- 6 次围观
摘要 背景：急性淋巴细胞白血病（ALL）是一种高度异质性的儿童恶性肿瘤。尽管其生存率较高，但复发以及中枢神经系统（CNS）受累仍然是重要的临床挑战。传统临床参数通常缺乏早期检测和风险分层所需的精确性。本研究利用高通量蛋白质组学和机器学习，鉴定脑脊液（CSF）中能够表征疾病效应及治疗反应的分子特征。 方法：分析了41例儿童ALL患者在诊断时（VD）和缓解期（VR）采集的82份CSF样本。采用Olink邻位延伸分析（Proximity Extension Assay）对276种蛋白进行蛋白质组学谱分析。使用Wilcoxon秩和检验鉴定差异丰度蛋白（q值 0.5）。整合3种机器学习算法——随机森林（Random Forest）、LASSO和SVM-RFE——以筛选VR与VD之间以及不同CNS受累水平之间的差异丰度蛋白。为验证数据，采用两个不同平台进行了Pan-Cancer Atlas分析。 结果：在缓解期，与诊断时相比，我们观察到关键蛋白的表达发生了显著改变，其中ADGRG1和KYNU显著升高，而CCL17、CD5、CD27、CXCL9、CXCL11、FASLG、GZMA和TNFRSF9显著下调。此外，我们的分析鉴定出与CNS受累相关的不同蛋白特征：在VD阶段，CCL4、CTSC、CXCL10、CXCL9和MMP7表现为差异丰度；而在VR阶段，CAIX、CASP-8、HAGH、CXCL9、MMP7、MCP-2和VWC2表现为差异丰度。 结论：将Olink蛋白质组学与机器学习相结合，鉴定出了ALL中的分子特征，这些特征有望进一步开发为用于监测治疗反应并指导个体化治疗策略的生物标志物面板，从而推动研究重点转向精准“同一健康”（Precision One Health）方法。
摘要 背景：急性淋巴细胞白血病（ALL）是一种高度异质性的儿童恶性肿瘤。尽管其生存率较高，复发以及中枢神经系统（CNS）受累仍然是重要的临床挑战。传统临床参数往往缺乏早期检测和风险分层所需的精确性。本研究利用高通量蛋白质组学和机器学习，识别脑脊液（CSF）中可表征疾病效应和治疗反应的分子特征。
方法：分析了41例儿童ALL患者在诊断期（VD）和缓解期（VR）采集的82份CSF样本。采用Olink邻位延伸分析（Proximity Extension Assay）对276种蛋白进行蛋白质组学谱分析。使用Wilcoxon秩和检验鉴定差异丰度蛋白（q值 0.5）。整合三种机器学习算法——随机森林（Random Forest）、LASSO和SVM-RFE——以筛选VR与VD之间以及不同CNS受累水平之间的差异丰度蛋白。为验证数据，采用两个不同平台进行了Pan-Cancer Atlas分析。
结果：在缓解期，与诊断期相比，我们观察到关键蛋白表达发生了显著变化，其中ADGRG1和KYNU显著升高，而CCL17、CD5、CD27、CXCL9、CXCL11、FASLG、GZMA和TNFRSF9显著下调。此外，我们的分析还鉴定出与CNS受累相关的特异性蛋白特征：在VD阶段，CCL4、CTSC、CXCL10、CXCL9和MMP7表现为差异丰度；在VR阶段，CAIX、CASP-8、HAGH、CXCL9、MMP7、MCP-2和VWC2表现为差异丰度。
结论：将Olink蛋白质组学与机器学习相结合，鉴定出了ALL中的分子特征，这些特征具有进一步开发为生物标志物组合的潜力，可用于监测治疗反应并指导个体化治疗策略，从而推动研究重点转向精准一体化健康（Precision One Health）方法。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.03.736065v1?rss=1
🏷️ 急性淋巴细胞白血病 脑脊液蛋白标志物 邻近延伸分析 机器学习 中枢神经系统受累 儿童肿瘤