Identificación de una nueva clusterina de marcadores biliares y una plataforma pública de predicción en línea basada en el aprendizaje profundo para el colangiocarcinoma

BMC Medicine volumen 21, número de artículo: 294 (2023) Citar este artículo

Detalles de métricas

El colangiocarcinoma (CCA) es un tumor maligno muy agresivo y su diagnóstico sigue siendo un desafío. Este estudio tuvo como objetivo identificar un nuevo marcador biliar para el diagnóstico de ACC basado en proteómica y establecer un modelo de diagnóstico con aprendizaje profundo.

Un total de 644 sujetos (236 CCA y 408 no CCA) de dos centros independientes se dividieron en conjuntos de descubrimiento, validación cruzada y validación externa para el estudio. Los marcadores biliares candidatos se identificaron mediante tres datos proteómicos y se validaron en 635 muestras humorales clínicas y 121 muestras de tejido. Se estableció un modelo de diagnóstico de múltiples analitos que contiene biomarcadores de bilis y suero en una validación cruzada establecida mediante aprendizaje profundo y validado en una cohorte externa independiente.

Los resultados del análisis proteómico y la verificación de muestras clínicas mostraron que la clusterina biliar (CLU) era significativamente mayor en los fluidos corporales de CCA. Basado en 376 sujetos en el conjunto de validación cruzada, el análisis ROC indicó que la CLU biliar tenía un poder de diagnóstico satisfactorio (AUC: 0,852, sensibilidad: 73,6 %, especificidad: 90,1 %). A partir de CLU biliar y 63 marcadores séricos, el aprendizaje profundo estableció un modelo de diagnóstico que incorpora siete factores (CLU, CA19-9, IBIL, GGT, LDL-C, TG y TBA), que mostraron una alta utilidad diagnóstica (AUC: 0,947, sensibilidad: 90,3%, especificidad: 84,9%). La validación externa en una cohorte independiente (n = 259) dio como resultado una precisión similar para la detección de ACC. Finalmente, para facilitar la operación, se creó en línea una plataforma de predicción fácil de usar para CCA.

Este es el estudio más grande y completo que combina biomarcadores biliares y séricos para diferenciar CCA. Este modelo de diagnóstico puede usarse potencialmente para detectar ACC.

Informes de revisión por pares

El colangiocarcinoma (CCA) se conoce como una neoplasia maligna altamente agresiva. Según el sitio anatómico de la lesión, el ACC se puede dividir en colangiocarcinoma intrahepático (iCCA), colangiocarcinoma perihiliar (pCCA) y colangiocarcinoma distal (dCCA). Como el segundo tumor maligno más común en el sistema hepatobiliar, el ACC representa alrededor del 3 % de todos los tumores gastrointestinales [1] y tiene un mal pronóstico con una baja supervivencia a 5 años (7 a 20 %) y una alta tasa de mortalidad (que representa aproximadamente el 2% de las muertes anuales relacionadas con el cáncer en el mundo), todo lo cual se reduce a su dificultad en el diagnóstico temprano [2, 3].

El diagnóstico de ACC es difícil debido a su carácter clínico silencioso y su localización anatómica. Actualmente, el ACC se detecta principalmente mediante métodos de imagen, como la tomografía computarizada (TC), la resonancia magnética (MRI) y la endoscopia, pero sus poderes de diagnóstico son decepcionantes con una precisión modesta y una sensibilidad estimada de sólo 6 a 71,9% [4 , 5]. El CA19-9 sérico se utiliza habitualmente para el diagnóstico de ACC, pero su sensibilidad y especificidad son, en el mejor de los casos, frustrantes [6, 7]. Sorprendentemente, los resultados de patología posoperatoria informan que entre el 10% y el 25% de los pacientes sometidos a tratamiento quirúrgico por sospecha de ACC finalmente están libres de células cancerosas, lo que destaca la necesidad urgente de herramientas de diagnóstico más precisas [5, 8, 9].

La bilis es el microambiente directo para el crecimiento de las células tumorales de las vías biliares, y las proteínas relacionadas con el cáncer en la CCA pueden secretarse en la bilis y potencialmente usarse como biomarcadores para el diagnóstico [10, 11]. Además, muchos marcadores séricos también cambian en CCA [7, 12]. Las proteínas expresadas diferencialmente en la bilis reflejan principalmente cambios locales, mientras que los marcadores séricos reflejan principalmente cambios sistemáticos en la progresión de CCA [4]. Por tanto, la combinación de marcadores en la bilis y la sangre podría mejorar la precisión para distinguir la ACC de otras enfermedades biliares.

En este estudio, identificamos y evaluamos el poder de un nuevo biomarcador biliar para el diagnóstico de ACC. En base a esto, se estableció un modelo de aprendizaje profundo combinando otros marcadores séricos. Finalmente, el rendimiento diagnóstico del modelo fue validado por otro grupo independiente.

Este estudio fue aprobado por el Comité de Ética en Investigación en Humanos del Primer Hospital de la Universidad de Lanzhou (LDYYLL2022-381) con una exención del consentimiento informado y se realizó de acuerdo con los principios de la Declaración de Helsinki. Las muestras clínicas provinieron de dos centros.

Un total de 644 pacientes se dividieron en un conjunto de descubrimiento, un conjunto de validación cruzada y un conjunto de validación externa para el estudio (archivo adicional 1: Fig. S1). En el conjunto de descubrimiento, se recogió la bilis de cinco pacientes con ACC y cuatro pacientes con cálculos en las vías biliares en el Primer Hospital de la Universidad de Lanzhou para realizar análisis proteómicos. En el conjunto de validación cruzada, se reclutaron 376 pacientes (193 hombres y 183 mujeres) del Departamento de Cirugía General del Primer Hospital de la Universidad de Lanzhou, incluidos 144 pacientes con CCA y 232 pacientes sin CCA desde septiembre de 2018 hasta mayo de 2022. el grupo sin ACC consistió principalmente en enfermedades biliares benignas y cánceres sin ACC; Las enfermedades biliares benignas incluyeron enfermedades crónicas del tracto biliar y enfermedades no crónicas del tracto biliar. Las enfermedades crónicas del tracto biliar incluyeron cálculos del conducto biliar (cálculos del conducto biliar común (CBD) y cálculos del conducto biliar intrahepático (IBD)), estenosis colangítica, quiste de colédoco y colecistolitiasis, mientras que las enfermedades no crónicas del tracto biliar incluyeron cálculos del conducto pancreático y de la vesícula biliar. pólipos y cánceres no ACC incluyeron carcinoma de páncreas (PC) y carcinoma de papila duodenal (Tabla 1). Los pacientes incluidos con ACC fueron diagnosticados principalmente por patología a partir de muestras resecadas quirúrgicamente o muestras de biopsia (resección quirúrgica abierta o laparoscópica o biopsia biliar obtenida por CPRE). Las enfermedades biliares benignas fueron diagnosticadas mediante métodos de imagen y pruebas de laboratorio y confirmadas mediante endoscopia con un seguimiento clínico de al menos 1 año. Durante el seguimiento clínico de 1 año, se prestó especial atención para garantizar que ninguno de los pacientes con enfermedades no relacionadas con ACC mostrara signos clínicos o de imagen de ACC. Se excluyeron los pacientes con ACC y cálculos en las vías biliares.

En el conjunto de validación externa, se reclutaron 259 pacientes del Hospital Oncológico de la Academia China de Ciencias Médicas desde enero de 2020 hasta mayo de 2022, incluidos 87 pacientes con CCA (53 hombres y 34 mujeres). No hubo diferencia estadística en la edad entre el grupo CCA y el grupo sin CCA (Tabla 1). Se recopilaron datos de 63 características de la sangre utilizadas para el aprendizaje automático a partir de información clínica, incluidas 37 características bioquímicas de la sangre, 24 características de la sangre de rutina y dos biomarcadores tumorales. Los datos generales de los 635 pacientes en el conjunto de validación cruzada y el conjunto de validación externa se muestran en la Tabla 1, y la información detallada se incluye en el archivo adicional 2: Tabla S1.

La bilis extraída del conducto biliar se obtuvo principalmente durante la CPRE, la PTC o la cirugía. Ninguno de los pacientes con cáncer recibió quimioterapia antes de la intervención colangiográfica o del tratamiento quirúrgico. Se recogieron aproximadamente de 1 a 6 ml de bilis (un promedio de 3 ml) y se transfirieron a un tubo estéril cada vez. Las muestras de bilis y suero se enviaron en hielo inmediatamente después de su obtención, seguido de una centrifugación a 3000 × g durante 15 minutos a 4 °C, y los sobrenadantes se recogieron y almacenaron a -80 °C hasta la prueba.

Brevemente, las proteínas de la bilis y el sobrenadante celular se extrajeron y cuantificaron con la prueba de Brandford, seguida de alquilación y digestión enzimática. Luego, los péptidos de la bilis digeridos con tríptico se marcaron con el kit de reactivos iTRAQ de acuerdo con el protocolo del fabricante, pero no con péptidos del sobrenadante celular digeridos con tríptico. Luego, los péptidos procesados de la bilis y el sobrenadante de células se realizaron mediante separación fuera del gel y análisis nano-LC-MS/MS. Se utilizó un instrumento LC de nanoflujo EASY-Nlc 1000 acoplado a un espectrómetro de masas de alta resolución (Q Exactive Plus, Thermo Fisher Scientific) para el análisis LC-MS/MS, la muestra se inyectó en una columna trampa de frita de túnel y los analitos atrapados Luego se separaron mediante una columna analítica y los péptidos separados se identificaron y seleccionaron para la adquisición dependiente de los datos debido a su carga eléctrica. Después de obtener estos datos del experimento, MaxQuant (versión 1.6) analizó los archivos sin procesar y luego se identificaron como proteínas correspondientes en comparación con las de la base de datos de secuencias de proteínas humanas Swiss-Prot (actualizada el 2/2019, 20,413 secuencias de proteínas). La tasa de descubrimiento falso de proteínas fue inferior al 1% (FDR <1%) tanto a nivel de proteínas como de péptidos, y se identificaron al menos dos péptidos para su posterior procesamiento de datos.

Las proteínas de la bilis se extrajeron mediante precipitación con acetona. Luego, la solución de proteína se separó mediante SDS/PAGE, se transfirió a una membrana de PVDF y se incubó durante la noche a 4 °C con anticuerpos anti-CLU de conejo (1:1000, señalización celular) o anti-GAPDH de ratón (1:2000, Proteintech). . Posteriormente, la membrana se incubó con un anticuerpo secundario de IgG anti-ratón o anti-conejo de cabra (1:2000, señalización celular) y luego se visualizó con detección por quimioluminiscencia. La RT-PCR se realizó de acuerdo con las instrucciones proporcionadas por el fabricante utilizando el kit qRT-PCR (Thermo, EE. UU.). Los cebadores de PCR directos e inversos para CLU fueron 5′-GAGCAGCTGAACGAGCAGTTT-3 ′ y 5′-CTTCGCCTTGCGTGAGGT-3 ′ respectivamente; mientras que para GAPDH, el cebador directo fue 5′-CCATCACCAT CTTCCAGG-3 ′, y el inverso fue 5′-ATGAGTCCTTCCACGATAC-3′. Los niveles de expresión relativos del ARNm de CLU se compararon con GAPDH utilizando el valor 2-ΔΔCt. Cada experimento fue repetido tres veces.

Se adquirió un portaobjetos de colangiocarcinoma TMA (que contiene 90 tejidos de CCA y 31 tejidos de conductos biliares interlobulillares) de Shanghai Outdo Biotech Co. Ltd. (Shanghai, China). Se utilizaron un kit de tinción inmunoquímica (MXB, KIT-5002) y anticuerpos anti-CLU de conejo (1:400, señalización celular) para la tinción IHC. Las imágenes fueron analizadas por el software Image pro plus 6.0. La intensidad de la expresión de CLU fue juzgada de forma independiente por dos patólogos experimentados sin conocer ningún dato clínico y patológico. Su intensidad de tinción se dividió en 4 grados: 0 representó expresión negativa (negativo), 1 representó expresión débil (débil), 2 fue expresión moderada (moderada) y 3 fue expresión fuerte (fuerte). Finalmente, las expresiones negativas, moderadas y débiles (0-2 puntos) se definieron como expresión baja, y la expresión fuerte (3 puntos) se definió como expresión alta.

Los kits ELISA se utilizaron para detectar el nivel de CLU (E-TSEL-H0014, Elabscience) y CA19-9 (E-EL-H0637c, Elabscience) en la bilis o el suero. Primero, la solución de trabajo del estándar de referencia y las muestras se agregan a la placa Micro ELISA y luego, la solución de trabajo de Ab de detección biotinilada se agrega inmediatamente y se incuba a 37 °C durante 90 min. Luego aspire o decante la solución de cada pocillo, agregue tampón de lavado a cada pocillo y agregue la solución de trabajo del conjugado HRP a cada pocillo, luego incube durante 30 minutos a 37 °C. Después de lavar nuevamente, agregue reactivo de sustrato a cada pocillo e incube durante aproximadamente 15 a 20 minutos a 37 °C. Finalmente, agregue una solución de parada a cada pocillo y determine la densidad óptica (valor OD) de cada pocillo a la vez con un lector de microplacas configurado a 450 nm. La bilis y el suero debían diluirse antes de la prueba y, para medir el nivel de CLU, la bilis y el suero se diluían 100 y 5000 veces, respectivamente; para medir el nivel de CA199, la bilis y el suero se diluyeron 10.000 y cinco veces, respectivamente.

Nuestro método de aprendizaje profundo se dividió principalmente en tres pasos: selección de funciones, capacitación para establecer el mejor panel de diagnóstico y validación externa. En primer lugar, se construyó un modelo de predicción de clasificación utilizando el método de bosque aleatorio (RF) en el conjunto de validación cruzada. Con base en el método de clasificación de validación cruzada diez veces, los datos de 64 características de 376 pacientes se dividieron en diez partes, dos de ellas se usaron para la cohorte de prueba y ocho de ellas se usaron para la cohorte de entrenamiento. Luego, se utilizó el método del operador de selección y contracción mínima absoluta (LASSO) para seleccionar el mejor panel de diagnóstico basándose en el criterio de que el valor de predicción del número mínimo de características de alto rango era el mismo para todas las características, y el valor de predicción era principalmente evaluado mediante algunas métricas populares, como el valor AUC, la precisión (ACC), la especificidad y la sensibilidad. Finalmente, el panel de aprendizaje profundo fue evaluado mediante un conjunto de validación externo para obtener un rendimiento de clasificación sólido. El bosque aleatorio y LASSO se realizaron en glmnet versión 4.1–3.

Las variables continuas se expresaron como mediana (rango intercuartílico) o media ± DE (desviación estándar) y se compararon mediante la prueba U de Mann-Whitney o la prueba t de Student. Las variables categóricas se expresaron como tasa y se compararon entre sí mediante la prueba de chi-cuadrado. La expresión de la misma proteína en diferentes fluidos corporales se comparó mediante la prueba de suma de rangos de partidos. Se utilizaron curvas de características operativas del receptor (ROC) para evaluar el rendimiento diagnóstico de los marcadores o paneles y establecer niveles de corte, utilizando el índice de Youden. El área bajo la curva (AUC) se calculó mediante el método trapezoidal, la sensibilidad, especificidad y precisión (ACC) se calcularon mediante tablas de contingencia estándar de 2 × 2, y un valor mayor representó un mejor rendimiento diagnóstico. Se utilizó el análisis de la curva de decisión (DCA) para comparar el valor diagnóstico de diferentes modelos o marcadores de diagnóstico clínico. Se utilizó el algoritmo de incrustación de vecinos estocásticos distribuidos en t (tSNE) para evaluar visualmente los efectos del modelo de diagnóstico. Los valores de p inferiores a 0,05 se consideraron estadísticamente significativos. Todos los análisis se realizaron con SPSS Statistics 20, GraphPad Prism versión 7.0 y R versión 4.1.0 (R Foundation for Statistical Computing; http://www.R-project.org).

Se utilizó proteómica del sobrenadante de células y bilis para seleccionar biomarcadores candidatos a CCA (Fig. 1A). En la proteómica de la bilis, se identificaron 1585 proteínas y se examinaron 167 proteínas expresadas diferencialmente según el estándar de cambio de veces ≥ 5,0 o ≤ 0,2 en comparación entre CCA y enfermedades biliares benignas, incluidas 130 proteínas reguladas positivamente y 37 proteínas reguladas negativamente (Fig. 1A , B y archivo adicional 2: Tabla S2). El análisis de anotaciones realizado por Gene Ontology (GO) y la Enciclopedia de Genes y Genomas de Kyoto (KEGG) mostró que estas proteínas expresadas diferencialmente estaban relacionadas principalmente con la tumorigénesis y las interacciones entre células, incluida la vía de señalización de quimiocinas, la regulación de la vía de señalización apoptótica y endocitosis (Fig. 1C y archivo adicional 1: Fig. S2A).

Identificación de proteínas expresadas diferencialmente en bilis y sobrenadante de células. A El diagrama de flujo de detección de marcadores candidatos de CCA mediante proteómica de sobrenadante de células y bilis. B El mapa de calor de proteínas expresadas diferencialmente en la bilis de CCA y enfermedades biliares benignas mediante análisis LC-MS/MS; N1-N4 representó la bilis de cuatro pacientes con enfermedades biliares benignas, y T1-T5 representó la bilis de cinco pacientes con CCA. Dendrograma de cuerdas CA de la agrupación de proteínas expresadas diferencialmente en la bilis mediante análisis KEGG. D El mapa de calor de proteínas expresadas diferencialmente en el sobrenadante celular. Dendrograma de cuerdas EA de las proteínas expresadas diferencialmente en el sobrenadante mediante análisis KEGG. Diagrama de FA Venn de 54 proteínas co-reguladas al alza en sobrenadante de cuatro líneas celulares CCA mediante análisis LC-MS/MS. G Las cinco proteínas co-reguladas al alza tanto en la bilis como en el sobrenadante de células, sus nombres de genes se enumeran a la derecha. Diagrama de HA Venn que muestra que la proteína CLU también estaba regulada positivamente en los datos proteómicos de otro grupo de bilis externo.

Se utilizó sobrenadante celular recolectado de cuatro líneas celulares CCA (TFK-1, HuCCT-1, RBE y HCCC-9810) y una línea celular epitelial biliar intrahepática humana (HIBEpiC) para el análisis cuantitativo sin etiquetas, y se utilizaron un total de 932 proteínas. Se encontraron expresiones expresadas de manera diferente, incluidas 273 proteínas reguladas positivamente y 659 proteínas reguladas negativamente (Fig. 1A, D y archivo adicional 2: Tabla S3). El análisis GO y KEGG indicó que estas proteínas expresadas diferencialmente se asociaron con la transducción de señales y la regulación inmune durante la progresión del tumor, incluida la interacción ECM-receptor, vesículas endocíticas y endocitosis (Fig. 1E y archivo adicional 1: Fig. S2B).

Hubo 54 proteínas elevadas en las líneas celulares CCA en comparación con la línea celular HIBEpiC (Fig. 1F). Se seleccionaron cinco proteínas cuando se cruzaban las proteínas reguladas positivamente en la bilis y el sobrenadante (Fig. 1G), incluidas CLU, COL6A1, GOLM1, QSOX1 e IGFBP1. Teniendo en cuenta el número limitado de nuestras muestras de bilis, otro conjunto de datos proteómicos de la bilis del estudio de Marut Laohaviroj et al. (bilis externa 1) [13]. Según el estándar de cambio de veces ≥ 1,5 en comparación entre CCA y no CCA, se identificaron 63 proteínas reguladas positivamente en la bilis externa 1, pero solo se encontró CLU elevada en la bilis externa 1 entre las cinco proteínas candidatas (Fig. 1H). Finalmente, se seleccionó CLU para estudios adicionales.

El nivel de CLU en CCA se verificó en muestras clínicas y células. Se recogieron dieciséis muestras de bilis (8 de CCA y 8 de enfermedades biliares benignas) para verificar el nivel de proteína de CLU. Como se muestra en la Fig. 2A, el nivel de proteína CLU en CCA fue mayor y hubo poca o ninguna expresión en la bilis de enfermedades biliares benignas. Se utilizó una micromatriz de tejido (TMA) que contenía 121 muestras de tejido quirúrgico para la tinción inmunohistoquímica, incluidos 90 tejidos de CCA y 31 tejidos de conductos biliares interlobulillares (archivo adicional 1: Fig. S3). CLU se ubicó principalmente en el citoplasma (Fig. 2B). Entre los 90 tejidos CCA, 89 fueron positivos para CLU (98,9%). Los casos de tinción tumoral positiva se dividieron en expresión débil, moderada y fuerte, lo que resultó en 4 (4,5%) casos, 36 (40,4%) casos y 49 (55,1%) casos, respectivamente. En los 31 tejidos de los conductos biliares interlobulillares, hubo 12 (38,7%) casos de tinción negativa. El análisis de las imágenes de inmunohistoquímica mostró que el nivel de CLU en CCA fue significativamente mayor (p <0,001) (Fig. 2B). El análisis de supervivencia de Kaplan-Meier indicó que los pacientes con ACC con un nivel alto de CLU tuvieron un tiempo de supervivencia general (SG) más corto (p <0,0001) y un tiempo de supervivencia libre de recaída (SLR) más corto (p <0,001) (Fig. 2C, D). Sin embargo, no hubo asociación entre los niveles de CLU en los tumores CCA y el estadio TNM, la invasión vascular, la afectación de los ganglios linfáticos y las metástasis (p > 0,05). En conjunto, la alta expresión de CLU podría promover la progresión de CCA.

La sobreexpresión de CLU en CCA. Un análisis de inmunotransferencia de CLU en bilis de 8 pacientes con CCA y 8 pacientes con enfermedades biliares benignas. B Imágenes de inmunohistoquímica representativas y el nivel de expresión de CLU en tejidos CCA y tejidos de conductos biliares interlobulares (normal); la flecha roja apunta al conducto biliar interlobulillar. C, D Las curvas de supervivencia general (SG) y supervivencia libre de recaída (SLR) de CLU en CCA; el azul representa baja expresión y el naranja representa alta expresión. E, F Análisis de inmunotransferencia de CLU en células y sobrenadante de células de cuatro líneas celulares CCA y la línea celular HIBEpiC. G El nivel de ARNm de CLU en cuatro líneas celulares CCA y en la línea celular HIBEpiC. H, I Análisis de inmunotransferencia de CLU en células y sobrenadante de células de cinco células CCA primarias y células HIBEpiC. J El nivel de ARNm de CLU en cinco células CCA primarias y células HIBEpiC. *p < 0,05, **p < 0,01, ***p < 0,001

Como se muestra en la figura 2E-G, los niveles de proteína CLU y ARNm se expresaron altamente en cuatro líneas celulares CCA (p <0,05). Hemos extraído con éxito cinco células CCA primarias de tejidos posoperatorios y también se sobreexpresó CLU en ellas (Fig. 2H-J).

Para verificar marcadores potenciales entre CLU biliar y CLU sérico, se recolectaron 40 casos de bilis y sangre de pacientes con ACC o enfermedades biliares benignas y 40 casos de sangre de donantes sanos para estudios piloto (Fig. 3A). Como se muestra en la Fig. 3B, C, la abundancia de CLU en el suero y la bilis fue mayor en CCA en comparación con el grupo de control. La abundancia de CLU en el suero fue particularmente alta, con un nivel medio incluso en donantes sanos de 94.251,6 (83.887,5, 107.707,6) ng/ml. Sin embargo, la mediana de CLU biliar incluso en CCA fue solo de 154,6 (73,7, 5945,9) ng/mL (archivo adicional 2: Tabla S4), significativamente más baja que los niveles en sangre (p <0,001). Las proteínas muy abundantes no son adecuadas como marcadores de diagnóstico debido a su baja sensibilidad [4]. Por lo tanto, se identificó la CLU biliar como un biomarcador de diagnóstico satisfactorio para ACC.

Ensayo ELISA y análisis ROC de CLU o CA19-9 en la bilis y el suero. Resumen AA de la cohorte de pacientes utilizada para el estudio piloto de CLU. B Análisis ELISA de CLU en suero de 40 pacientes con CCA, 40 pacientes con enfermedades biliares benignas y 40 donantes sanos. Análisis C ELISA de CLU en bilis de 40 pacientes con CCA y 40 pacientes con enfermedades biliares benignas. Resumen DA de la cohorte de pacientes utilizada para el estudio piloto de CA19-9. E, F Análisis ELISA de CA19-9 en el suero y bilis de 40 pacientes con CCA y 40 pacientes con enfermedades biliares benignas. Resumen GA de la cohorte de pacientes en el conjunto de validación cruzada. H, I Análisis ELISA de CLU biliar y CA19-9 sérico de 144 pacientes con CCA y 232 pacientes sin CCA. J Las curvas ROC de CLU biliar, CA19-9 sérico y CLU&CA19-9; la curva azul representa CLU, la curva verde representa CA19-9 y la curva roja representa CLU&CA19-9; los datos significan AUC (IC del 95%). K La precisión (ACC), sensibilidad y especificidad de CLU biliar, CA19-9 sérico y CLU&CA19-9. *p < 0,05, **p < 0,01, ***p < 0,001

CA19-9 se encuentra tanto en el suero como en la bilis (Fig. 3D). Como se muestra en la Fig. 3E, F, el nivel de CA19-9 en la bilis o el suero fue mayor en CCA. En el grupo de ACC y enfermedad biliar benigna, su mediana en bilis fue de 280.276,9 (130.513,2, 906.704,6) UI/mL y 177.343,8 (65.142,4, 476.812,0) UI/mL, respectivamente, pero en el suero fue de 81,1 (37,0, 389,0) UI /mL y 23,4 (9,0, 59,9) UI/mL, respectivamente (archivo adicional 2: Tabla S4), significativamente más bajos que los niveles en la bilis (p <0,001). Del mismo modo, el CA19-9 en el suero resultó más adecuado como biomarcador de diagnóstico para CCA.

Después de eso, un total de 376 pacientes fueron incluidos en el conjunto de validación cruzada para su posterior estudio (Fig. 3G). Como se muestra en la Fig. 3H, J, la abundancia de CLU biliares en CCA fue mayor y el análisis ROC mostró una capacidad de diagnóstico satisfactoria con un AUC de 0,852 (IC del 95%: 0,806 a 0,899) (sensibilidad del 73,6%, especificidad del 90,1%). ). La CLU biliar en CCA fue significativamente mayor que en las enfermedades biliares benignas y los cánceres no relacionados con CCA, y tampoco hubo diferencias estadísticas en la concentración de CLU biliar entre los controles malignos y los controles no malignos (p = 0,23) (archivo adicional 1: Fig. S4A ), y no hubo correlación entre el nivel de CLU biliar y la edad (p = 0,60) o los estadios del tumor en pacientes con ACC (rs = − 0,104, p = 0,260) (archivo adicional 1: Fig. S4B). Al comparar los niveles de CLU biliar entre pacientes con enfermedades crónicas del tracto biliar y aquellos con enfermedades no crónicas del tracto biliar, no se encontró ninguna diferencia estadística entre ellos (archivo adicional 1: Fig. S4C). Además, no hubo diferencias en el nivel de CLU biliar entre los pacientes con ACC asociada a litiasis (n = 20) y los pacientes con ACC única (p = 0,26), pero se encontró una diferencia significativa entre los pacientes con ACC asociada a litiasis y los pacientes con colangiolitiasis (p < 0,001)(Archivo adicional 1: Fig. S4D). Los resultados anteriores indicaron que no hubo asociación entre las concentraciones de CLU biliares y las afecciones crónicas del tracto biliar.

La abundancia de CA19-9 sérico fue mayor en CCA y su valor de AUC fue de 0,783 (IC del 95%: 0,735 a 0,830) (sensibilidad del 84,7%, especificidad del 66,8%) (Fig. 3I, J). Debido al hecho de que la CLU biliar tenía una alta especificidad y una sensibilidad baja, mientras que CA19-9 era todo lo contrario, consideramos establecer un modelo que contenga CLU biliar y CA19-9 sérico para una mayor precisión. Como se muestra en la Fig. 3J, el valor diagnóstico aumentó significativamente en el modelo CLU&CA19-9 con un AUC de 0,891 (IC del 95%: 0,855 a 0,928), mucho más alto que el de sus dos miembros individuales. Su sensibilidad y especificidad mejoraron al 84,0% y 81,9%, respectivamente (Fig. 3K) (archivo adicional 3: Tabla S5), lo que indica un mejor rendimiento diagnóstico.

El rendimiento diagnóstico de un biomarcador se puede mejorar combinándolo con diferentes tipos de biomarcadores circulantes. Los datos de cada paciente utilizados para el aprendizaje automático contenían CLU biliar y 63 características séricas. En el conjunto de validación cruzada, las 30 características principales se seleccionaron según su precisión (la izquierda) y el índice de Gini (la derecha) mediante bosque aleatorio (RF) (Fig. 4A), y CLU, CA19-9 y bilirrubina. contribuyó más al modelo de RF. Sus valores de diagnóstico se identificaron mediante análisis ROC (archivo adicional 3: Tabla S6), y solo las 10 características principales tuvieron valores AUC satisfactorios, incluidos CLU, CA19-9, DBIL, IBIL, ALP, TBIL, GGT, TG, LDLC y Por determinar. Una baja correlación entre diferentes biomarcadores podría potenciar el contenido del mensaje y mejorar el rendimiento diagnóstico [14]. La matriz de correlación entre los 10 marcadores mostró que existía una alta correlación entre TBIL, DBIL e IBIL (r > 0,5, p < 0,001), lo que podría explicarse por su relación clínica, similar al mismo principio aplicado a la alta correlación. entre GGT y ALP (r > 0,5, p < 0,001) (Fig. 4B). Los otros marcadores tuvieron bajas correlaciones entre sí (p <0,05).

El desarrollo del panel de diagnóstico mediante aprendizaje automático. A Las 30 características mejor clasificadas se examinaron mediante un modelo de bosque aleatorio y se clasificaron según su precisión (izquierda) y el índice de Gini (derecha); las características más cercanas a la esquina superior derecha eran más importantes. B La matriz de correlación entre las 10 características principales, incluidas CLU, CA19-9, DBIL, IBIL, ALP, TBIL, GGT, TG, LDLC y TBA; los números representan el coeficiente de correlación (r) entre las dos características. Curvas C ROC del panel de siete y sus miembros; los datos significan AUC (IC del 95%). D análisis tSNE de los siete paneles; el azul representa CCA y el rosa representa no tumoral. E El análisis DCA de los siete paneles, CLU y CA19-9; el verde representa CA19-9, el azul representa CLU y el rojo representa los siete paneles. F Curva ROC del panel de siete en el conjunto de validación externa; los datos significan AUC (IC del 95%). AUC es el área bajo la curva. r ≥ 0,8 representa una correlación alta, 0,5 ≤ r < 0,8 representa una correlación fuerte, 0,3 ≤ r < 0,5 representa una correlación débil y r < 0,3 representa ninguna correlación

Una selección óptima del número de características es fundamental para establecer un modelo de clasificación. Según los 10 marcadores seleccionados principales, se aplicó el método LASSO para establecer un modelo de clasificación óptimo (archivo adicional 1: Fig. S5A). Finalmente, se identificó que el modelo de diagnóstico óptimo era el de siete paneles, incluidos CLU, CA19-9, IBIL, GGT, TG, LDLC y TBA, y hubo poca o ninguna correlación (r < 0,5) entre los siete biomarcadores ( Figura 4B). Como se muestra en la Fig. 4C, el modelo de siete paneles tuvo un valor de AUC mucho más alto (AUC: 0,947, IC del 95%: 0,925 a 0,968), y su sensibilidad y especificidad mejoraron al 90,3% y al 84,9%, lo que indica una gran precisión diagnóstica (ACC de 87,0%) (archivo adicional 3: Tabla S5), y el modelo de siete paneles no tuvo correlación con el estadio TNM (p = 0,410), metástasis en los ganglios linfáticos (p = 0,537) y metástasis a distancia (p = 0,537).

Se utilizó el algoritmo tSNE para simplificar la compleja matriz de confusión, que puede ayudarnos a visualizar y comprender intuitivamente la distribución de las enfermedades. El resultado tSNE del panel de siete mostró que el grupo CCA y el grupo de control formaron grupos diferentes (Fig. 4D), lo que indica que incluso en condiciones de visualización, el panel de siete también podía distinguir bien el CCA. Se utilizó el análisis de la curva de decisión (DCA) para observar el desempeño clínico de CLU, CA19-9 y el panel de siete, y el resultado mostró que el panel de siete impulsó más beneficios clínicos generales al diferenciar el CCA (Fig. 4E).

Para evaluar más a fondo la estabilidad y confiabilidad del modelo de siete paneles, lo aplicamos a un conjunto de validación externa independiente de 259 pacientes, incluidos 87 pacientes con ACC y 172 pacientes con enfermedades no relacionadas con ACC (Tabla 1). En el conjunto de validación externa, el panel de siete realizó una capacidad de predicción satisfactoria con un AUC de 0,925 (Fig. 4F), logrando una sensibilidad del 87,4% y una especificidad del 83,7% (archivo adicional 3: Tabla S5). El análisis tSNE y DCA también mostró un poder de diagnóstico perfecto (archivo adicional 1: Fig. S5B y 5C). En resumen, estos resultados sugirieron que el panel de siete podría diagnosticar con precisión el ACC y satisfacer las necesidades reales de la toma de decisiones clínicas.

Para facilitar el uso de este modelo en la práctica clínica, establecimos un modelo en línea fácil de usar en la Plataforma de Predicción de Enfermedades Digitales de China (CPDDD) (disponible en: http://cppdd.cn/CCA/). Los usuarios solo necesitan ingresar los valores específicos de los siete biomarcadores y luego hacer clic en el botón "Enviar" (Fig. 5). Después del cálculo, el modelo mostraría una conclusión sobre si este paciente tiene ACC o no con un porcentaje de probabilidad. Los usuarios deben volver a verificar las unidades para garantizar resultados correctos.

El sitio web de diagnóstico de CCA. A Pacientes con enfermedades del tracto biliar que buscan ayuda médica. B Interfaz web sencilla para introducir el valor de los siete marcadores. C La página de resultados del sitio web en línea; el riesgo de ACC se expresó como porcentajes de probabilidades

En este estudio, descubrimos de forma innovadora un nuevo biomarcador de diagnóstico CLU para CCA mediante proteómica. Para mejorar su precisión diagnóstica, se utilizaron algoritmos de aprendizaje profundo para desarrollar un modelo de diagnóstico compuesto por biomarcadores de bilis y suero (Fig. 6). Hasta ahora, este es el estudio más grande y completo que combina biomarcadores biliares y séricos para diferenciar CCA.

El flujo de trabajo general para establecer un modelo de siete paneles y una plataforma de predicción en línea para CCA

Diagnosticar con precisión la ACC siempre ha sido un gran dolor y es urgente buscar nuevos métodos de diagnóstico. La alta heterogeneidad de CCA puede conducir a resultados inexactos de la proteómica basada en tumores primarios, pero los fluidos corporales que reflejan cambios globales en el estado fisiopatológico son una gran fuente para buscar marcadores de diagnóstico novedosos y confiables [15]. Además, las proteínas de la bilis son abundantes y relativamente fáciles de detectar, por lo que identificar las proteínas expresadas de forma diferente en la bilis resultó ser una buena estrategia para buscar nuevos biomarcadores de diagnóstico.

Durante la etapa de descubrimiento, se identificaron un total de 1585 proteínas en la proteómica biliar, una cantidad muy superior a la de estudios anteriores [16,17,18]. Estas proteínas expresadas de manera diferente se asociaron principalmente con la tumorigénesis, lo que indica especificidad por CCA. Para confirmar que las proteínas diferenciales en la bilis fueron realmente secretadas por células tumorales en lugar de células inflamatorias u otras células, realizamos proteómica del sobrenadante de células CCA y HIBEpiC, y considerando las limitaciones de los estudios de un solo centro, hemos citado la proteómica de la bilis. datos de otro estudio [13]. Finalmente, el análisis de tres datos proteómicos mostró que la proteína CLU era el biomarcador más adecuado para CCA.

La clusterina (CLU) es una chaperona molecular independiente de ATP activada por el estrés, normalmente secretada por las células y puede promover el desarrollo del cáncer al regular la proliferación, la apoptosis y el ciclo celular. Se expresa altamente en varios cánceres, incluidos el de esófago, próstata y mama [19, 20]. Aunque Li et al. realizaron la inmunohistoquímica de CLU en 13 casos de tejidos de ACC, no realizaron más estudios [21], y este estudio fue el primero en explorar profunda y exhaustivamente su capacidad de diagnóstico en ACC. En este estudio, se identificó la sobreexpresión de CLU en CCA en líneas celulares, células primarias y muestras clínicas. También encontramos una estrecha correlación entre el pronóstico de CLU y CCA. Actualmente, el marcador diagnóstico de colangiocarcinoma más utilizado en la práctica clínica es el CA19-9, aunque su efecto diagnóstico es moderado [22].

Estudios anteriores han señalado que el CLU sérico se puede utilizar para el diagnóstico del cáncer [23, 24]. Antes de verificar la utilidad diagnóstica de CLU para CCA, se realizaron estudios piloto para identificar su nivel de expresión en diferentes tipos de especímenes. Los resultados mostraron que el CLU en el suero era particularmente notable, mientras que su abundancia en la bilis era relativamente baja. La principal razón probable es que, además de secretarse en los colangiocitos, la CLU también se secreta en el suero desde otros órganos, como el cerebro, el corazón, el hígado, los pulmones y la próstata [25, 26]. Sin embargo, las proteínas de alta abundancia son menos sensibles para el diagnóstico y las proteínas de baja abundancia son todo lo contrario [4]. Por lo tanto, se seleccionó la CLU biliar como un posible marcador de diagnóstico para ACC. CLU es una proteína secretada que los tejidos pueden secretar a los fluidos corporales [27], y este estudio indica que CLU se sobreexpresa en tejidos CCA; Además, la bilis es el líquido corporal adyacente a los tejidos de CCA, por lo que las concentraciones elevadas de CLU en la bilis en pacientes con CCA pueden ser secretadas por los tejidos cancerosos. Varios estudios que utilizaron proteómica encontraron una serie de proteínas expresadas diferencialmente específicas para CCA en la bilis, como Mac-2BP, SSP411 y AAT, pero debido a su pequeño tamaño de cohorte de validación (26 a 54 sujetos con CCA) y a que solo utilizan un único marcador. , su capacidad de diagnóstico era limitada [13, 28, 29]. En nuestro estudio, se inscribieron un total de 644 sujetos para identificar el valor diagnóstico de la CLU biliar y el CA19-9 sérico, y el análisis ROC mostró que la CLU biliar era significativamente superior a la capacidad diagnóstica de CA19.9 (prueba de DeLong, p <0,05). ). CLU tenía una buena especificidad pero carecía de sensibilidad, mientras que CA19-9 era todo lo contrario debido a su alta expresión en algunas enfermedades biliares benignas. Pero combinarlos en un panel mejoró el valor diagnóstico de ACC, y hubo 33 pacientes con ACC con antígeno de Lewis negativo (CA19-9 < 40 UI/ml), de los cuales el 81,8 % (27 pacientes) tenían CLU elevado en líquido biliar. En conclusión, el valor diagnóstico de dos indicadores que se compensan mutuamente se puede mejorar significativamente combinándolos.

Durante el desarrollo de CCA, varios indicadores en la sangre, como las transaminasas y la bilirrubina, cambian, pero carecen de especificidad de CCA y también cambian de manera similar en otras enfermedades biliares [30]. Cada biomarcador en la sangre y la bilis refleja las características únicas del paciente y sospechamos que la combinación de varios tipos diferentes de biomarcadores puede resultar en una mejor herramienta de diagnóstico. El aprendizaje profundo siempre se utiliza para aprender patrones lógicos mediante el análisis de datos masivos con algoritmos matemáticos y para realizar modelos de predicción. En los últimos años, el aprendizaje profundo se ha utilizado ampliamente en los modelos de predicción de pronóstico y diagnóstico del cáncer y se ha identificado que mejora la precisión de la predicción de la recurrencia y la supervivencia del cáncer [31]. En este trabajo, se utilizó el aprendizaje profundo para construir un modelo de diagnóstico que consta de CLU biliares y otros marcadores séricos.

Para establecer un panel de diagnóstico de marcadores múltiples, cada marcador debe tener poder de diagnóstico y no debe correlacionarse entre sí, para garantizar que cada marcador posea información única sobre el estadio del paciente [32]. Con base en los criterios anteriores, se estableció un modelo de siete paneles a partir de 64 marcadores en el conjunto de validación cruzada por bosque aleatorio y el método LASSO. En comparación con sus componentes individuales, la capacidad de diagnóstico del modelo generado mejoró significativamente (prueba de DeLong, p < 0,05) y, en comparación con la combinación de CLU y CA19-9, el panel de siete tuvo un mejor poder de predicción con un aumento del AUC. de 0,891 a 0,947 (archivo adicional 3: Tabla S5). Como la mejor visualización de reducción de dimensiones disponible en este momento, tSNE puede ayudarnos a visualizar y comprender intuitivamente la distribución de la enfermedad [14]. El algoritmo tSNE mostró que el panel de siete podía distinguir visualmente CCA de manera efectiva, lo que indica que el algoritmo tSNE se puede aplicar a la salida de visualización del modelo de diagnóstico de CCA. Luego, el poder de predicción del modelo de siete paneles se validó en un conjunto de validación externo, que era completamente independiente del proceso de modelado.

El modelo de predicción contenía siete marcadores, incluidos CLU biliar, CA19-9, bilirrubina indirecta (IBIL), gamma-glutamil transferasa (GGT), colesterol unido a lipoproteínas de baja densidad (LDL-C), triglicéridos (TG) y ácidos biliares totales ( por determinar). La bilirrubina sérica incluye principalmente bilirrubina directa (DBIL), bilirrubina indirecta (IBIL) y bilirrubina total (TBIL), y a menudo están elevadas debido a deterioro de la función hepática u obstrucción biliar [33]. La gamma-glutamil transferasa (GGT) es una enzima del metabolismo del glutatión y la cisteína y es la prueba estándar de enzimas hepáticas que refleja colestasis y obstrucción de las vías biliares [34]. Los ácidos biliares totales (TBA) son el producto final del metabolismo del colesterol en el hígado y siempre aumentan durante las lesiones hepatocelulares o la obstrucción biliar [35]. En resumen, GGT, IBIL y TBA reflejaron estenosis biliares y siempre aumentan durante el desarrollo de ACC [36, 37]. El C-LDL se relacionó principalmente con las enfermedades cardiovasculares, pero en un estudio de cohorte prospectivo se encontró que los niveles de C-LDL estaban estrechamente asociados con la mortalidad por cáncer, lo que puede deberse a los niveles de colesterol [38]. El colesterol y sus metabolitos desempeñan un papel importante en la biología tumoral, especialmente en las vías de señalización oncogénica, la ferroptosis y el microambiente tumoral [39]. La acumulación de lípidos puede agravar la progresión tumoral a través de la señalización de AMP-quinasa y mTOR, y los TG desempeñan un papel insustituible en esta vía [40, 41]. En resumen, los siete biomarcadores están estrechamente relacionados con el desarrollo del cáncer.

Existen muchos métodos para distinguir la ACC de las estenosis biliares benignas, pero sus resultados son frustrantes (archivo adicional 3: Tabla S7). La colangiopancreatografía retrógrada endoscópica (CPRE) con fluoroscopia con citología con cepillo (CPRE-BC) (y/o biopsia con fórceps) o aspiración con aguja fina (PAAF) es la principal técnica de muestreo para identificar ACC, pero sus valores predictivos deficientes (sensibilidad agrupada de 6 a 65 %) a menudo se ven cuestionados por una cantidad insuficiente de muestras de tejido y la ubicación y el tamaño de la lesión [5, 42]. También se utilizaron proteínas séricas para el diagnóstico de ACC, como fetuina A fucosilada, CA50 y MMP-7 (sensibilidad combinada de 55,3 a 75 %, especificidad de 78 a 90 %) [43,44,45]. Las vesículas extracelulares en la bilis y el suero también se utilizaron para el diagnóstico de ACC, aunque con un valor de AUC deficiente (0,696–0,759) [46, 47]. Últimamente, también se utilizaron proteínas y ácidos nucleicos de la bilis para el diagnóstico de ACC, como la disminución de los ácidos biliares totales, la proteína CMA1 y MCM-5, pero su sensibilidad o especificidad era baja [48, 49]. En los métodos no invasivos, las proteínas y los exosomas en la orina también podrían usarse para distinguir CCA con un valor de AUC de 0,68 a 0,82 [50, 51]. Por el contrario, nuestro método podría distinguir mejor la CCA, proporcionando una opción de diagnóstico para pacientes que podrían no estar interesados en la cirugía, al tiempo que se suma a la herramienta de evaluación de CCA disponible actualmente.

El ACC es un tumor de rápido desarrollo y la técnica de recolección de bilis es muy exigente, y muchos estudios solo lograron inscribir un tamaño de cohorte pequeño, mientras que nosotros recolectamos una gran cantidad de muestras de bilis de dos centros. Además, este es el primer estudio que utiliza el aprendizaje profundo para combinar marcadores biliares y séricos para el diagnóstico de ACC. Finalmente, para su posterior aplicación, se creó en línea una plataforma de predicción fácil de usar para ACC.

También hubo algunas limitaciones en nuestro estudio. Esta población de estudio es enteramente china, y se llevará a cabo un estudio de cohorte más amplio que involucre a pacientes con ACC o enfermedades biliares benignas de múltiples centros médicos para verificar completamente la capacidad de diagnóstico de este modelo de diagnóstico y esforzarse por lograr una aplicación temprana en el diagnóstico clínico. Otra limitación es que es difícil recolectar bilis porque la CPRE y otros procedimientos quirúrgicos relacionados no están disponibles en todos los centros médicos, pero afortunadamente, estas técnicas se han vuelto más conocidas en los últimos años. Además, no se ha dilucidado el mecanismo oncogénico de CLU en ACC; por lo tanto, se necesitan experimentos con células y animales para explorarlo en una etapa posterior.

Hasta donde sabemos, este es el estudio más grande y completo que utiliza diferentes biomarcadores de fluidos corporales para distinguir eficientemente el CCA. Este estudio estableció un panel de diagnóstico de marcadores múltiples para ACC utilizando un proceso de descubrimiento-verificación-validación. Nuestros hallazgos sugieren que el modelo de siete paneles sería un método prometedor para predecir la aparición de ACC.

Los datos de proteómica de espectrometría de masas se enviaron al Consorcio ProteomeXchange a través del repositorio de socios de iProX con el identificador de conjunto de datos PXD043745.

Exactitud

Área bajo la curva

Antígeno de carbohidratos 19–9

Conducto biliar común

colangiocarcinoma

Grupo

Bilirrubina directa

Análisis de la curva de decisión.

Colangiopancreatografía retrógrada endoscópica

Gamma-glutamil transferasa

Conducto biliar intrahepático

Bilirrubina indirecta

Colesterol de lipoproteínas de baja densidad

Colangiografía transhepática percutánea

bosque aleatorio

Ácidos biliares totales

Bilirrubina total

triglicérido

micromatriz de tejido

Khan SA, Tavolari S, Brandi G. Colangiocarcinoma: epidemiología y factores de riesgo. Hígado Int. 2019;39(Suplemento 1):19–31.

Artículo PubMed Google Scholar

Banales JM, Marin JJG, Lamarca A, Rodrigues PM, Khan SA, Roberts LR, et al. Colangiocarcinoma 2020: el próximo horizonte en mecanismos y manejo. Nat Rev Gastroenterol Hepatol. 2020;17(9):557–88.

Artículo PubMed PubMed Central Google Scholar

Razumilava N, Gores GJ. Colangiocarcinoma. Lanceta. 2014;383(9935):2168–79.

Artículo PubMed PubMed Central Google Scholar

Voigtländer T, Metzger J, Husi H, Kirstein MM, Pejchinovski M, Latosinska A, et al. Perfiles de marcadores peptídicos en bilis y orina: claves de acceso a vías moleculares y procesos biológicos en el colangiocarcinoma. J Biomed Ciencias. 2020;27(1):13.

Artículo PubMed PubMed Central Google Scholar

Ney A, García-Sampedro A, Goodchild G, Acedo P, Fusai G, Pereira SP. Estenosis biliares y colangiocarcinoma: desenmarañando un enigma diagnóstico. Oncol frontal. 2021;11:699401.

Artículo CAS PubMed PubMed Central Google Scholar

Blechacz B, Gores GJ. Colangiocarcinoma: avances en patogénesis, diagnóstico y tratamiento. Hepatología. 2008;48(1):308–21.

Artículo CAS PubMed Google Scholar

Blechacz B, Komuta M, Roskams T, Gores GJ. Diagnóstico clínico y estadificación del colangiocarcinoma. Nat Rev Gastroenterol Hepatol. 2011;8(9):512–22.

Artículo PubMed PubMed Central Google Scholar

Nuzzo G, Giuliante F, Ardito F, Giovannini I, Aldrighetti L, Belli G, et al. Mejora en el resultado perioperatorio y a largo plazo después del tratamiento quirúrgico del colangiocarcinoma hiliar: resultados de un análisis multicéntrico italiano de 440 pacientes. Cirugía del Arco. 2012;147(1):26–34.

Artículo PubMed Google Scholar

Banales JM, Cardinale V, Carpino G, Marzioni M, Andersen JB, Invernizzi P, et al. Documento de consenso de expertos: colangiocarcinoma: conocimientos actuales y perspectivas futuras declaración de consenso de la Red Europea para el Estudio del Colangiocarcinoma (ENS-CCA). Nat Rev Gastroenterol Hepatol. 2016;13(5):261–80.

Artículo PubMed Google Scholar

Lankisch TO, Metzger J, Negm AA, Vosskuhl K, Schiffer E, Siwy J, et al. Los perfiles proteómicos biliares diferencian el colangiocarcinoma de la colangitis esclerosante primaria y la coledocolitiasis. Hepatología. 2011;53(3):875–84.

Artículo CAS PubMed Google Scholar

Liu Y, Sun J, Zhang Q, Jin B, Zhu M, Zhang Z. Identificación de la survivina biliar y el antígeno carbohidrato 199 para distinguir el colangiocarcinoma de la ictericia obstructiva benigna. Biomarca Med. 2017;11(1):11–8.

Artículo CAS PubMed Google Scholar

Rizvi S, Gores GJ. Patogenia, diagnóstico y tratamiento del colangiocarcinoma. Gastroenterología. 2013;145(6):1215–29.

Artículo CAS PubMed Google Scholar

Laohaviroj M, Potriquet J, Jia X, Suttiprapa S, Chamgramol Y, Pairojkul C, et al. Un análisis proteómico comparativo de la bilis para biomarcadores de colangiocarcinoma. Biol tumoral. 2017;39(6):1010428317705764.

Artículo PubMed Google Scholar

Wu N, Zhang XY, Xia J, Li X, Yang T, Wang JH. Máquina ratiométrica de ADN 3D combinada con un algoritmo de aprendizaje automático para la detección ultrasensible y de alta precisión de enfermedades urinarias tempranas. ACS Nano. 2021;15(12):19522–34.

Artículo CAS PubMed Google Scholar

Sun Y, Guo Z, Liu X, Yang L, Jing Z, Cai M, et al. Firmas de proteínas urinarias no invasivas asociadas con el diagnóstico y la metástasis del cáncer colorrectal. Comuna Nacional. 2022;13(1):2757.

Artículo CAS PubMed PubMed Central Google Scholar

Navaneethan U, Lourdusamy V, Gk Venkatesh P, Willard B, Sanaka MR, Parsi MA. Proteómica biliar para la diferenciación de estenosis biliares malignas de benignas: un estudio piloto. Representante de Gastroenterol (Oxf). 2015;3(2):136–43.

Artículo PubMed Google Scholar

Farid SG, Craven RA, Peng J, Bonney GK, Perkins DN, Selby PJ, et al. Proteómica de escopeta de la bilis humana en el colangiocarcinoma hiliar. Proteómica. 2011;11(10):2134–8.

Artículo CAS PubMed Google Scholar

Hijo KH, Ahn CB, Kim HJ, Kim JS. Análisis proteómico cuantitativo de la bilis en pacientes con colangiocarcinoma extrahepático. J Cáncer. 2020;11(14):4073–80.

Artículo CAS PubMed PubMed Central Google Scholar

Patarat R, Riku S, Kunadirek P, Chuaypen N, Tangkijvanich P, Mutirangura A, et al. La expresión de FLNA y CLU en PBMC como un nuevo marcador de detección de carcinoma hepatocelular. Representante de ciencia 2021;11(1):1

Artículo CAS PubMed PubMed Central Google Scholar

Guo W, Ma X, Xue C, Luo J, Zhu X, Xiang J, et al. La clusterina sérica como marcador tumoral y factor pronóstico en pacientes con cáncer de esófago. Marcadores de dis. 2014;2014:168960.

Artículo PubMed PubMed Central Google Scholar

Li Y, Liu F, Zhou W, Zhang S, Chu P, Lin F, et al. Valor diagnóstico de la inmunotinción con clusterina en el carcinoma hepatocelular. Diagnóstico Pathol. 2020;15(1):127.

Artículo CAS PubMed PubMed Central Google Scholar

Luo G, Jin K, Deng S, Cheng H, Fan Z, Gong Y, et al. Funciones de CA19-9 en el cáncer de páncreas: biomarcador, predictor y promotor. Biochim Biophys Acta Rev Cáncer. 2021;1875(2):188409.

Artículo CAS PubMed Google Scholar

Stejskal D, Fiala RR. Evaluación de la clusterina sérica y urinaria como posible marcador tumoral de cáncer de vejiga urinaria. Neoplasma. 2006;53(4):343–6.

CAS PubMed Google Académico

Mazzarelli P, Pucci S, Spagnoli LG. CLU y cáncer de colon. La doble cara del CLU: del fenotipo normal al maligno. Res. avanzada contra el cáncer. 2009;105:45–61.

Artículo CAS PubMed Google Scholar

Jones SE, Jomary C. Clusterin. Int J Biochem Cell Biol. 2002;34(5):427–31.

Artículo CAS PubMed Google Scholar

Praharaj PP, Patra S, Panigrahi DP, Patra SK, Bhutia SK. Clusterina como modulador de la carcinogénesis: una vía potencial para la terapia dirigida contra el cáncer. Biochim Biophys Acta Rev Cáncer. 2021;1875(2):188500.

Artículo CAS PubMed Google Scholar

Pucci S, Mazzarelli P, Nucci C, Ricci F, Spagnoli LG. CLU “dentro y fuera”: buscando un enlace. Res. avanzada contra el cáncer. 2009;105:93–113.

Koopmann J, Thuluvath PJ, Zahurak ML, Kristiansen TZ, Pandey A, Schulick R, et al. La proteína de unión a Mac-2 es un marcador de diagnóstico del carcinoma de vías biliares. Cáncer. 2004;101(7):1609–15.

Artículo CAS PubMed Google Scholar

Shen J, Wang W, Wu J, Feng B, Chen W, Wang M, et al. El perfil proteómico comparativo de la bilis humana revela que SSP411 es un nuevo biomarcador de colangiocarcinoma. Más uno. 2012;7(10):e47476.

Artículo CAS PubMed PubMed Central Google Scholar

Voigtländer T, Negm AA, Schneider AS, Strassburg CP, Manns MP, Wedemeyer J, et al. Colangitis esclerosante secundaria en pacientes críticos: el modelo de puntuación de enfermedad hepática terminal y función renal predice el resultado. Endoscopia. 2012;44(11):1055–8.

Artículo PubMed Google Scholar

Huang S, Yang J, Fong S, Zhao Q. Inteligencia artificial en el diagnóstico y pronóstico del cáncer: oportunidades y desafíos. Cáncer Lett. 2020;471:61–71.

Artículo CAS PubMed Google Scholar

Yang Z, LaRiviere MJ, Ko J, Till JE, Christensen T, Yee SS, et al. Un panel multianalito que consta de miARN y ARNm de vesículas extracelulares, ADNcf y CA19-9 muestra utilidad para el diagnóstico y la estadificación del adenocarcinoma ductal pancreático. Clin Cancer Res. 2020;26(13):3248–58.

Artículo CAS PubMed PubMed Central Google Scholar

Chen Z, Ma X, Zhao Y, Wang J, Zhang Y, Li J, et al. Decocción de Yinchenhao en el tratamiento de la colestasis: una revisión sistemática y un metanálisis. J Etnofarmacol. 2015;168:208–16.

Artículo PubMed Google Scholar

Neuman MG, Malnick S, Chertin L. Gamma glutamil transferasa: un marcador subestimado de enfermedades cardiovasculares y síndrome metabólico. J Pharm Pharm Ciencias. 2020;23(1):65–74.

Artículo PubMed Google Scholar

Wu L, Li W, Wang Z, Yuan Z, Hyder Q. Expresión del receptor farnesoide X inducida por ácidos biliares como base de la superioridad del drenaje biliar interno en la obstrucción biliar experimental. Scand J Gastroenterol. 2013;48(4):496–503.

Artículo CAS PubMed Google Scholar

Schizas D, Mastoraki A, Routsi E, Papapanou M, Tsapralis D, Vassiliu P, et al. Colangiocarcinoma hepatocelular combinado: una actualización sobre epidemiología, clasificación, diagnóstico y tratamiento. Enfermedad hepatobiliar del páncreas int. 2020;19(6):515–23.

Artículo CAS PubMed Google Scholar

Gao Y, Zhang H, Zhou N, Xu P, Wang J, Gao Y, et al. Las microvesículas derivadas de células tumorales cargadas con metotrexato pueden aliviar la obstrucción biliar en pacientes con colangiocarcinoma extrahepático. Ing. Nat Biomed. 2020;4(7):743–53.

Artículo CAS PubMed Google Scholar

Johannesen CDL, Langsted A, Mortensen MB, Nordestgaard BG. Asociación entre las lipoproteínas de baja densidad y la mortalidad por todas las causas y por causas específicas en Dinamarca: estudio de cohorte prospectivo. BMJ. 2020;371:m4266.

Artículo PubMed PubMed Central Google Scholar

Xu H, Zhou S, Tang Q, Xia H, Bi F. Metabolismo del colesterol: nuevas funciones y enfoques terapéuticos en el cáncer. Biochim Biophys Acta Rev Cáncer. 2020;1874(1):188394.

Artículo CAS PubMed Google Scholar

Xie H, Heier C, Kien B, Vesely PW, Tang Z, Sexl V, et al. La actividad de la lipasa de triglicéridos adiposos regula la proliferación de células cancerosas a través de la señalización de AMP-quinasa y mTOR. Biochim Biophys Acta Mol Cell Biol Lípidos. 2020;1865(9):158737.

Artículo CAS PubMed PubMed Central Google Scholar

Ma APY, Yeung CLS, Tey SK, Mao X, Wong SWK, Ng TH, et al. La supresión de la oxidación de ácidos grasos mediada por ACADM promueve el carcinoma hepatocelular a través de una señalización aberrante de CAV1/SREBP1. Res. Cáncer. 2021;81(13):3679–92.

Artículo CAS PubMed Google Scholar

Avadhani V, Hacihasanoglu E, Memis B, Pehlivanoglu B, Hanley KZ, Krishnamurti U, et al. Predictores citológicos de malignidad en el cepillado de las vías biliares: un análisis de múltiples revisores de 60 casos. Mod Pathol. 2017;30(9):1273–86.

Artículo CAS PubMed Google Scholar

Betesh L, Comunale MA, Wang M, Liang H, Hafner J, Karabudak A, et al. Identificación de fetuina-A fucosilada como posible biomarcador de colangiocarcinoma. Proteómica Clin Appl. 2017;11(9–10):1600141.

Artículo de Google Scholar

Luang S, Teeravirote K, Saentaweesuk W, Ma-In P, Silsirivanit A. Antígeno de carbohidratos 50: valores para el diagnóstico y predicción pronóstica del colangiocarcinoma intrahepático. Medicina (Kaunas). 2020;56(11):616.

Artículo PubMed Google Scholar

Leelawat K, Sakchinabut S, Narong S, Wannaprasert J. Detección de MMP-7 y MMP-9 séricas en pacientes con colangiocarcinoma: evaluación de la precisión diagnóstica. BMC Gastroenterol. 2009;9:30.

Artículo PubMed PubMed Central Google Scholar

Li L, Masica D, Ishida M, Tomuleasa C, Umegaki S, Kalloo AN, et al. La bilis humana contiene vesículas extracelulares cargadas de microARN que pueden usarse para el diagnóstico de colangiocarcinoma. Hepatología. 2014;60(3):896–907.

Artículo CAS PubMed Google Scholar

Arbelaiz A, Azkargorta M, Krawczyk M, Santos-Laso A, Lapitz A, Perugorria MJ, et al. Las vesículas extracelulares séricas contienen biomarcadores proteicos para la colangitis esclerosante primaria y el colangiocarcinoma. Hepatología. 2017;66(4):1125–43.

Artículo CAS PubMed Google Scholar

Albiin N, Smith ICP, Arnelo U, Lindberg B, Bergquist A, Dolenko B, et al. Detección de colangiocarcinoma con espectroscopia de resonancia magnética de bilis en pacientes con y sin colangitis esclerosante primaria. Acta Radiol. 2008;49(8):855–62.

Artículo CAS PubMed Google Scholar

Keane MG, Huggett MT, Chapman MH, Johnson GJ, Webster GJ, Thorburn D, et al. Diagnóstico de neoplasia maligna pancreaticobiliar mediante la detección de la proteína de mantenimiento del minicromosoma 5 en la citología con cepillo biliar. H. J. Cáncer. 2017;116(3):349–55.

Artículo CAS PubMed PubMed Central Google Scholar

Voigtländer T, Metzger J, Schönemeier B, Jäger M, Mischak H, Manns MP, et al. Una prueba proteómica combinada de bilis y orina para el diagnóstico de colangiocarcinoma en pacientes con estenosis biliares de origen desconocido. United European Gastroenterol J. 2017;5(5):668–76.

Artículo PubMed PubMed Central Google Scholar

Silakit R, Loilome W, Yongvanit P, Thongchot S, Sithithaworn P, Boonmars T, et al. MicroARN-192 y microARN-21 urinarios como indicadores potenciales del grupo de riesgo de colangiocarcinoma asociado a trematodos hepáticos. Parasitol Int. 2017;66(4):479–85.

Artículo CAS PubMed Google Scholar

Descargar referencias

Nos gustaría agradecer al Dr. Banchob Sripa (Departamento de Patología, Facultad de Medicina, Universidad de Khon Kaen) por la ayuda en proteómica biliar.

Este estudio fue apoyado por la Fundación Nacional de Ciencias Naturales de China (82060551), el Programa de Talento Clave de la Provincia de Gansu (2019RCXM077) y el Programa de Investigación Científica de la Industria de la Salud de la Provincia de Gansu (GSWSKY2020-11).

Long Gao, Yanyan Lin, Ping Yue y Shuyan Li contribuyeron igualmente a este trabajo.

Primera Escuela de Medicina Clínica, Universidad de Lanzhou, Lanzhou, 730030, Gansu, China

Long Gao, Yanyan Lin, Ping Yue, Yong Zhang, Ningning Mi, Mingzhen Bai, Wenkang Fu, Zhili Xia, Ningzu Jiang, Jie Cao, Yanni Ma, Fanxiang Zhang, Chao Zhang, Wenbo Meng y Xun Li

Departamento de Cirugía General, Primer Hospital de la Universidad de Lanzhou, Lanzhou, 730030, Gansu, China

Long Gao, Yanyan Lin, Ping Yue, Yong Zhang, Ningning Mi, Mingzhen Bai, Wenkang Fu, Zhili Xia, Ningzu Jiang, Wenbo Meng y Xun Li

Laboratorio clave de terapia biológica y transformación de la medicina regenerativa de la provincia de Gansu, Lanzhou, 730030, Gansu, China

Yanyan Lin, Ping Yue, Yong Zhang, Wenbo Meng y Xun Li

Escuela de Ingeniería e Información Médica, Universidad Médica de Xuzhou, Xuzhou, 221004, Jiangsu, China

Shuyan Li

Centro de Investigación Clínica, Centro de Big Data, Séptimo Hospital Afiliado, Universidad Sun Yat-Sen, Shenzhen, 518107, Guangdong, China

Man Yang y Jinqiu Yuan

División de Gastroenterología, UC Davis Medical Center y Sacramento VA Medical Center, Sacramento, CA, 95817, EE. UU.

Joseph W. Leung

Departamento de Endoscopia, Centro Nacional del Cáncer/Centro Nacional de Investigación Clínica del Cáncer/Hospital del Cáncer, Academia China de Ciencias Médicas y Facultad de Medicina de la Unión de Pekín, Beijing, China

evitar él

También puedes buscar este autor en PubMed Google Scholar.

LG, YYL, SH y WBM: concepción y diseño del estudio. LG, PY, YZ, MZB, NZJ, JC, YNM, FXZ, MY, CZ y SH: recopilación de muestras y datos. LG, NNM, ZLX, SYL y JQY: análisis e interpretación de los datos. LG, YYL, WKF, JQY y WBM: redacción y revisión del manuscrito. PY, JWL, WBM y XL: soporte técnico o material. Todos los autores leyeron y aprobaron el manuscrito final.

Correspondencia a Shun He, Jinqiu Yuan o Wenbo Meng.

No aplica.

Los autores declaran que no tienen intereses en competencia.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Figura S1. Diseño del estudio. Figura S2. El proceso biológico (BP), el componente celular (CC) y la función molecular (MF) de agrupación de las proteínas expresadas diferencialmente en la bilis (A) y el sobrenadante (B) mediante análisis GO. Figura S3. Las imágenes de inmunohistoquímica de microarrays de tejido (TMA). Figura S4. (A) El nivel de expresión de CLU biliar en CCA, cánceres no CCA y enfermedades biliares benignas. (B) El nivel de expresión de CLU biliar en diferentes etapas TNM en pacientes con CCA. (C) El nivel de expresión de CLU biliar en cada enfermedad biliar benigna. (D) El nivel de expresión de CLU biliar en el grupo CCA asociado a litiasis, el grupo CCA único y el grupo litiasis. Figura S5. (A) Análisis de regresión de Lasso Cox de 10 marcadores candidatos. (B) y (C). Análisis tSNE y DCA en conjunto de validación externo.

La información detallada de los 635 pacientes en el conjunto de validación cruzada y el conjunto de validación externa. Tabla S2. Se identificaron 1585 proteínas en la proteómica biliar. Tabla S3. Se encontraron 932 proteínas expresadas de manera diferente en la proteómica del sobrenadante celular. Tabla S4. La abundancia de CLU y CA19-9 en suero o bilis en estudios piloto.

Tabla S5. Los valores diagnósticos de biomarcadores y paneles. Tabla S6. Los valores AUC de las 30 características principales. Cuadro S7. Otros métodos para el diagnóstico de ACC.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/. La exención de dedicación de dominio público de Creative Commons (http://creativecommons.org/publicdomain/zero/1.0/) se aplica a los datos disponibles en este artículo, a menos que se indique lo contrario en una línea de crédito a los datos.

Reimpresiones y permisos

Gao, L., Lin, Y., Yue, P. et al. Identificación de una nueva clusterina de marcadores biliares y una plataforma pública de predicción en línea basada en el aprendizaje profundo para el colangiocarcinoma. BMC Med 21, 294 (2023). https://doi.org/10.1186/s12916-023-02990-9

Descargar cita

Recibido: 01 de marzo de 2023

Aceptado: 20 de julio de 2023

Publicado: 08 de agosto de 2023

DOI: https://doi.org/10.1186/s12916-023-02990-9

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt