精准预测结肠癌患者的生存！机器学习+蛋白质组学带来革命性突破

主要观点总结

文章介绍了一篇发表在《Cell discovery》上的研究，该研究通过结合蛋白质组学分析和机器学习算法，开发了一种新的预后预测模型，用于精准预测II-III期结肠癌患者的长期生存情况。研究通过筛选蛋白质标志物，构建了预测模型，并在训练集和验证集中验证了其性能。

关键观点总结

关键观点1: 研究背景与目的

TNM分期为II期和III期的结肠癌患者占据多数，现有治疗策略受限于不准确的预后预测。文章旨在通过结合蛋白质组学数据和机器学习算法，构建一种新型预测模型，以弥补现有预后评估体系的不足，为结肠癌患者提供更加个性化和精准的治疗建议。

关键观点2: 实验设计与方法

研究从浙江大学第二附属医院和西京医院招募了II-III期结肠癌患者作为训练队列和验证队列。采用数据非依赖采集质谱法（DIA-MS）进行蛋白质组学分析，通过LASSO回归等统计方法筛选出对预后有显著影响的蛋白质标志物。结合筛选出的蛋白质标志物和临床特征，采用机器学习算法构建预后预测模型，并在训练队列和验证队列中进行模型训练和验证。

关键观点3: 实验结果

研究团队首先构建了基于临床特征的预测模型，其AUC值为0.707。然后基于筛选出的蛋白质标志物构建了蛋白质组学预测模型，其AUC值提升至0.872。最后结合了临床特征和蛋白质组学特征构建了综合预测模型，其AUC值达到了0.926。在外部验证队列中，模型的AUC值也保持在较高水平（0.872）。此外，模型还能准确识别出预后较差的患者群体，为临床决策提供参考。

关键观点4: 研究意义与局限性

本研究通过集成先进的蛋白质组学技术和机器学习算法，成功开发出一种新型预后预测模型，为II-III期结肠癌患者的长期生存预测提供了有力工具。此外，研究还深入分析了筛选出的关键蛋白质标志物在结肠癌进展中的作用机制。然而，研究也存在局限性，如验证队列样本量较小等。