学术前沿（Nature Communications） | 代谢组学大数据解析，开辟胃癌早诊与治疗新篇章

2024年4月，清华大学药学院胡泽平研究员、哈尔滨医科大学附属肿瘤医院韩鹏主任和中国医学科学院肿瘤医院田艳涛主任共同发表了题为“Metabolomic machine learning predictor for diagnosis and prognosis of gastric cancer”的研究成果。这项研究揭示了胃癌患者血浆中的代谢重编程图谱，并展示了如何利用基于代谢组学的机器学习模型来准确诊断胃癌及预测患者的预后风险。

文章速览

2024年4月，清华大学药学院胡泽平研究员、哈尔滨医科大学附属肿瘤医院韩鹏主任和中国医学科学院肿瘤医院田艳涛主任共同发表了题为“Metabolomic machine learning predictor for diagnosis and prognosis of gastric cancer”的研究成果。这项研究揭示了胃癌患者血浆中的代谢重编程图谱，并展示了如何利用基于代谢组学的机器学习模型来准确诊断胃癌及预测患者的预后风险。

研究团队通过精密的代谢组学分析，识别了能够标志胃癌发生和发展的关键代谢物。利用这些代谢标志物，研究者构建了两个机器学习模型：一个用于诊断胃癌，另一个用于预测患者的生存率和疾病发展。这些模型的表现均优于传统的临床诊断方法，为胃癌的早期诊断和个性化治疗提供了新的科学依据。

文章亮点

大规模样本分析增强可靠性：本研究使用702个血浆样本进行了精准的靶向代谢组学分析。样本来自多个研究中心，这不仅增强了研究的代表性和可靠性，还提高了发现的模型在不同人群中的普适性。
机器学习技术的革新应用：研究团队巧妙地将机器学习技术应用于代谢组学数据分析，极大提升了处理效率，并揭示了传统方法可能忽视的关键生物标志物。这一发现强调了人工智能在推动生物医学研究创新中的关键角色。
创新的诊断模型提升早期诊断准确性：开发的10-DM模型利用代谢组学数据，以0.905的高敏感性诊断胃癌，性能远超传统癌症蛋白标志物方法。这种新型诊断工具为胃癌的早期发现和及时治疗打开了新的可能。
预后预测模型的临床应用潜力：研究中的28-PM预后模型根据代谢物水平预测胃癌的临床结果，展示了卓越的测试集性能，有效地对患者进行风险分层，支持个性化治疗策略的制定。
临床转化前景：这两个模型（10-DM和28-PM）展现出强大的临床应用潜力，有望进一步优化并应用于实际临床实践，为胃癌患者提供更精确的诊断和治疗方案，改善生存率和生活质量。