INTEGRATING LIPIDOMICS AND PROTEOMICS FOR INCREASED DIAGNOSTIC ACCURACY IN PROSTATE CANCER

Význam tématu

Prostatický karcinom patří mezi nejčastější nádorová onemocnění u mužů a současné diagnostické metody, zejména stanovení PSA a histopatologie, mají omezenou přesnost. Kombinace více typů molekulárních biomarkerů umožňuje zvýšit spolehlivost detekce a přesněji rozlišit stadia onemocnění, což je zásadní pro včasnou diagnostiku, prognózu a volbu léčby.

Cíle a přehled studie

Cílem studie bylo integrovat lipidomické a proteomické analýzy séra pacientů s nově diagnostikovaným prostatickým karcinomem ve stadiu mírném i pokročilém a ve skupině zdravých kontrol. Na základě těchto dat vytvořit prediktivní modely schopné dosahovat vysoké diagnostické přesnosti (AUC až do 0,966) a identifikovat biomarkerové podpisy pro jednotlivá stadia onemocnění.

Použitá metodika a instrumentace

Pro lipidomiku byly využity workflow LipidQuan™ a platforma ACQUITY I-Class UPLC spojená s hmotnostním spektrometrem Xevo™ TQ-XS. Pro proteomiku bylo provedeno tryptické štěpení proteinů a následně LC-MS analýza na ACQUITY Premier I-Class UPLC se SYNAPT™ XS MS. Datový tok zajišťovaly nástroje Symphony™, TargetLynx™, Skyline2 a Progenesis QI. Pro výběr a hodnocení biomarkerů byla aplikována metoda Random Forest s algoritmem Boruta a následná křížová validace pomocí PCA a UMAP.

• Lipidová separace: ACQUITY UPLC CSH™ kolona (2,1×100 mm)
• Proteomická analýza: SYNAPT™ XS, gradient 15 minut
• Softwarové nástroje: Symphony™, TargetLynx™, Skyline2, Progenesis QI
• Strojové učení: Random Forest, Boruta, PCA, UMAP

Hlavní výsledky a diskuse

Ve studii bylo zpracováno celkem 1 115 molekulárních parametrů. Pro mírné stádium PCa byl model založený na top 5 marqueři schopen dosáhnout AUC 0,940, pro pokročilé stadium až 0,955. Celková AUC hodnoty kombinovaných modelů dosáhly 0,955 (mírné stádium) a 0,966 (pokročilé stádium). Identifikované biomarkery zahrnují proteiny KIF5C, ADAMTSL1, SHBG a lipidní molekuly jako CE(18:2). Enrichment analýza odhalila aktivaci akutní fáze zánětu, metabolických drah a specifických signálních cest souvisejících s progresí nádorového onemocnění.

Přínosy a praktické využití metody

Integrace lipidomiky a proteomiky umožňuje vytvořit robustní diagnostické panely s vysokou citlivostí i specificitou. Výsledný přístup nabízí potenciál pro neinvazivní screening, lepší klasifikaci pacientů podle rizika a přizpůsobení léčebných strategií. Řízení kvality dat a nízká míra chybovosti (méně než 5 % chybějících hodnot) zaručují spolehlivost a reprodukovatelnost výsledků.

Budoucí trendy a možnosti využití

Další směřování výzkumu spočívá v rozšíření kohorty pacientů, validaci v nezávislých populacích a integraci dalších typů dat (např. genomika, metabolomika). Využití pokročilých metod strojového učení a hlubokého učení může dále zvýšit predikční výkon. Díky miniaturizaci a automatizaci analytických platforem se očekává přenos do rutinní klinické praxe.

Závěr

Studie prokázala, že kombinované využití lipidomických a proteomických dat významně zlepšuje diagnostickou přesnost prostatického karcinomu ve srovnání s jednorozměrnými biomarkery. Vyvinuté prediktivní modely dosahují AUC blížící se 0,97, což slibuje zkrácení doby diagnostiky a personalizaci péče.

Reference

• Distler U., Kuharev J., Navarro P. et al. Label-free quantification in ion mobility–enhanced data-independent acquisition proteomics. Nat Protoc. 2016;11:795–812.
• J Proteome Res. 2020 Apr 3;19(4):1447–1458. doi:10.1021/acs.jproteome.9b00640.