英文標題：AI-driven prediction of cardio-oncology biomarkers through protein corona analysis

中文標題：通過蛋白冠分析實現心臟腫瘤生物標志物的人工智能驅動預測

發表期刊：Chemical Engineering Journal

影響因子：13.2

在心臟腫瘤學領域，前列腺癌(PC)作為美國男性最常見的惡性腫瘤，其轉移性(mPC)會導致患者五年生存率從局限性疾病的99%驟降至不足60%，嚴重威脅患者生命。同時，動脈粥樣硬化性心血管疾病(ASCVD)與PC的進展存在密切關聯，可通過多種循環因子加劇腫瘤侵襲性和轉移擴散，但二者相互作用的具體機制尚未明確。

傳統診斷手段如前列腺特異性抗原(PSA)篩查缺乏特異性，而血漿蛋白組學雖為生物標志物發現的首選方法，卻受限于血漿蛋白質組的高復雜性和寬動態范圍，難以檢測低豐度關鍵蛋白，導致高風險患者的早期診斷和干預滯后。

蛋白質冠作為納米顆粒表面形成的蛋白質層，能富集傳統血漿分析中難以捕捉的低豐度蛋白，顯著降低樣本復雜性，且其組成可反映健康與疾病狀態下的血漿特征，為解決上述挑戰提供了新思路。基于此，本研究整合蛋白質冠分析、質譜技術、機器學習與因果推理，旨在揭示ASCVD與mPC的潛在關聯生物標志物及機制。

1、研究方法與策略

本研究的血漿樣本來源于2024年4月就診于奧古斯塔大學癌癥中心的前列腺癌(PC)患者，圖1所呈現的納米醫學平臺清晰展現了整體檢測流程，該平臺整合了蛋白冠分析、機器學習算法及實際因果關系評估等關鍵環節。研究將受試者劃分為四組：(1)mPC合并ASCVD組，即患有轉移性前列腺癌同時伴有動脈粥樣硬化性心血管疾病；(2)ASCVD合并nmPC組，指患有心血管疾病且同時存在非轉移性前列腺癌；(3)單純mPC組，為僅患有轉移性前列腺癌而無心血管疾病；(4)nmPC不合并ASCVD組，為非轉移性前列腺癌且不合并動脈粥樣硬化性心血管疾病。

各組收集的血漿樣本與聚苯乙烯納米顆粒共同孵育后，納米顆粒表面會形成蛋白冠，隨后通過質譜分析和機器學習，篩選出與mPC和ASCVD相關的重要蛋白標志物。

基于質譜的自下而上蛋白質組學(BUP)工作流程可參考圖2，該研究共收集了35名PC患者的血漿樣本，并按上述方式完成分組。結果顯示，57.1%的人群患有高脂血癥，且這一情況與亞組分布存在顯著相關性。

2、蛋白冠分析

動態光散射(DLS)與zeta電位測定結果顯示，相較于原始納米顆粒(NPs)，經處理后的納米顆粒在粒徑和表面電荷上均顯著增加（圖3A-B），這一變化明確證實了蛋白冠的成功形成。透射電鏡(TEM)分析進一步直觀呈現了納米顆粒表面包裹的蛋白冠層（圖3A）。

基于質譜的自下而上蛋白質組學(BUP)分析對四組患者的血漿樣本進行了蛋白冠組分解析，每組樣本均設置三重重復實驗，以確保數據的可靠性與重現性（圖3C-D）。通過該分析，共鑒定出887種獨特蛋白質，其中260種蛋白質在所有樣本中穩定檢出。

火山圖分析（圖3C）揭示了這260種共有蛋白質在不同患者組間的表達差異。結合基因本體論(GO)分析（圖3D）對這些蛋白質進行深入分類后，發現了關鍵通路的富集趨勢：與單純mPC患者相比，mPC合并ASCVD患者的蛋白冠中，補體激活、纖維蛋白溶解、血液凝固、先天免疫應答及Arp2/3復合體介導的肌動蛋白成核通路顯著富集；此外，GABA能突觸、肌母細胞增殖、G蛋白偶聯乙酰膽堿受體信號傳導、通用信號轉導及Rap1信號通路也呈現特異性上調。

通過對四組樣本蛋白冠的血漿蛋白質組特征分析（圖3），研究揭示這些通路可通過促進慢性炎癥、細胞增殖、血管重構及細胞運動性，共同為動脈粥樣硬化中的斑塊形成與不穩定、癌癥中的腫瘤生長、存活及轉移創造有利條件。

3、AI-機器學習

基于上述蛋白質組學數據，研究應用AI機器學習方法篩選可穩定區分mPC與ASCVD分組的核心蛋白，采用LASSO正則化（L1正則化）構建邏輯回歸模型處理高維度蛋白特征數據。通過網格搜索確定最優正則化系數，在保持驗證集分類準確率≥80%的同時最小化非零系數數量，以此降低過擬合風險并精準鎖定與mPC/ASCVD分類目標最相關的蛋白子集。

圖4A（四組分類混淆矩陣）顯示了選定蛋白的分類性能，各組差異蛋白包括：①mPC合并ASCVD組：肌球蛋白輕鏈3、凝血因子V、甲狀腺素運載蛋白、CCT7、肌球蛋白調節輕鏈多肽9、真核翻譯起始因子5A-1、TBXAS1；②ASCVD合并nmPC組：Stomatin蛋白；③單純mPC組：PRKG1；④單純nmPC組：淋巴細胞抗原6復合體G6f蛋白、CCT7、Ras相關蛋白Rab-1A等。結合圖4B（ASCVD分類混淆矩陣）和圖4C（轉移分類混淆矩陣）對蛋白與疾病及共病狀態的關聯分析，共鑒定出22種獨特蛋白質，其中ASCVD關聯蛋白12種（含CCT7、TBXAS1等），mPC轉移關聯蛋白11種（含CCT7等）。CCT7是22種蛋白中唯一的共病標志物，凸顯其作為心臟腫瘤學雙重生物標志物的潛力。

4、因果關系分析

在因果分析中，該研究初步篩查了全部887種鑒定蛋白，但因樣本量有限（僅35例），算法識別出400種潛在因果蛋白。鑒于實際因果蛋白常呈現相關性，該研究轉而聚焦機器學習篩選出的22種與ASCVD或mPC顯著關聯的蛋白。通過精煉因果分析，最終確定血栓素-A合酶1(TBXAS1)、肌動蛋白β及真核翻譯起始因子5A-1為ASCVD的實際誘因，其中TBXAS1同時被確定為mPC的因果蛋白。

機器學習篩選出疾病特異性蛋白標志物：肌球蛋白輕鏈3、凝血因子V、真核翻譯起始因子5A-1在mPC合并ASCVD患者中富集，提示其在肌肉收縮、凝血及免疫調節交叉通路中的作用；因果蛋白TBXAS1（僅在蛋白冠中可檢測，標準血漿proteomics中未檢出）通過促進血小板聚集、血管平滑肌細胞增殖等過程，連接血栓形成與腫瘤進展；而stomatin（ASCVD特異性）與PRKG1（mPC特異性）則體現了生物標志物的疾病背景依賴性。尤為關鍵的是，22種標志物中唯一同時與ASCVD和mPC相關的蛋白——伴侶蛋白含TCP1亞基7(CCT7)，在前列腺腺癌細胞中的表達顯著高于早期前列腺腫瘤細胞（DepMap數據庫，圖5A），其通過調控腫瘤相關蛋白折疊，成為心臟腫瘤學中兼具診斷與治療價值的新型靶點。圖5B進一步驗證了TBXAS1的功能相關性，顯示其在轉移性前列腺腺癌中高表達，為預防癌癥轉移提供了潛在靶點。

研究揭示，CCT7通過調控炎癥反應和血管平滑肌細胞增殖驅動ASCVD進展，其雙重關聯特性為同時監測心血管疾病與癌癥提供了整合視角；因果分析確證的TBXAS1則通過蛋白冠技術被成功捕獲，其在血小板聚集和腫瘤-血管相互作用中的關鍵角色，使其成為ASCVD與mPC的共同治療靶標。

該研究通過蛋白質組學分析結合AI機器學習方法，篩選出可穩定區分轉移性前列腺癌(mPC)與動脈粥樣硬化性心血管疾病(ASCVD)及其共病狀態的22種顯著關聯蛋白。因果分析進一步確定TBXAS1等為關鍵致病因子，其中TBXAS1同時參與兩種疾病的病理過程，而CCT7作為唯一雙病共有關聯蛋白，在轉移性前列腺腺癌細胞中高表達，通過調控腫瘤蛋白折疊及炎癥反應等機制，成為心臟腫瘤學領域潛在的新型診斷標志物與治療靶點。研究不僅揭示了mPC與ASCVD共病的分子關聯機制，更為兩病的精準診療提供了重要的蛋白標志物與靶標群。