Новая метаболомная сигнатура плазмы крови для диагностики почечно-клеточного рака: разработка и мультицентровая валидация модели RCAID

Несмотря на широкое применение методов визуализации, значительная часть опухолей почки выявляется случайно, а надёжные неинвазивные биомаркеры для диагностики почечно-клеточного рака (ПКР) до сих пор отсутствуют.

Метаболическое перепрограммирование является одним из ключевых признаков злокачественных опухолей, включая ПКР. Анализ метаболитов крови рассматривается как перспективное направление для разработки диагностических тестов, однако большинство ранее предложенных моделей были основаны на небольших выборках и не проходили независимой внешней валидации.

Целью исследования стала разработка и мультицентровая проверка метаболомной модели RCAID (Renal Cell Carcinoma Artificial Intelligence Diagnostic Model) для выявления ПКР по анализу плазмы крови.

Исследование проводилось в несколько этапов и включало разработку, внутреннюю и внешнюю валидацию диагностической модели.

Всего в исследование вошли 1680 участников:

Дополнительно была сформирована независимая когорта пациентов с доброкачественными образованиями почки для оценки специфичности модели.

Исследование проводилось в пяти медицинских центрах.

Для анализа использовалась высокоэффективная жидкостная хроматография в сочетании с масс-спектрометрией. На основании метаболомного профиля плазмы был выполнен отбор наиболее информативных метаболитов с последующим построением модели машинного обучения RCAID.

Кроме того, авторы выполнили комплексный молекулярный анализ, включавший:

В результате анализа были выявлены семь метаболитов, наиболее тесно связанных с наличием ПКР.

На их основе была построена модель RCAID, предназначенная для классификации пациентов по данным анализа крови.

Модель продемонстрировала высокую эффективность на всех этапах проверки.

Площадь под ROC-кривой (AUC) составила:

Особый интерес представляют результаты для ранних стадий заболевания.

Даже у пациентов с локализованным ПКР модель сохраняла высокую диагностическую точность с AUC около 0,95.

Дополнительный анализ показал способность модели отличать пациентов с ПКР от пациентов с доброкачественными образованиями почки.

Хотя данная когорта была относительно небольшой, результаты указывают на потенциальную возможность использования RCAID не только для выявления опухоли, но и для уточнения её вероятной природы.

Авторы не ограничились созданием диагностического алгоритма и попытались объяснить механизмы выявленных метаболических изменений.

Комплексный молекулярный анализ показал, что обнаруженные метаболиты связаны с фундаментальными процессами опухолевого метаболизма, включая:

Результаты транскриптомного и протеомного анализа подтвердили связь метаболической сигнатуры с биологическими особенностями ПКР.

Анализ плазменного метаболома без предварительного выбора мишеней и отбор диагностически значимых признаков.

(A) Графики дискриминантного анализа методом частичных наименьших квадратов (PLS-DA), построенные на основе данных нецелевого метаболомного анализа плазмы в исследовательской когорте, демонстрирующие разделение пациентов с почечно-клеточным раком (ПКР) и здоровых добровольцев. Представлены результаты для режима положительной (ESI+) и отрицательной (ESI−) электроспрей-ионизации.

(B) Средняя точность отбора признаков с использованием жадного алгоритма машинного обучения для моделей ESI+ (слева) и ESI− (справа). Максимальная эффективность классификации достигалась при использовании 49 и 46 признаков соответственно (n = 500 итераций).

(C) Тепловая карта семи метаболитов, отобранных по результатам нецелевого метаболомного анализа исследовательской когорты, демонстрирующая различия в уровнях их экспрессии между пациентами с ПКР и здоровыми добровольцами. Столбчатая диаграмма отражает абсолютные веса этих семи метаболитов в предварительной классификационной модели метода опорных векторов (SVM).

(D) Эффективность классификационных моделей SVM, основанных на семи отобранных метаболитах, в обучающей и тестовой выборках. Красная линия соответствует среднему значению ± стандартная ошибка среднего (SEM; n = 2000 итераций). Каждая точка отражает значения специфичности, чувствительности, точности или площади под ROC-кривой (AUROC), полученные в одной итерации оценки модели.

Сокращения:

ACC — точность (accuracy);
AUROC — площадь под ROC-кривой;
AzA — азелаиновая кислота;
DMG — N,N-диметилглицин;
ESI+ — положительный режим электроспрей-ионизации;
ESI− — отрицательный режим электроспрей-ионизации;
HCs — здоровые добровольцы;
2-HPAA — 2-гидроксифенилуксусная кислота;
NAA — N-ацетил-L-аспарагиновая кислота;
NAL — N-ε-ацетил-L-лизин;
NPV — отрицательная прогностическая ценность;
OHDA — (Z,Z)-4-оксо-2,5-гептадиендиовая кислота;
PPV — положительная прогностическая ценность;
Pro — пролин;
RCC — почечно-клеточный рак;
SEM — стандартная ошибка среднего;
SVM — метод опорных векторов.

Диагностическая эффективность модели RCAID в обучающей и валидационных когортах.

(A) Экстрагированные ионные хроматограммы отобранных метаболитов, количественно определённых с использованием целевого метаболомного анализа плазмы на основе метода параллельного мониторинга реакций (PRM). Все семь метаболитов представлены вместе со стандартными образцами в рамках одного 19-минутного анализа методом жидкостной хроматографии с масс-спектрометрией (LC-MS).

(B) Тепловые карты риска, рассчитанного моделью RCAID, для образцов различных групп в обучающей когорте.

(C) Положительная прогностическая ценность (PPV), отрицательная прогностическая ценность (NPV), чувствительность и специфичность модели RCAID при различных пороговых значениях диагностического балла для выявления почечно-клеточного рака в обучающей когорте.

(D) Калибровка модели: сопоставление прогнозируемого и фактического числа случаев почечно-клеточного рака, выявленных с использованием балла RCAID в обучающей и объединённой валидационной когортах.

Сокращения:

LC-MS — жидкостная хроматография с масс-спектрометрией;
NPV — отрицательная прогностическая ценность;
PPV — положительная прогностическая ценность;
PRM — параллельный мониторинг реакций;
RCAID (Renal Cell Carcinoma Artificial Intelligence Detector) — модель искусственного интеллекта для выявления почечно-клеточного рака;
RCC — почечно-клеточный рак.

За последние годы было предложено множество потенциальных биомаркеров для диагностики рака почки, однако большинство из них не вышли за пределы ранних исследовательских этапов.

Главным отличием работы является её масштаб и качество валидации.

Исследование включает:

✅ одну из крупнейших когорт пациентов с ПКР среди метаболомных исследований;

✅ многоцентровый дизайн;

✅ несколько независимых этапов внешней проверки;

✅ интеграцию метаболомики, транскриптомики и протеомики;

✅ применение методов машинного обучения.

Таким образом, речь идёт не просто о поиске отдельных биомаркеров, а о создании потенциально воспроизводимого диагностического инструмента.

Несмотря на впечатляющие результаты, работа имеет ряд ограничений.

Во-первых, большинство сравнений проводилось между пациентами с ПКР и здоровыми добровольцами, тогда как в реальной клинической практике основную сложность представляет дифференциальная диагностика между злокачественными и доброкачественными образованиями почки.

Во-вторых, исследование выполнено преимущественно в китайской популяции, что требует дополнительной международной валидации.

Наконец, исследование не является скрининговым. Все пациенты уже имели установленное образование почки, поэтому вопрос эффективности метода в популяционном скрининге остаётся открытым.

Модель RCAID продемонстрировала высокую точность выявления почечно-клеточного рака по данным анализа плазмы крови в крупном многоцентровом исследовании.

Полученные результаты подтверждают потенциал метаболомных технологий и методов машинного обучения для разработки неинвазивных диагностических инструментов при ПКР. Однако до внедрения в клиническую практику необходимы дополнительные международные исследования и проспективная оценка эффективности модели в условиях реальной клинической работы.