肺癌作为全球癌症相关死亡的首要原因，非侵入性生物标志物在其诊断和监测中极为关键。然而，传统的血浆蛋白质检测方法，如质谱法用于液体活检，存在深度有限、高丰度蛋白质掩盖低丰度蛋白质以及关注单一终点等局限性。本研究旨在采用基于NaY的低丰度蛋白质富集技术进行血浆蛋白质组学分析，探索其在肺癌多重事件预测中的应用潜力，涵盖诊断、淋巴结转移检测以及TNM分期等方面。

研究者从广州医科大学附属第一医院、国家呼吸医学中心和天津临床多组学重点实验室前瞻性地收集了 287 例肺癌及肺部良性疾病患者的样本，严格设定纳入和排除标准，并通过组织病理学确诊肺癌及良性肺疾病，同时收集了患者的临床病理数据及血液样本。对血液样本进行基于低丰度蛋白质富集的蛋白质组学检测，采用特征选择（基于ROC曲线评估和LASSO回归），随机森林模型构建与验证以及SHAP算法进行模型解释，开展了多任务标志物研究。

研究流程示意图

三个队列患者在年龄、性别、基础疾病等方面存在差异，但通过UMAP降维分析未见显著的组间差异。经严格的质量控制和定量分析后，获取 4703 个血浆蛋白质的表达图谱，成功鉴定出大量差异表达蛋白质。这些差异蛋白质能够有效区分良性与恶性患者，以及不同分期的患者，并且在不同任务间表现出较高的重叠性。

组间差异蛋白质分析

肺癌诊断：筛选出 10 蛋白质组合（如 BAK1、CTSW 等），内部验证AUC达 0.91（0.84-0.97），外部验证AUC为 0.87（0.77-0.97），结合临床因素后AUC提升至 0.91（0.85-0.98）；

淋巴结转移检测：9 蛋白质组合（如 XPO1、NPNT 等）AUC为 0.88（0.80-0.96），与临床因素结合后提高到 0.90（0.85-0.97）；

TNM分期：10 蛋白质组合在不同分期的AUC各异，结合临床因素后各分期AUC均有所提升，如：I 期从 0.86（0.69-0.93）提高至 0.88（0.74-0.96），IV 期从  0.86（0.75-0.93）提高到 0.99（0.98-0.99）。通过SHAP方法，明确了各任务中关键的蛋白质及其风险或保护作用，例如在任务 #1 中，CTSW为保护因素，BAK1为风险因素，并且这些生物标志物大多与肿瘤进展紧密相关。

多任务标志物发现和验证

该研究采用基于低丰度蛋白质组学富集的血浆蛋白质组学新技术，成功开发了一个高度精确的肺癌多任务预测模型，与以往基于血浆蛋白质检测肺癌的研究相比，该研究在技术方法、标志物筛选和模型性能等方面所不同，凸显了血浆蛋白质组学在生物标志物研究中的巨大潜力。基于本研究成果，提出未来进一步优化和验证预测模型的方向，包括在更大规模、更多样化的人群中进行进一步验证，并探索与其他检测技术或生物标志物的联合应用。