異質(zhì)性是惡性腫瘤等疾病的重要特征，是精準(zhǔn)醫(yī)學(xué)需破解的難題。疾病異質(zhì)性可表現(xiàn)為不同的病理類型以及不同的基因突變譜、轉(zhuǎn)錄組表達(dá)譜和蛋白質(zhì)組表達(dá)譜等，是惡性腫瘤等疾病發(fā)生發(fā)展領(lǐng)域長期關(guān)注的科學(xué)問題。

異質(zhì)性的存在使得對疾病進(jìn)行分型成為精確醫(yī)學(xué)的關(guān)鍵步驟。疾病分型的傳統(tǒng)方法基于形態(tài)學(xué)特征，依賴對病理切片的觀察與分析。隨著分子檢測技術(shù)的不斷成熟，基于分子特征的疾病分型方法受到廣泛關(guān)注。二十世紀(jì)末美國國立癌癥研究所首次提出了腫瘤分子分型的概念。研究人員利用組學(xué)技術(shù)深入剖析疾病分子水平的異質(zhì)性，從而指導(dǎo)疾病的精準(zhǔn)診斷與治療。

目前基因分型已實現(xiàn)臨床轉(zhuǎn)化，然而尚無真正意義的基因治療藥物，且基于基因檢測的靶向治療藥物的受益人群占比極低。2021年發(fā)表于Cell 期刊的觀點文章^[1]指出了在精準(zhǔn)腫瘤學(xué)領(lǐng)域基因組學(xué)的局限性與蛋白質(zhì)組學(xué)的重要作用。相較而言，蛋白質(zhì)組學(xué)更接近表型，且基于蛋白質(zhì)組學(xué)的靶向治療能夠?qū)崿F(xiàn)精準(zhǔn)施策。

利用蛋白質(zhì)組數(shù)據(jù)將疾病樣本劃分多個亞型，剖析不同亞型蛋白質(zhì)水平的異質(zhì)性，有助于理解疾病的發(fā)生機(jī)制，從而指導(dǎo)針對不同亞型的精準(zhǔn)治療。下面就讓我們一起來看看基于蛋白質(zhì)組學(xué)的疾病分子分型研究是如何實現(xiàn)的吧~

基于蛋白質(zhì)組學(xué)的疾病分子分型研究總覽^[2]

磨刀不誤砍柴工，樣本收集是基礎(chǔ)

收集合適的樣本對于基于蛋白質(zhì)組學(xué)的疾病分子分型研究的科學(xué)性至關(guān)重要，文章中常見的樣本為臨床組織樣本或體液樣本。

臨床組織樣本是疾病分子分型研究中樣本收集的經(jīng)典選擇。這種樣本選擇策略能夠更好地保證生物學(xué)意義，為相應(yīng)疾病提供寶貴的數(shù)據(jù)資源，獲得更準(zhǔn)確的分子分型結(jié)果。2024年發(fā)表于Cell 期刊的文章[2]以小細(xì)胞肺癌為研究對象，收集了來自臨床隊列的腫瘤組織和配對癌旁組織，基于組學(xué)數(shù)據(jù)將小細(xì)胞肺癌分為四個亞型，系統(tǒng)表征各亞型獨(dú)特的分子特征并提出潛在治療策略。

臨床體液樣本也可作為疾病分子分型研究中的樣本選擇。2023年發(fā)表于Arthritis Rheumatol期刊的文章[3]以白塞病為研究對象，收集了來自臨床隊列的血漿樣本，基于組學(xué)數(shù)據(jù)將白塞病分為三個亞型，推動了個體化治療策略建立。

不會代碼怎么破，青蓮報告打包走

作為國內(nèi)領(lǐng)先的蛋白質(zhì)組學(xué)平臺，青蓮百奧針對疾病分子分型研究開發(fā)了完整解決方案，下面就來看看基于蛋白質(zhì)組學(xué)數(shù)據(jù)的疾病分子分型解決方案是怎么實現(xiàn)的吧~

數(shù)據(jù)預(yù)處理

數(shù)據(jù)分析前需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，對數(shù)據(jù)依次進(jìn)行樣本剔除、蛋白剔以及缺失值填補(bǔ)，處理方法和標(biāo)準(zhǔn)如下：

• 樣本剔除：剔除鑒定到的蛋白個數(shù)小于100個的樣本。

• 蛋白剔除：剔除在50%的樣本中存在缺失值的蛋白。

• 缺失值填補(bǔ)：缺失值采用全局最小值進(jìn)行填補(bǔ)。

特征選擇

預(yù)處理后的蛋白表達(dá)矩陣，首先進(jìn)行分型分子特征篩選。常見的特征篩選指標(biāo)包括基于變異系數(shù)（CV）、絕對中位差（MAD）、標(biāo)準(zhǔn)差（SD），篩選在不同樣本間存在差異的特征。

分子分型

蛋白表達(dá)矩陣篩選分子特征后，采用非負(fù)矩陣分解（Non-Negative Matrix Factorization，NMF）算法進(jìn)行分子分型。NMF是一種無監(jiān)督學(xué)習(xí)技術(shù)，相較于傳統(tǒng)層次聚類更準(zhǔn)確。通過NMF聚類，可以發(fā)現(xiàn)差異蛋白矩陣中存在的亞組結(jié)構(gòu)，并了解不同亞組之間的差異。

Cophenetic值是一種衡量聚類質(zhì)量的指標(biāo)，用于評估聚類算法產(chǎn)生的聚類結(jié)果與原始數(shù)據(jù)之間的相似程度，顯示了聚類的擬合優(yōu)度。

• 分子分型結(jié)果熱圖：根據(jù)Cophenetic值判斷最佳聚類個數(shù)K，選取Cophenetic值變化的最大變動的前點為最佳聚類個數(shù)，繪制聚類熱圖，并計算輪廓（Silhouette）系數(shù)來評估聚類的好壞。

• 分子分型結(jié)果評估：Silhouette準(zhǔn)則是一種用于聚類分析中的評價方法。Silhouette系數(shù)的取值范圍在–1到1之間，其中負(fù)值表示數(shù)據(jù)點更容易被分類到錯誤的簇中，而正值則表示數(shù)據(jù)點更容易被正確分類。因此，Silhouette準(zhǔn)則的目標(biāo)是最大化Silhouette系數(shù)的平均值，從而找到最佳的聚類數(shù)量。

亞型分子特征

得到分子分型結(jié)果后，通過整合分型結(jié)果與臨床指標(biāo)的關(guān)聯(lián)，實現(xiàn)對分子分型結(jié)果進(jìn)行臨床解釋。通過分析亞型特征和功能分析，可以實現(xiàn)針對不同亞型的精準(zhǔn)化治療方案制定。

• 亞型差異蛋白熱圖：根據(jù)分型結(jié)果篩選各亞型間具有顯著差異表達(dá)的蛋白（篩選條件：Mann Whitney U-test P-value<0.05且 |Log2(Fold-Change)| >1），聯(lián)合臨床指標(biāo)繪制熱圖。

• 亞型差異蛋白富集分析：對不同亞型間具有顯著差異表達(dá)的蛋白進(jìn)行KEGG富集分析，探究不同亞型的分子功能。

• 亞型預(yù)后分析：若有臨床預(yù)后信息，則可根據(jù)分子分型結(jié)果，進(jìn)行Log-rank檢驗，繪制生存曲線，比較組間生存差異。

• 臨床信息與亞型關(guān)聯(lián)的預(yù)后分析：根據(jù)分子分型結(jié)果以及臨床信息，進(jìn)行多因素Cox回歸分析，并以森林圖的形式進(jìn)行可視化。

通過以上流程，能夠?qū)崿F(xiàn)可靠的基于蛋白質(zhì)組學(xué)的疾病分子分型研究。此外，青蓮百奧針對隊列樣本研究瓶頸，還獨(dú)家推出疾病生物標(biāo)志物篩選、預(yù)后標(biāo)志物篩選高級分析報告。步驟雖繁必不敢省人工，試劑雖貴必不敢減物力，疾病生物標(biāo)志物篩選、預(yù)后標(biāo)志物篩選解決方案已在過去兩天與大家見面，之后的推送也將為大家?guī)砀嗟母韶浗庾x，敬請期待~