空间代谢组学文献1：脂质的空间成像和单细胞RNA测序用于肺癌的早期诊断（准确性超90%）

肺癌的死亡率高居恶性肿瘤之首，早期发现是提高肺癌生存率的关键。然而，目前尚无可靠的血液检测手段用于肺癌的早期诊断。2022年2月2日，北京大学人民医院王俊院士团队和北京大学基础医学院尹玉新教授团队合作在《Science Translational Medicine》杂志上在线发表了题为 Lung cancer scRNA-seq and lipidomics reveal aberrant lipid metabolism for early-stage diagnosis 的研究论文，应用单细胞转录组学、血浆脂质组学、机器学习和质谱成像（空间代谢组学）综合分析早期肺癌的脂代谢特征，开发了一套人工智能辅助的早期肺癌代谢检测方法，并揭示了相关的分子机制。

研究团队首先对早期肺癌进行了单细胞转录组测序，发现脂质代谢通路在肺癌组织各类细胞中均发生广泛异常。进一步地，研究人员检测了171例早期肺癌患者和140例健康人的血浆脂质代谢组，经过支持向量机算法及高分辨质谱分析，筛选出9个血浆脂质标志物，并最终建立了靶向代谢检测方法与人工智能分类模型。该方法共检测了4个队列超过2100例样本，对I期肺癌的检测准确性超过90%。在1036例接受低剂量CT检查的筛查队列中和109名参与者的前瞻性临床队列中，该方法的敏感性高于90%。该研究还结合质谱成像技术，在肿瘤组织原位证实了这些血浆脂质标志物与癌旁组织的差异表达。该方法被命名为肺癌人工智能检测器 (LCAID)，可用于肺癌的早期检测或高危人群的大规模筛查。该方法的成功建立明确和开拓了机器学习辅助代谢组学用于早期肺癌检测及筛查的高效策略与全新方向。这种方法的临床应用将可能使肺癌患者获益于早期、准确的诊断，进而提高肺癌的生存率。

1. 单细胞测序和脂质组学发现异常变化的为脂质代谢途径

图1. 早期肺癌和健康肺组织的研究策略和scRNA-seq分析。

(A)scRNA-seq分析及血浆非靶向和靶向脂质组学的研究策略和示意图。(B)通过scRNA-seq在人肺组织中鉴定的细胞群。标记了来自健康肺(n = 8)和早期肺癌(n = 5)样本的82,559个单细胞以及所识别的九个主要细胞簇的统一流形近似和投影(UMAP)。每个点对应于一个单元格，并根据其单元格类型进行着色。(C)使用不同细胞类型的典型标记来鉴定UMAP图(B)中所示的细胞簇。(D)健康肺标本(n = 8)和早期肺癌组织(n = 5)中不同细胞类型的平均比例。

与正常肺组织相比，肺癌组织中T淋巴细胞、B细胞和浆细胞的相对百分比增加，单核巨噬细胞和内皮细胞的相对百分比下降。通过对比正常上皮细胞与肿瘤细胞的差异表达基因（DEGs）发现，许多下调的DEGs富集在脂质代谢途径，表明早期肺癌中存在脂质代谢异常。与正常肺组织相比，早期肺癌组织多种类型细胞中甘油脂和甘油磷脂代谢途径均下调，其中甘油磷脂代谢改变最为显著。因此，早期肺癌中脂质代谢广泛失调。

2. 质谱成像显示了肿瘤组织及其附近的组织中的脂质差异

图2. 早期肺癌原位组织中LCAID v2.0特征性脂质的MALDI-MSI分析。

(A)正离子模式下肺癌组织及邻近正常肺的代表性质谱。m/z，质量/电荷比。

(B)用于MSI的苏木精-伊红染色切片的光学图像(肿瘤区域用黄色圆圈标出)。肺癌组织的代表区域(上图)和邻近的正常肺组织(下图)被放大。比例尺，500(左面板)和100μm(右面板)。(C)以正离子模式分析同一患者肺癌组织中指示性脂质的离子图像。MSI数据是以50μm × 50μm.的空间分辨率采集的，中间是区域选择图。选定的癌症区域为洋红色，而非癌区域为蓝色。癌症和非癌症的交界区为灰色。比例尺，500μm。

(D)MALDI-MSI分析中指示脂质数据的t检验分析(n = 12)。p值采用配对t检验。* P≤0.05；* * P≤0.01；* * * P≤0.001；****P ≤ 0.0001。

(E和F)来自培训队列、独立验证队列、前瞻性验证队列和基于医院的Aero 731队列的平均血浆LCAID v2.0数据谱系图热图(E)和来自指定组的组织MALDI-MSI数据谱系图热图(F)。

为了解9种脂质代谢物在癌症组织中的表达情况，利用基质辅助激光解吸/电离质谱成像（MALDI-MSI）技术，在12例样本中对8种脂质代谢物进行原位分析，结果发现与邻近的癌旁组织相比，癌症组织中5种磷脂酰胆碱（PC 16:0–18:1，PC 18:0–18:1，PC 18:0–18:2，PC 16:0–22:6和PC 16:0–18:2）的含量升高，3种溶血磷脂酰胆碱（LPC 16:0，LPC18:0和LPC 20:4）的含量下降，这些结果也证明模型所使用的脂质代谢物在肺腺癌中的含量确实发生了异常改变。

3. 肺癌评估模型 LCAID 的评估效果分析

图3. LCAID v2.0在训练和验证队列中的分类效果。

训练队列中LCAID v2.0的(A和B) ROC曲线(A)和精确-回忆曲线(B)。独立验证队列中LCAID v2.0的(C和D) ROC曲线(C)和精密度-召回曲线(D)。前瞻性验证队列中LCAID v2.0的(E和F) ROC曲线(E)和精密度-召回曲线(F)。(G和H)在已接受LDCT检查的基于医院的Aero 731队列中LCAID v2.0的ROC曲线(G)和精确度-召回曲线(H)。该队列的精确度-召回率曲线采用随机抽样替换法进行分析(n = 2046，包括1023次随机抽样替换阳性样本和所有1023次阴性样本)。对于所有面板，蓝点表示LCAID v2.0的截止值(得分= 0)，并显示截止点的灵敏度(Sen)和特异性(Spe)。显示指定细节的区域被放大。

为进一步测试 LCAID 模型的分类效果，研究人员对包含1003名参与者血浆样本数据的独立队列进行分析，结果发现测试集中模型的准确性达96.98%、特异性97.08%、灵敏度96.92%，而在随后的验证集中该模型的分类效果也达到了94.96%的准确性、100%特异性和92.93%灵敏度。此外，研究人员还利用 LCAID 模型对1个 LDCT 筛查队列和2个前瞻性单盲队列数据进行分析。在前瞻性队列中86人被诊断为肺癌（临床分期为I到III），23人被诊断为良性疾病，而利用 LCAID 模型评估的准确率达91.74%，特异性达95.65%，而灵敏度也达到了90.70%。在筛查队列中，该模型预测的准确率更是达到了96.53%，同时特异性（96.58%）和灵敏度（92.31%）方面也有不错表现，并且利用该模型准确分析筛查出90%以上的I期肺癌患者。分析过程还发现，基于 LCAID 模型的打分是肺癌预测的独立影响因子，与患者年龄、性别、吸烟习惯无关，并且打分越高，患者的生存期越低。

4. 总结

在这篇文章中，研究团队对不同早期肺癌进行了单细胞RNA测序，发现不同细胞类型的脂质代谢普遍失调，其中甘油磷脂代谢是脂质代谢相关途径中改变最严重的。在311名参与者的探索性队列中进行了非靶向脂质组学研究。通过基于支持向量机算法和基于质谱的特征选择，研究团队确定了九种脂类作为早期癌症检测最重要的特征。利用这九个脂质，开发了基于液相色谱-质谱（MS）的多反应监测靶向分析。该靶向分析在独立验证队列中达到100.00%的特异性。并用质谱成像原位证实了其中的8个脂质在组织中表达的差异。在一个以医院为基础的肺癌筛查队列中，通过低剂量计算机断层扫描检查1036名参与者，以及一个包含109名参与者的前瞻性临床队列中，该分析达到了90.00%以上的敏感性和92.00%以上的特异性。这种肺癌人工智能检测方法可能有助于肺癌的早期检测或癌症预防高危人群的大规模筛查。

原文链接：https://www.science.org/doi/10.1126/scitranslmed.abk2756

引用：Wang, G. X.; Qiu, M. T.; Xing, X. D.; Zhou, J. T.; Yao, H. T.; Li, M. R.; Yin, R.; Hou, Y.; Li, Y.; Pan, S. L.; Huang, Y. Q.; Yang, F.; Bai, F.; Nie, H. G.; Di, S. S.; Guo, L. M.; Meng, Z.; Wang, J.; Yin, Y. X. Lung cancer scRNA-seq and lipidomics reveal aberrant lipid metabolism for early-stage diagnosis. Sci. Transl. Med. 2022, 14, 14.