代謝組學(xué)（metabolomics）可以收集、檢測和分析對生物活性和病理?xiàng)l件高度敏感的各種小分子代謝物，準(zhǔn)確、穩(wěn)健和低成本的代謝組學(xué)檢測方法為未來的疾病診斷提供了希望。近年來，越來越多的研究借助人工智能的方法，對組學(xué)數(shù)據(jù)進(jìn)行分析并建立合適有效的檢測或驗(yàn)證模型，應(yīng)用于疾病診斷、分型及療效預(yù)測。

機(jī)器學(xué)習(xí)（machinelearning, ML）與代謝組學(xué)結(jié)合診斷是當(dāng)前一個(gè)極具吸引力和前景的概念，但以往的工作主要集中在模型構(gòu)建上，而不是選擇關(guān)鍵的代謝物進(jìn)行疾病檢測。近日，北京大學(xué)基礎(chǔ)醫(yī)學(xué)院尹玉新教授團(tuán)隊(duì)與中科院、中國人民解放軍總醫(yī)院合作者應(yīng)用機(jī)器學(xué)習(xí)結(jié)合脂質(zhì)組學(xué)和多組學(xué)技術(shù)綜合分析胰腺導(dǎo)管腺癌(胰腺癌)的代謝特征，開發(fā)出人工智能輔助的PDAC血清代謝檢測方法，在超過1000例的大型外部驗(yàn)證隊(duì)列以及包含胰腺良性病變的前瞻臨床隊(duì)列中分別實(shí)現(xiàn)了86.74%，85.00%的分類檢測準(zhǔn)確性，其檢測效能顯著優(yōu)于CA19-9與CT檢查。該項(xiàng)題為“Metabolic detection andsystems analyses of pancreatic ductal adenocarcinoma through machine learning,lipidomics, and multi-omics”的研究于2021年12月22日在Science Advances雜志在線發(fā)表。

在大多數(shù)醫(yī)療應(yīng)用程序中，ML方法通常是在一個(gè)數(shù)據(jù)集上進(jìn)行評估的。相比之下，ML輔助代謝性PDAC檢測方法已經(jīng)由一個(gè)大型外部驗(yàn)證隊(duì)列(n = 1003)進(jìn)行了測試和評估，表明了該方法性能的穩(wěn)定性。處理速度快和精度高的特點(diǎn)使得這種PDAC檢測方法在未來的具有很好的應(yīng)用潛力。

傳統(tǒng)上，代謝組學(xué)或脂質(zhì)組學(xué)的數(shù)據(jù)維數(shù)降低和生物標(biāo)志物篩選主要是基于方差分析（ANOVA）、最小二乘判別分析（PLS-DA）。本研究創(chuàng)新性地應(yīng)用了基于支持向量機(jī)（SVM）的貪心算法（greedy algorithm），在血清脂質(zhì)組學(xué)數(shù)據(jù)的特征選擇上表現(xiàn)出了優(yōu)異的性能。

對1033例不同階段的PDAC患者進(jìn)行測試發(fā)現(xiàn)，該方法在大型外部驗(yàn)證隊(duì)列中準(zhǔn)確率為86.74%，曲線下面積（AUC）為0.9351，前瞻性臨床隊(duì)列中準(zhǔn)確率為85.00%，AUC為0.9389。

在選擇的特征代謝物中有17種類型的脂質(zhì)，包括4種溶血磷脂酰膽堿（LPC）、7種磷脂酰膽堿（PC）、3種鞘磷脂（SMs）、1種溶血磷脂酰乙醇胺（LPE）、1種磷脂酰乙醇胺（PE）和1種甘油二酯（DG）。LPC、PC和PE參與甘油磷脂代謝，SMs參與鞘脂代謝。組織蛋白質(zhì)組學(xué)和單細(xì)胞測序分析顯示，在PDAC細(xì)胞中甘油磷脂和鞘脂代謝途徑被擾亂。這些代謝產(chǎn)物的一系列變化可能反映了PDAC起始和發(fā)育過程中脂質(zhì)代謝及相關(guān)信號轉(zhuǎn)導(dǎo)途徑的改變、癌細(xì)胞的增殖和凋亡抵抗。本研究中將ML分析的血清脂質(zhì)組學(xué)、組織蛋白質(zhì)組學(xué)、單細(xì)胞測序等技術(shù)相結(jié)合，從外周循環(huán)血液和組織空間脂質(zhì)組學(xué)的整合角度來表征PDAC的脂質(zhì)代謝特征。

本工作建立了代謝組學(xué)結(jié)合ML和貪心算法的方法，利用ML細(xì)化了靶向代謝組學(xué)的疾病檢測程序。目前除CA19-9外，PDAC診斷尚無可用的基于液體的檢測方法。然而，CA19-9檢測亦有明顯局限性，如良性胰膽疾病患者由于膽道梗阻也會(huì)表現(xiàn)為CA19-9升高，易被誤診為胰腺癌。ML輔助的代謝性PDAC檢測方法具有準(zhǔn)確、高靈敏度、微創(chuàng)（以血清為基礎(chǔ)）和無放射性的特點(diǎn)，可能有助于臨床醫(yī)生更全面、更準(zhǔn)確地進(jìn)行PDAC診斷以及后續(xù)治療。因此，將其納入目前的診斷方法可能對PDAC高危患者的常規(guī)診斷程序起到補(bǔ)充作用。

「當(dāng)然，這項(xiàng)研究的一些局限性。」

該模型選取的特征還不能區(qū)分PDAC的早期或晚期階段，也不能用來預(yù)測PDAC患者的預(yù)后。并且該方法主要是基于東亞人群進(jìn)行，是否適用于其他人群中PDAC的檢測還有待進(jìn)一步研究。運(yùn)用代謝組學(xué)數(shù)據(jù)還必須考慮到其他代謝性疾病如肥胖、糖尿病與PDAC之間的關(guān)系，否則ML輔助代謝性PDAC檢測方法的性能可能會(huì)受到代謝相關(guān)混雜因素的影響。該方法，還應(yīng)結(jié)合CA19-9、腹部超聲、CT等現(xiàn)有的檢測手段，對PDAC篩查和檢測結(jié)果做出謹(jǐn)慎解釋。