肺癌是全球疾病死亡的主要原因之一,几乎占所有癌症相关死亡人数的 25%,筛查手段是降低肺癌死亡率的有效有效方法。肺结节是早期肺癌的常见征象,良、恶性肺结节在 CT 中常常显示出相似的特征(例如:大小和密度),所以其良恶性判断仍是临床亟需解决的问题,明确诊断只能通过侵入性组织病理活检的方式达成。当前,通过新型液体活检的生物标志分子图谱分析在肺结节良恶性的检出方面具有广泛前景,其中参与肿瘤细胞生物信息传递的循环细胞外囊泡(sEVs)由于携带着相关遗传物质,对于肿瘤筛查和诊断具有重要的临床价值。但微量的循环肿瘤特异性 sEV 和肿瘤异质性等因素的限制着 sEV 的应用, sEV 分子谱在肺结节良恶性鉴定诊断的应用仍在探索中。
本研究通过开发了一种非侵入性的、基于血液样本的解码肿瘤特异性 sEVs 的分子谱技术(DECODE)用于肺癌良恶性鉴别诊断,表明 DECODE 芯片有望成为一种新型肺癌筛查工具,具有鉴别肺结节良恶性的潜在价值。
试验方法
研究者选择了肺癌相关 sEV 标志物(THBS2、VCAN 和 TNC),首先利用 TNC 用于 sEV 捕获,用抗 TNC 抗体将肺癌 sEV 浓缩捕获在纳米阵列上,然后通过基于纳米盒的 SERS 条形码读取 THBS2、VCAN、TNC 和 CD63 的表达,以此方法对 sEV 的表型分析用于区分肺部良恶性病变。
主要实验结果
01 DECODE 表型 sEV 分析
为了建立和研究细胞系 sEV 芯片(DECODE)在肺癌筛查的有效性,研究者首先分析肺癌细胞系相关 sEVs 的物理学和生物学特征,结果显示:肺癌细胞系来源 sEVs 具有相似的物理特征,但不同肺癌相关细胞系之间 sEVs 的蛋白质表达水平呈现差异。
sEV 的表达水平特征差异 研究者接下来评估了肺癌相关特定 sEVs(CD63、THBS2、VCAN 和 TNC)分子谱用于区分肺结 节良恶性诊断能力。利用 DECODE 将四种颜色(红、绿、紫、青)对应上述四种相关标记物的表达,在蓝色网格上显示共聚焦 SER 图像,结果显示:在三种肺癌细胞 系相关 sEVs 中 CD63、THBS2、VCAN 和 TNC 高表达,在 SER 图像显示了丰富的结果,而在正常支气管上细胞(HBEC)及对照组(PBS)呈现低 / 可忽略的表达水平。 表明 DECODE 芯片在检测肺癌相关 sEV 方面具有很高的特异性,可以显示肺癌相关 sEV 分子谱的潜能,因此可以生成肺癌患者筛查 sEV 分子谱从而进行良恶性诊断。
02 DECODE 芯片诊断效能评估
研究者证明了 DECODE 芯片在 sEV 分子谱中特异度和灵敏度优势后,接着使用 DECODE 芯片通过来自 33 份患者(包括恶性肺结节患者、良性结节患者和健康人群)的血浆样本的 sEV 分子谱分析 4 种标记物的表达差异,以此实现对患者肺结节的良恶性诊断。研究者利用 SERS 作图,并计算每个表面生物标志物激活的柱子以获得 sEV 分子谱,根据恶性结节在 sEV 分子图谱通常显示出 4 种生物标志物的相对较高水平,而良性结节和健康对照组的 sEV 分子谱分别显示较低和可忽略的生物标记物表达的理论,研究结果显示: 恶性结节的 sEV SERS 图像显示了四种颜色的高比例发光柱子,表明 CD63、THBS2、VACAN 和 TNC 呈现高表达。相反,良性结节和健康者的 sEV SERS 图像显示发光柱子相比要少得多。此外,与视觉 SERS 图像一致, sEV 分子图谱定量同样显示恶性结节的活性柱子百分比高于良性结节和健康者,表明 DECODE 芯片显示 sEV 分子谱具有鉴别良恶性肺结节的能力。 研究者对 DECODE 芯片区分结节良恶性的诊断表现进行了统计评估,通过二元 Logistic 回归分析方法进行诊断效能定量评估,结果显示: DECODE 芯片在区分良恶性结节患者中,受试者工作特征曲线(ROC)曲线下面积(AUC)为 0.85, 提示 sEV 分子谱在区分良恶性结节方面具有一定的应用价值; 在区分恶性结节和健康受试者中, ROC 曲线的 AUC 为 1, 表明所生成的 sEV 分子谱对筛查健康人群中的恶性肺结节具有很高的诊断性能。上述结果显示: 肺癌相关特异 sEV 分子图谱具有识别恶性、良性肺结节的潜力。
总结
该研究开发了并验证了一种数字化 sEV 纳米技术为平台,基于肿瘤相关 sEV 特定的分子谱表型分析来区分良恶性病灶的诊断方法,在肺癌筛查领域中具有潜在的诊断价值,但有必要在更大队列样本中开展进一步的临床验证。 当前在肺癌早筛领域中,通过多组学结合液体活检技术的新型检测开展多维度、多领域分析,在早期诊断领域中正发挥着巨大的临床作用,提高了检出率。尤其值得注意的是, 泰莱生物将 cfDNA 羟甲基化、血液中代谢物质、胸部 CT 等项目纳入基于多组学的肺结节良恶性鉴别诊断产品,构建出了多组学的融合模型,并已取得目前我国该领域内大(获病理诊断结果)规模的临床研究队列,为肿瘤的诊疗开辟出一条新的途径。 多组学是全新的生物学分析方法,也是医学界前沿的研究领域。
基于基因组、表观组、蛋白组、代谢组、微生物组等多个不同生命环节、不同维度的大量分子水平生物数据,利用生物信息统计分析、计算生物以及机器学习等技术,以实现对生命过程、疾病等集合超多影响因子的复杂生命现象进行高层次的分析、解读,以此应用于肿瘤筛查、肿瘤辅助诊断及肿瘤术后、预后评价指标。
经过分析万例临床肺结节患者胸部 CT、血液中代谢物质及 cfDNA 羟甲基化水平数据, MISSION 计划构建出了肺结节诊断多组学融合模型 ,并以此转化了斐盼安®(影像组学 + 代谢组学)、斐盼康®(影像组学 + 代谢组学 + 表观基因组学)两款产品,可对肺结节良恶性鉴别提供高效、可靠的参照,针对早期肺癌临床诊疗,包括肺癌早筛、早诊、性质判定、手术决策、预后评估等任务的优化与完善可起到相当的作用。 早期发现并识别恶性肺结节患者是降低肺癌死亡风险的重要预防措施。尽管病理是诊断“金标准”,但支气管镜或穿刺活检等侵入性方法并不能用于肺结节的常规筛查和监测。
更为重要的是,当肺结节良恶性评估缺乏高效、判断方法时,还可能会引发过度诊断、过度治疗、占用医疗资源、增加患者经济负担等各种问题。 液体活检的方式具有非侵入性、便携、快速等优势,为了提高肺癌筛查的准确性以及筛查方式的可及性、普适性,该种经济高效的新型监测方法在肿瘤早期诊断中正发挥着广泛的运用价值。不论是本文中分享的 DECODE 芯片,还是泰莱生物开发落地的基于多组学的肺结节良恶性辅助诊断检测产品,相信未来还会有更多前沿科技,能够应用于肺结节及早期肺癌筛查,帮助民众向实现癌症 “防大于治” 迈进。