生物標誌物的組學應用

生物標誌物是一類可以客觀評價(jia) 的特征性生化指標，通過其測量可以了解生物體(ti) 的生物學過程。檢查疾病的特定生物標誌物可以在疾病的診斷和預防中發揮關(guan) 鍵作用。

在醫學研究領域，生物標誌物的研究思路一般分為(wei) 三個(ge) 階段：Discovery、Verification、Validation。生物標誌物的篩選通常需要利用高通量組學方法對大規模臨(lin) 床樣本進行代謝組學或蛋白質組學測試，篩選出具有統計學意義(yi) 的差異代謝物或蛋白質，再經過一係列複雜的生物信息學分析篩選出目標生物標誌物。在接下來的驗證階段，需要對較小範圍的生物標誌物進行靶向蛋白質組學或靶向代謝組學的大樣本量驗證，統計分析，計算靶標標誌物的特異性和敏感性。如果你想讓自己的研究成果更加完整，還可以使用臨(lin) 床樣本，結合臨(lin) 床數據進行補充驗證，如ELISA、WB等。

2017年，德國格賴夫斯瓦爾德大學在《Gut》雜誌（IF=17.016）上發表的題為(wei) “Metabolic biomarkersignaturetoDifferentpancreaticductaladenocarcinomafromchronicpancreatitis"的研究就是利用代謝組學技術確定生物標誌物的典型例子。

臨(lin) 床上，胰腺癌是預後最差的惡性腫瘤之一。慢性胰腺炎是胰腺癌的危險因素，臨(lin) 床上很難區分兩(liang) 者，很容易導致早期胰腺癌的誤診和延誤治療。由於(yu) 原始標記物效果不佳，這一係列事實促使研究人員努力尋找替代生物標記物。

在這項研究中，總共招募了914名受試者，包括胰腺導管腺癌（PDAC，271名）、慢性胰腺炎（CP，282名）、肝硬化（LC，100名）和健康獻血者（BDs）以及261名對照樣本術前患有非胰腺疾病的患者，利用LC-MS和GC-MS包括脂質組學（非靶向分析/類固醇/脂質）在內(nei) 的多個(ge) 代謝組學平台對914例樣本進行了檢測。采用三階段生物標誌物開發策略（探索集/訓練集/測試集）總共鑒定了 477 種代謝物。

最後，根據代謝組學數據的結果發現了九種潛在的生物標誌物。這9種代謝物與(yu) 現有的胰腺癌診斷血液指標CA19-9結合使用，組合的標誌物組甚至可以檢測98%的生物標誌物。胰腺癌切除準確率達90.4%。組合標誌物的 AUC 顯著高於(yu) CA19-9 的 AUC（0.94 vs. 0.85，p <0.001）、敏感性（89.9% vs. 74.7%，p <0.01）和特異性（91.3% vs. 77.5%， p <0.05）也顯著改善。

不僅(jin) 是代謝組學，在一些疾病生物標誌物的研究中，蛋白質組學的應用也越來越廣泛。多組學技術的應用已是大勢所趨。接下來，我們(men) 通過另一個(ge) 研究實例向大家介紹多組學技術在生物標誌物篩選過程中的作用。

德國格賴夫斯瓦爾德大學2017年的一項研究結果發表在《BMC Medicine》雜誌上（IF=8.097）。標題為(wei) “實驗性人類甲狀腺毒症模型的血漿蛋白質組和代謝組特征"。研究人員旨在篩選表征人血漿促甲狀腺激素（TSH）和遊離甲狀腺素（FT4）特征的生物標誌物。利用甲狀腺毒症模型進行研究，並通過隨機森林的兩(liang) 階段交叉程序，驗證篩選的生物標誌物是否可以區分甲狀腺功能異常。

根據代謝組和蛋白質組數據統計，共鑒定出380種代謝物和497種人類蛋白質。為(wei) 保證數據的可用性，通過過濾分析，僅(jin) 選擇缺失值小於(yu) 40%的代謝物和蛋白質進行後續分析。也就是說，下一步將分析 349 種代謝物和 437 種蛋白質。

為(wei) 了尋找新的生物標誌物來對TH狀態進行分類，研究人員通過兩(liang) 階段交叉驗證程序建立了隨機森林分類器，以全麵分析差異代謝物和差異蛋白。最終獲得了包括代謝物和蛋白質在內(nei) 的15種物質。 30次驗證結果均表現出穩定且良好的分類能力，可作為(wei) 潛在的Biomarker。