当前针对癌症标志物的检测主要依赖于组织穿刺活检的方式，而液体活检因为其无创/微创、易于取材的特点，特别适合于进行早期诊断和筛查时使用，这也是近年来一直备受关注的领域。在液体活检中，细胞外囊泡和颗粒（EVPs）是生物标志物的重要来源，有巨大的研究和应用潜力，然而却一直缺乏系统全面的研究。

8月13日，Cell主刊发表了来自康奈尔大学威尔康奈尔医学院和纪念斯隆凯特琳癌症中心等单位合作的题为“Extracellular Vesicle and Particle Biomarkers Define Multiple HumanCancers”的研究论文。该文章从426个人类样品中分别找到了组织来源和体液来源的biomarker组合，且灵敏度和特异性都达到90%以上。

1. 样品取材和实验设计

作者分别选取了来自人类和小鼠的497例样品（样本策略），使用超速离心的方式提取EVPs，并进行定量蛋白质组分析（质谱策略）。这497例样品中，从种属来源看，有426例是人类来源，71例小鼠来源；从样品类型看，既有组织、细胞的，也有血浆、血清、淋巴液、胆汁等体液；从疾病类型看，既有恶性肿瘤的样品，也有对照的正常样品（图1A）。通过对各种不同样品的相关性分析，作者发现：体液来源的样品相互之间较为相似，而同组织来源的样品数据差别显著。此外，人类和小鼠之间的蛋白差别较大，这意味着我们不能单纯依靠小鼠模型来指导人类的液体活检标志物（图1B）。因此，在后续的分析中，作者着重从人类组织和体液来源的EVPs中分别寻找相应的biomarker组合。

图1 实验样品取材和不同类型样品的比较分析

2. 组织类样品来源的EVPs标志物分析

为了寻找组织来源的EVPs中的标志物，作者对肿瘤和非肿瘤的癌旁组织进行了比较。在所有151例组织来源的EVPs中，包含85个肿瘤组织和66个非肿瘤组织。研究者使用随机森林模型的机器学习方法，寻找区分肿瘤和非肿瘤的标志物，其中75%的样本作为训练集，25%的样本作为测试集。分析得到了一个16个EVPs蛋白的集合，该集合在训练集中的敏感性达到95%，特异性达到92%，而在测试集中的敏感性和特异性分别达到90%和94%（图2），证明了该标志物的有效性。

图2 随机森林模型寻找区分肿瘤和非肿瘤的组织来源EVPs标志物

3. 体液类样品来源的EVPs标志物分析

体液来源的样品是更易于使用的临床标志物。作者接下来使用类似的随机森林分析方法，对体液样品来源的EVPs进行了分析。通过对来自16种不同癌症的77个癌症患者的120个体液类样品进行蛋白质组检测，得到了47个蛋白质组合，其在训练集中的敏感性和特异性分别达到100%和82%，在测试集中的敏感性和特异性分别达到95%和90%。

4. 来自组织和体液的标志物指征具体的癌症类型

既然找到了能够区分“肿瘤”和“非肿瘤”的标志物组合，那么凭借蛋白表达的特征，能否预测出具体的肿瘤类型呢？作者通过随机森林聚类和t-SNE分析，正确地识别了每种类型的样本，PCA分析得到了类似的结果（图3）。研究证实，无论在组织来源还是体液来源的EVPs中都存在一个类似的结论，即EVPs的蛋白特征有助于判断具体的肿瘤类型。

图3 蛋白质组特征能够区分和预测不同的肿瘤类型

小 结

癌症的液体活检有巨大的应用潜力，也是当前研究的热点。本篇文章中，研究者以EVPs入手，通过对不同种属、不同来源、不同肿瘤类型的样品进行综合分析，展示了EVPs的蛋白质作为生物标志物的潜力，并找到了一组潜在的标志性蛋白。肿瘤的EVPs不仅仅来自于肿瘤的组织、肿瘤微环境以及受到肿瘤影响的其他组织器官（图4），与之相关的一系列内容还有很大的未知空间等待探索。

图4 肿瘤相关EVPs的多重来源

参考文献：

AyukoHoshino, et al. 2020. Extracellular Vesicleand Particle Biomarkers Define Multiple Human Cancers. Cell.

本文由景杰学术团队报道，欢迎转发到朋友圈。如有转载、投稿、等其他合作需求，请文章下方留言，或添加微信ptm-market咨询。