血清细胞外囊泡表面蛋白FIBG、PDGF-β和TGF-β的鉴定与验证用于结直肠癌的无创检测:实验研究

Identification and validation of the surface proteins FIBG, PDGF-β, and TGF-β on serum extracellular vesicles for non-invasive detection of colorectal cancer: experimental study

作者信息Zhijian Huang, Cuncan Deng, Caiqi Ma, Guirong He, Jian Tao, Lijun Zhang, Xiaoyun Hu, Yanfang Mo, Lumei Qiu, Ningfang Zhang, Chuanghua Luo, Shan Xing, Jinye Xie, Haofan Yin
PMID38704642
发布时间2024-08-01
DOI10.1097/JS9.0000000000001533

实验完整度

包含发现阶段(4D-DIA蛋白质组学)、技术验证(CRC-EVArray多中心验证)和应用阶段(机器学习模型构建与独立测试集验证),并包括TEM、Western blot、NTA等验证实验。

主要模型

血清来源细胞外囊泡(EVs) 结直肠癌(CRC)患者血清样本 健康对照(HC)血清样本 进展期腺瘤(AA)患者血清样本

重点核对

4D-DIA蛋白质组学分析血清EVs样本,发现组包含12例HC和25例CRC患者 CRC-EVArray微阵列检测,训练集包含79例HC、25例AA和135例CRC患者,测试集包含56例HC、25例AA和84例CRC患者 机器学习模型基于NNET算法,变量组合为FIBG、PDGF-β、TGF-β和CEA,AUC在训练集为0.882,测试集为0.937 免疫金标记TEM验证FIBG、PDGF-β和TGF-β在EVs表面表达

摘要

目的:缺乏无创生物标志物用于结直肠癌(CRC)的早期诊断导致其预后不良。细胞外囊泡(EVs)已成为利用液体活检进行癌症监测的有前景的候选物。然而,EVs分离程序的复杂性和缺乏检测血清来源EVs的明确靶点阻碍了EVs在CRC早期诊断中的临床应用。方法:在发现阶段,我们对来自37个个体的血清来源EVs样本进行了全面的4D-DIA蛋白质组学分析,对EVs表面蛋白进行了初步筛选。在技术验证阶段,我们开发了一种无需提取的CRC-EVArray微阵列,在多中心研究中评估了这些潜在的EVs表面蛋白的表达,共纳入404例个体。在应用阶段,作者基于机器学习算法评估了CRC-EVArray模型的诊断效能。结果:通过4D-DIA蛋白质组学分析,作者鉴定了7种潜在的EVs表面蛋白,在CRC患者与健康对照组之间显示出显著差异表达。利用我们开发的高通量CRC-EVArray微阵列,我们在大样本人群中进一步证实了三种EVs表面蛋白FIBG、PDGF-β和TGF-β的差异表达。此外,我们使用NNET算法建立了最佳的CRC-EVArray模型,显示出优越的诊断效能,在训练集中的曲线下面积(AUC)为0.882,在测试集中为0.937。另外,我们通过一系列多组学方法预测了这些EVs衍生蛋白的功能和潜在起源。结论:我们对血清来源EVs表面蛋白表达谱的系统探索确定了FIBG、PDGF-β和TGF-β作为CRC的新型诊断生物标志物。基于这些发现开发的CRC-EVArray诊断模型为大规模CRC筛查提供了有效工具,从而促进其向临床实践的转化。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
血清来源细胞外囊泡的表面蛋白是否可作为结直肠癌无创检测的新型生物标志物,并构建有效的诊断模型。
核心机制
文献未明确提出核心机制,仅通过生物信息学预测FIBG、PDGF-β和TGF-β可能参与伤口愈合、细胞粘附、血小板活化及免疫应答等通路。
主要证据
通过4D-DIA蛋白质组学发现7种候选表面蛋白,经CRC-EVArray微阵列在训练集和测试集中验证FIBG、PDGF-β和TGF-β在CRC患者中显著上调,并基于NNET算法构建模型,AUC在训练集为0.882、测试集为0.937。
研究意义
文献提出该发现为CRC筛查提供了有效工具,可能促进基于EVs表面蛋白分析的恶性肿瘤诊断策略发展。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

EVs分离与表征

获得高纯度血清EVs并确认其完整性。

使用超速离心法从血清中分离EVs,并通过Western blot检测EVs标志物(TSG101、CD63),NTA分析粒径分布(50-200 nm),TEM观察形态。

2

发现阶段:4D-DIA蛋白质组学筛选

筛选CRC患者与健康对照之间差异表达的EVs表面蛋白。

对发现队列(12例HC、25例CRC)的血清EVs进行4D-DIA定量蛋白质组学分析,通过GO分析和与已报道EVs表面蛋白交集筛选候选蛋白,并经OPLS-DA和VIPpred分析确定7种候选蛋白。

3

技术验证:CRC-EVArray微阵列检测

在大样本中验证候选EVs表面蛋白的差异表达。

开发无需提取的CRC-EVArray微阵列芯片,检测血清样本中7种EVs表面蛋白(ANXA2、SRC、ANXA1、PDGF-β、FIBG、ENO1、TGF-β),通过CD63归一化计算相对表达量。

4

免疫金标记TEM验证

在单颗粒水平上直观确认FIBG、PDGF-β和TGF-β在EVs表面的表达。

使用免疫金标记的TEM对EVs表面蛋白进行可视化验证。

5

应用阶段:机器学习诊断模型构建与验证

构建并验证基于EVs表面蛋白的CRC诊断模型。

使用12种机器学习算法在训练集中筛选出最优NNET算法,结合FIBG、PDGF-β、TGF-β和CEA构建CRC-EVArray诊断模型,并在独立测试集中验证其诊断效能。

6

功能与起源预测

预测EVs表面蛋白FIBG、PDGF-β和TGF-β的潜在功能及细胞来源。

利用GSEA和EnrichmentMap分析基于TCGA CRC RNA-seq数据的通路富集;利用scRNA-seq数据(GSE132465和GSE178341)分析细胞类型特异性表达。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
Optima XE超速离心机Beckman Coulter--
mini-EV纯化柱----
透射电镜HT7800Hitachi--
Grp94抗体ServicebioGB111280
Calnexin抗体ServicebioGB111369
Calnexin抗体BeyotimeAF1471
TSG101抗体BeyotimeAF8259
ZetaVIEW S/N 21-734纳米颗粒跟踪分析仪Particle Metrix--
Strata X C18固相萃取柱----
3D修饰玻片Capital Biochip Corp--
微阵列点样仪Arrayjet--
CD9抗体Ancell156-020
FIBG抗体Proteintech66186-1-Ig
PDGF-β抗体Sinobiological102425-T32
ANXA1抗体Proteintech66344-1-Ig
CD63抗体Ancell215-820
ANXA2抗体Proteintech66035-1-Ig
HSP90-β抗体Proteintech11405-1-AP
CD14抗体Sinobiological10073-MM01
SRC抗体Proteintech60315-1-Ig
ENO1抗体Sinobiological11554-R063
TGF-β抗体Sinobiological10804-R016
CD81抗体Ancell302-820
生物素化牛血清白蛋白----
生物素化抗CD63----
Cy3标记链霉亲和素----
GenePix 4000A微阵列扫描仪Molecular Devices--
GenePix Pro图像分析软件Molecular Devices--
抗FIBG抗体InvitrogenPA5-29734
抗PDGF-β抗体ServicebioGB11261
抗TGF-β抗体ServicebioGB11179

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
EVs分离
血清样本体积、离心转速和时间、超速离心条件、0.22 µm滤膜、mini-EV纯化柱使用步骤。
阅读提示:Methods: Serum-derived EVs isolation
4D-DIA蛋白质组学筛选
发现队列样本量(12 HC、25 CRC)、蛋白质提取方法、胰蛋白酶消化比例、LC-MS/MS参数、MaxQuant版本。
阅读提示:Methods: 4D-DIA quantitative proteomic
CRC-EVArray微阵列检测
抗体浓度(200 µg/ml)、血清稀释倍数(1:10)、孵育时间、检测抗体浓度(1:1500)、Cy3-链霉亲和素孵育时间、扫描仪及信号提取方法、CD63归一化方法。
阅读提示:Methods: CRC-EVArray
机器学习模型构建
使用的ML算法(12种)、NNET超参数、变量组合(FIBG, PDGF-β, TGF-β, CEA)、训练集和测试集划分、性能评估指标(AUC, PRAUC, CE)。
阅读提示:Methods: Machine-learning and development of the CRC-EVArray diagnostic model; Results: Construction and validation of the CRC-EVArray diagnostic model