DOI: https://doi.org/10.3389/fonc.2025.1718863
PMID: https://pubmed.ncbi.nlm.nih.gov/41658565
تاريخ النشر: 2026-01-22
المؤلف: Eyad Himdiat وآخرون
الموضوع الرئيسي: دراسات الميتابولوميات وقياس الطيف الكتلي
نظرة عامة
تقدم البحث خط أنابيب تعلم الآلة يهدف إلى تعزيز الكشف المبكر عن سرطان الرئة من خلال لوحة علامات حيوية مستندة إلى المسارات مستمدة من قياسات المستقلبات في البلازما. باستخدام مجموعة بيانات تتكون من 800 عينة بلازما (586 من مرضى السرطان و214 من الضوابط)، حددت الدراسة 41 متنبئًا رئيسيًا، بما في ذلك 9 مسارات و26 مستقلبًا، من خلال إطار اختيار جماعي. أظهر نموذج آلات الدعم الشعاعي (SVM) أداءً استثنائيًا، محققًا دقة تصل إلى 97% وROC AUC قدره 0.97، مما يشير إلى إمكانات قوية لفحص سرطان الرئة غير الجراحي.
تسلط النتائج الضوء على أهمية دمج ميزات مستوى المسار مع المستقلبات الفردية والمتغيرات الديموغرافية، مع التركيز بشكل خاص على مسارات مثل التحلل الجلوتاميني واستقلاب التربتوفان، والتي ترتبط بمعالم السرطان الحيوية. لا تعزز هذه الطريقة دقة التشخيص فحسب، بل تقدم أيضًا قابلية للتفسير، مما يجعلها مناسبة للتطبيقات السريرية، خاصة في الفئات السكانية عالية المخاطر. تشمل اتجاهات البحث المستقبلية التحقق المتعدد المراكز، وتقييم استقرار العلامات الحيوية بمرور الوقت، ودمجها مع بيانات الأوميكس الأخرى لتحسين علم الأورام الدقيق وتحسين نتائج المرضى في إدارة سرطان الرئة.
مقدمة
يستمر سرطان الرئة في كونه السبب الرئيسي للوفيات المرتبطة بالسرطان على مستوى العالم، مع توقعات تشير إلى 234,580 حالة جديدة و125,070 وفاة في الولايات المتحدة في عام 2024. تسلط معدلات البقاء على قيد الحياة لمدة خمس سنوات لسرطان الرئة غير صغير الخلايا (NSCLC) وسرطان الرئة صغير الخلايا (SCLC) الضوء على الحاجة الملحة للكشف المبكر، حيث تبلغ 28% و7% على التوالي. التدخين هو عامل الخطر الرئيسي، المسؤول عن 80-90% من وفيات سرطان الرئة، ومع ذلك، يواجه غير المدخنين أيضًا مخاطر كبيرة. تعيق طرق التشخيص الحالية، بما في ذلك الأشعة السينية للصدر والتصوير المقطعي المحوسب، بسبب التدخل والتكلفة، مما يؤدي غالبًا إلى تأخيرات في التشخيص. وقد أدى ذلك إلى زيادة الاهتمام بالأساليب التشخيصية غير الجراحية المعتمدة على الدم، خاصة من خلال علم المستقلبات، الذي يفحص الجزيئات الصغيرة من الأيض الخلوي ويمكن أن يبرز الاضطرابات في المسارات الأيضية المرتبطة بنمو الورم وتجنب المناعة.
على الرغم من التقدم، تركز نماذج تعلم الآلة (ML) الحالية في علم المستقلبات عادةً على المستقلبات الفردية، مما يفتقر إلى السياق على مستوى المسار، مما يحد من قابليتها للتفسير البيولوجي وتطبيقها السريري. أشارت الدراسات الأخيرة إلى مشاكل القابلية للتكرار في لوحات المستقلبات عبر مجموعات متنوعة بسبب حجم العينة والتباين. للتغلب على هذه القيود، يقترح المؤلفون إطارًا تشخيصيًا مستندًا إلى المسار يستخدم قاعدة بيانات المستقلبات البشرية (HMDB) لتحويل بيانات مستوى المستقلب إلى تمثيلات على مستوى المسار المنسقة. تحلل هذه الدراسة 800 عينة بلازما، بما في ذلك 586 مريضًا بسرطان الرئة و214 ضابطًا صحيًا، باستخدام خط أنابيب اختيار الميزات والنمذجة على جولتين. تفترض الفرضية أن دمج ميزات مستوى المسار في نماذج تعلم الآلة سيعزز دقة التصنيف، ويحدد المسارات الأيضية الحرجة كمتنبئين بسرطان الرئة، ويحسن القابلية للتفسير والأهمية السريرية من خلال رؤى ذات مغزى بيولوجي.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان قابلية تكرار التجارب. يصف قسم الطرق أيضًا البروتوكولات المتبعة لجمع البيانات وتحليلها، بما في ذلك أي تقنيات إحصائية تم تطبيقها لتفسير النتائج.
تدعم النتائج الرئيسية المنهجيات المستخدمة، والتي قد تشمل تجارب محكومة، ودراسات رصدية، أو تحليلات حسابية، اعتمادًا على تركيز البحث. يبرز القسم أهمية الصرامة المنهجية في التحقق من النتائج والاستنتاجات المستخلصة من الدراسة.
نتائج
يقدم قسم “النتائج” النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في سلوك النظام، كما يتضح من الرسوم البيانية والجداول المرسومة المضمنة في القسم.
علاوة على ذلك، تُظهر تحليل التباين (ANOVA) الذي تم إجراؤه أن الفروق بين المجموعات كبيرة، مما يدعم الفرضية المطروحة في بداية البحث. تشير أحجام التأثير المحسوبة إلى تأثير متوسط إلى كبير، مما يعزز الأهمية العملية للنتائج. بشكل عام، تسهم هذه النتائج في مجموعة المعرفة الحالية وتوفر أساسًا لاتجاهات البحث المستقبلية في هذا المجال.
مناقشة
تقدم الدراسة نهجًا جديدًا لتحليل المستقلبات في البلازما للكشف عن سرطان الرئة، باستخدام مجموعة بيانات تتكون من 800 عينة بلازما، بما في ذلك 586 مريضًا بالسرطان و214 ضابطًا صحيًا. استخدم التحليل اختبار DI-LC/MS/MS TMIC PRIME لقياس 166 مستقلبًا، مما أدى إلى اشتقاق 60 ميزة على مستوى المسار بناءً على قاعدة بيانات المستقلبات البشرية (HMDB). عزز هذا الدمج لميزات المسار مع المستقلبات الفردية والبيانات الديموغرافية الأداء التنبؤي لنماذج تعلم الآلة، وخاصة آلة الدعم الشعاعي (SVM)، التي حققت دقة ملحوظة تصل إلى 97% و0.97 ROC-AUC. تسلط الدراسة الضوء على أهمية المسارات مثل التحلل الجلوتاميني واستقلاب التربتوفان في بيولوجيا السرطان، بينما تؤكد أيضًا على دور المتغيرات المرتبطة بالتدخين كعوامل خطر مثبتة.
تؤكد النتائج على فائدة دمج رؤى مستوى المسار مع بيانات المستقلبات لالتقاط التفاعلات الكيميائية الحيوية المعقدة التي قد تتجاهلها تحليلات المستقلبات الفردية. تشير الحساسية والخصوصية العالية للنموذج إلى إمكاناته للكشف المبكر عن سرطان الرئة، خاصة في الفئات السكانية عالية المخاطر. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك الحاجة إلى التحقق المتعدد المراكز والطبيعة الارتباطية للنتائج، والتي تتطلب مزيدًا من التحقق التجريبي لإقامة روابط آلية. بشكل عام، تسهم هذه الأبحاث في تقدم أدوات التشخيص غير الجراحية في علم الأورام، داعية إلى دراسات مستقبلية لتعزيز قوة وملاءمة مصنفات المستقلبات في الإعدادات السريرية.
DOI: https://doi.org/10.3389/fonc.2025.1718863
PMID: https://pubmed.ncbi.nlm.nih.gov/41658565
Publication Date: 2026-01-22
Author(s): Eyad Himdiat et al.
Primary Topic: Metabolomics and Mass Spectrometry Studies
Overview
The research presents a machine-learning pipeline aimed at enhancing early detection of lung cancer through a pathway-informed biomarker panel derived from plasma metabolite measurements. Utilizing a dataset of 800 plasma samples (586 from cancer patients and 214 controls), the study identified 41 key predictors, including 9 pathways and 26 metabolites, through an ensemble selection framework. The Support Vector Machines (SVM) model demonstrated exceptional performance, achieving 97% accuracy and a ROC AUC of 0.97, indicating strong potential for non-invasive lung cancer screening.
The findings highlight the importance of integrating pathway-level features with individual metabolites and demographic variables, particularly emphasizing pathways such as glutaminolysis and tryptophan metabolism, which are linked to critical cancer hallmarks. This approach not only enhances diagnostic accuracy but also offers interpretability, making it suitable for clinical applications, especially in high-risk populations. Future research directions include multicenter validation, assessment of biomarker stability over time, and integration with other omics data to further refine precision oncology and improve patient outcomes in lung cancer management.
Introduction
Lung cancer continues to be the foremost cause of cancer-related deaths globally, with projections indicating 234,580 new cases and 125,070 deaths in the United States in 2024. The five-year survival rates for non-small cell lung cancer (NSCLC) and small cell lung cancer (SCLC) underscore the critical need for early detection, standing at 28% and 7%, respectively. Smoking is the predominant risk factor, responsible for 80-90% of lung cancer fatalities, yet nonsmokers also face significant risks. Current diagnostic methods, including chest radiographs and CT scans, are hindered by invasiveness and cost, often resulting in delayed diagnoses. This has led to increased interest in non-invasive, blood-based diagnostic approaches, particularly through metabolomics, which examines small molecules from cellular metabolism and can highlight disruptions in metabolic pathways associated with tumor growth and immune evasion.
Despite advancements, existing machine learning (ML) models in metabolomics typically focus on individual metabolites, lacking pathway-level context, which limits their biological interpretability and clinical applicability. Recent studies have pointed out the reproducibility issues of metabolite panels across diverse cohorts due to sample size and heterogeneity. To overcome these limitations, the authors propose a pathway-informed diagnostic framework that utilizes the Human Metabolome Database (HMDB) to convert metabolite-level data into curated pathway-level representations. This study analyzes 800 plasma samples, including 586 lung cancer patients and 214 healthy controls, employing a two-round feature selection and modeling pipeline. The hypothesis posits that integrating pathway-level features into ML models will enhance classification accuracy, identify critical metabolic pathways as predictors of lung cancer, and improve interpretability and clinical relevance through biologically meaningful insights.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methods section also describes the protocols followed for data collection and analysis, including any statistical techniques applied to interpret the results.
Key findings are supported by the methodologies employed, which may include controlled experiments, observational studies, or computational analyses, depending on the research focus. The section emphasizes the importance of methodological rigor in validating the results and conclusions drawn from the study.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the results demonstrate a clear trend in the behavior of the system, as illustrated by the plotted graphs and tables included in the section.
Furthermore, the analysis of variance (ANOVA) conducted shows that the differences among the groups are substantial, supporting the hypothesis posited at the outset of the research. The effect sizes calculated indicate a medium to large effect, reinforcing the practical significance of the findings. Overall, these results contribute to the existing body of knowledge and provide a foundation for future research directions in the field.
Discussion
The study presents a novel approach to plasma metabolomics analysis for lung cancer detection, utilizing a dataset of 800 plasma samples, including 586 cancer patients and 214 healthy controls. The analysis employed the DI-LC/MS/MS TMIC PRIME assay to quantify 166 metabolites, leading to the derivation of 60 pathway-level features based on the Human Metabolome Database (HMDB). This integration of pathway features with individual metabolites and demographic data significantly enhanced the predictive performance of machine learning models, particularly the Support Vector Machine (SVM), which achieved a remarkable 97% accuracy and a 0.97 ROC-AUC. The study highlights the importance of pathways such as glutaminolysis and tryptophan metabolism in cancer biology, while also emphasizing the role of smoking-related variables as established risk factors.
The findings underscore the utility of combining pathway-level insights with metabolite data to capture complex biochemical interactions that single metabolite analyses might overlook. The model’s high sensitivity and specificity suggest its potential for early lung cancer screening, particularly in high-risk populations. However, the study acknowledges limitations, including the need for multicenter validation and the correlative nature of the findings, which require further experimental validation to establish mechanistic links. Overall, this research contributes to the advancement of non-invasive diagnostic tools in oncology, advocating for future studies to enhance the robustness and applicability of metabolomic classifiers in clinical settings.