卵巢癌是全球女性生殖系统最致命的癌症之一。其中，上皮性卵巢癌（Epithelial ovarian cancer，EOC）是最常见的组织学类型，目前缺乏有效的诊断标志物和治疗靶点，发现时通常已是晚期，导致五年相对生存率较低。蛋白质作为生物过程的直接执行者，在揭示病理变化的分子机制中起重要作用。现有研究已基于基因组和转录组技术鉴定出多种潜在的恶性风险标志物和治疗靶点，揭示了EOC的基因组特征和分子亚型，但尚未系统性地描述EOC中的蛋白质变化，EOC相关蛋白临床应用仍然有限。因此，寻找用于检测早期EOC、监测治疗反应和预测预后的肿瘤生物标志物对于降低死亡率至关重要。

近日，来自西湖大学和浙江省肿瘤医院的联合团队在《Nature Communications》期刊上发表题为“Proteomic landscape of epithelial ovarian cancer”的文章。该研究对患者的卵巢组织和血浆样本进行蛋白质组学分析以鉴定潜在的生物标志物。此外，针对具有预后价值的多个蛋白质开发了靶向蛋白质组学分析，并建立了基于蛋白质特征的机器学习模型，用于预测辅助化疗后一年内的复发风险。

该研究对来自中国813名不同病理类型及治疗方案患者的卵巢组织及血浆样本进行蛋白质组学分析，使用压力循环技术(PCT)-脉冲数据独立采集(PulseDIA)方法对10,527种组织蛋白进行表征，并通过串联质谱标签对1660种血浆蛋白进行分析。研究对2551种与EOC恶性程度正相关且在原发癌中显著上调的蛋白质进行分析，筛选出8种血浆蛋白作为潜在的循环生物标志物，通过8种蛋白构建的机器学习模型可有效区分卵巢癌和非卵巢癌，其AUROC可达0.86。此外，研究还鉴定了与预后相关的多个蛋白质，并建立了基于蛋白质特征的预后预测模型，用于预测辅助化疗后一年内的复发风险，在外部验证队列中的对数秩检验值分别为P=0.0094和0.012。

该研究揭示了EOC不同病理类型的分子异质性，发现了潜在的诊断和复发监测标志物，并建立了复发预测的机器学习模型，有望为EOC的早期检测、疾病监测和个性化治疗提供新方法。

论文链接：

https://www.nature.com/articles/s41467-024-50786-z#MOESM1

注：此研究成果摘自《Nature Communications》杂志，文章内容并不代表本网站的观点和和立场，仅供参考。