现队列(n = 107)进行非靶向脂质组学分析,由基于支持向量机(SVM)的判别模型处理,以检索一组候选生物标志物。然后,开发了一种针对性的量化方法,并使用训练队列(n=750)构建了基于SVM的诊断模型,并使用测试队列(n=225)进行了测试。最后,在来自多个医疗中心的独立验证队列(n=92)中进一步评估了诊断模型的性能。结果显示一组共11种血浆脂质确定为候选生物标志物,准确度为0.999。所开发的诊断模型在区分MBGs患者与正常对照方面取得了很高的性能,在训练和测试队列中的接受者操作特征曲线(AUC)下面积分别为0.9877和0.9869。在验证队列中,11种脂质的组合仍然达到0.9641的准确度和0.9866的AUC。该研究证明了利用机器学习算法分析脂质组学数据以进行有效和可靠的生物标志物筛选的适用性和稳健性,且筛选出的11种脂质生物标志物在高通量无创诊断MBG方面显示出巨大潜力。
图1 发表截图
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9189781/
首都医科大学附属北京天坛医院、国家神经系统疾病临床医学研究中心张力伟,季楠教授团队2022年6月于《eBioMedicine》杂志(IF=11.205)上发表了题为“Metabolic detection of malignant brain gliomas through plasma lipidomic analysis and support vector machine-based machine learning”的论著。本研究首先使用发现队列(n = 107)进行非靶向脂质组学分析,由基于支持向量机(SVM)的判别模型处理,以检索一组候选生物标志物。然后,开发了一种针对性的量化方法,并使用训练队列(n=750)构建了基于SVM的诊断模型,并使用测试队列(n=225)进行了测试。最后,在来自多个医疗中心的独立验证队列(n=92)中进一步评估了诊断模型的性能。结果显示一组共11种血浆脂质确定为候选生物标志物,准确度为0.999。所开发的诊断模型在区分MBGs患者与正常对照方面取得了很高的性能,在训练和测试队列中的接受者操作特征曲线(AUC)下面积分别为0.9877和0.9869。在验证队列中,11种脂质的组合仍然达到0.9641的准确度和0.9866的AUC。该研究证明了利用机器学习算法分析脂质组学数据以进行有效和可靠的生物标志物筛选的适用性和稳健性,且筛选出的11种脂质生物标志物在高通量无创诊断MBG方面显示出巨大潜力。
图1 发表截图
图2 研究整体工作流程
全文链接:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9189781/