修回日期: 2024-09-26
接受日期: 2024-10-21
在线出版日期: 2024-10-28
消化系统肿瘤发病率及死亡率高, 即使目前对其诊治的方法不断增多, 但大多数仍不能被早期诊断, 且预后不良. 缺乏有效的生物标志物及治疗靶点是其不能早期诊断及进行有效治疗的原因. 随着蛋白质组学技术的不断发展, 蛋白质组学在探索肿瘤发生机制、寻找生物标志物和药物靶点等方面应用具有越来越重要的价值. 本文综述了蛋白质组学技术在消化系统肿瘤生物标志物筛查中的应用进展, 为消化系统肿瘤的早期诊断、预后判断及治疗提供新的思路.
核心提要: 近年来随着高通量蛋白质组学技术的不断发展, 其在寻找肿瘤生物标志物方面的应用逐渐增多. 本文汇总阐述了近些年基于蛋白质组学技术发现的潜在消化系统肿瘤生物标志物, 为肿瘤早诊早治、预后判断等提供新思路.
引文著录: 蔡晓晗, 赵思琦, 张锴, 刘文天. 消化系统肿瘤标志物相关蛋白组学的研究进展. 世界华人消化杂志 2024; 32(10): 716-726
Revised: September 26, 2024
Accepted: October 21, 2024
Published online: October 28, 2024
The incidence and mortality of digestive system tumors are high. Even though the number of methods for tumor diagnosis and treatment is increasing, most of these tumors still cannot be diagnosed early, and their prognosis is poor. The lack of effective biomarkers and therapeutic targets is the reason why they cannot be diagnosed early and treated effectively. With the continuous development of proteomics technology, proteomics has become increasingly valuable in exploring the mechanisms of tumorigenesis and searching for biomarkers and drug targets. This article reviews the application progress of proteomics technology in screening of biomarkers for digestive system tumors, with an aim to provide new ideas for early diagnosis, prognosis, and treatment of digestive system tumors.
- Citation: Cai XH, Zhao SQ, Zhang K, Liu WT. Progress in research of proteomics related to digestive system tumor markers. Shijie Huaren Xiaohua Zazhi 2024; 32(10): 716-726
- URL: https://www.wjgnet.com/1009-3079/full/v32/i10/716.htm
- DOI: https://dx.doi.org/10.11569/wcjd.v32.i10.716
肿瘤是导致全球人类死亡的主要原因之一, 2022年全球估计近2000万新发癌症病例和970万癌症死亡病例[1], 其中消化系统肿瘤发病及死亡率居于前列. 据统计, 2022年胃肠道肿瘤占全球肿瘤发病率的24%, 占癌症相关死亡人数33.3%[1]. 肿瘤生物标志物是指在细胞、组织或体液中可测量的物质或分子, 可反映肿瘤的发生、发展和预后, 在肿瘤的早期诊断、治疗监测及预后评估等方面均有很重要的意义[2]. 目前DNA、RNA、蛋白质、外泌体、代谢物等都可作为生物标志物, 其中蛋白质分布在全身、随着机体功能状态的改变而动态变化, 且在含量极少的水平上就可被检测[3], 因此蛋白质作为生物标志物被广泛应用. 目前临床应用的肿瘤生物标志物灵敏度和特异性仍较低, 发现灵敏度和特异性更高的蛋白质分子标志物用于肿瘤的早期诊治是非常必要的.
蛋白质组一词最早是在1994年由澳大利亚科学家Wilkins和Williams提出[4], 指特定时间内细胞、组织或生物体中基因组表达的全部蛋白质. 蛋白质组学就是对这些蛋白质进行研究的学科, 研究蛋白质的结构、表达、功能、修饰及相互作用[5]. 由于蛋白质是生物体生命活动的主要执行者和体现者, 所以蛋白质组学能更直接的反映生命现象的本质, 更深入全面的揭示复杂的生命活动[6]. 随着蛋白质组学技术的不断进步, 其在探索疾病机制、药物靶点、生物标志物等方面展现出巨大发展前景. 因此, 本文重点总结了蛋白质组学在筛选食管癌、胃癌、结直肠癌、肝癌及胰腺癌等消化系统肿瘤生物标志物中的研究进展.
蛋白质组学技术可大致分为低通量技术和高通量技术. 低通量技术包括如蛋白质免疫印迹(western blot, WB)、免疫组织化学(immuno-histochemistry, IHC)、酶联免疫吸附测定(enzyme-linked immunosorbent assay, ELISA)等方法, 它们基于抗原抗体特异结合从而识别蛋白, 检测效率低, 且需对每种靶蛋白选择合适的抗体, 限制了鉴定蛋白的种类, 不可用于大规模蛋白的检测. 高通量技术包括如质谱(mass spectrometry, MS)分析、组织微阵列、蛋白质通路阵列等方法, 这些高通量方法提高了蛋白检测的速度、数量及质量. 其中MS在蛋白质组学中的应用不断增多, 其利用电磁学原理, 将待测定的肽段离子化, 根据离子质荷比(m/z)分离离子并生成质谱图, 将质谱图中的信息与蛋白数据库进行匹配从而识别蛋白质信息. 即使目前蛋白质组学技术取得很大进步, 我们仍需注意准确取样和标本制备问题, 一些体液标本如血液, 包含蛋白质种类多、目标蛋白含量少、个体差异大, 因此质谱可结合二维凝胶电泳(two-dimensional gel electrophoresis, 2-DE)技术、用于相对和绝对定量的同位素标签(isobaric tags for relative and absolute quantification, iTRAQ)技术、串联质量标签(tandem mass tags, TMT)技术、细胞培养稳定同位素标记(stable isotope labeling with amino acids in cell culture, SILAC)技术、同位素亲和标签(isotope-coded affinity tag, ICAT)技术、label-free技术等以提高筛选生物标志物的敏感性和特异性[3,7]. 其中2-DE可根据蛋白质等电点及分子量不同实现对蛋白质的分离, 但重复性差、费力、通量低, 对极端PH或分子量的蛋白质无法区分识别[8]; iTRAQ、TMT、SILAC和ICAT技术都属于标记定量技术, 大都通过使用化学品对样本中蛋白质和(或)多肽进行标记, 然后分析label-free技术属于非标记定量技术, 通过测量色谱峰面积并与质谱分析整合得到定量信息, 其与标记定量技术相比, 操作简单且成本低, 比标记方法提供了鉴定更多蛋白质的可能, 但准确性较差[2,6,9].
蛋白质组学通过对样本蛋白的全面研究, 为相关蛋白的发现和定量提供了巨大帮助, 是筛选肿瘤相关生物标志物的重要方法[10]. 目前, 临床前生物标志物发现的流程通常可分为3个阶段[11]: 发现阶段、验证阶段和确认阶段. 发现阶段的目标是全面分析不同样本中的蛋白并找到差异蛋白, 该阶段主要使用质谱等高通量方法, 一般可找到数十到数百种蛋白, 但由于样本来源及样本所含蛋白的多样性, 在分析蛋白过程中可能存在样本的收集偏差、复杂的数据分析等问题, 因此我们应设计并严格遵守标准化的数据收集方案及蛋白提取分析流程[12], 熟练正确掌握数据分析方法及步骤; 验证和确认阶段即通过增加样本量, 在更大的队列(最好是多中心合作研究队列)中验证并确认发现阶段最有潜力的候选蛋白, 以提高研究结果的可靠性和普适性. 同时可将蛋白质组学与基因组学、转录组学、代谢组学等多组学结合分析, 提供更全面和深入的研究结果. 这时不仅可利用基于质谱的靶向定量, 即重反应监测(multiple reaction monitoring, MRM)技术/选择反应监测技术和平行反应监测(parallel reaction monitoring, PRM)技术, 也可利用ELISA等传统蛋白质组学技术, 此流程中测定蛋白的数量与人群样本数量呈反比[13]. 最后, 在临床阶段对潜在的生物标志物进行进一步的评估[2].
食管癌(esophageal cancer, EC)是全球第11大常见肿瘤, 死亡率居第7位[1]. 在中国, 其发病率(4.6%)和致死率(7.3%)分别排第8和第5位[14], 其中食管鳞状细胞癌(esophageal squamous cell carcinoma, ESCC)是最常见的EC组织学类型, 约占所有EC病例的90%[15]. 目前, EC的5年生存率只有15%-25%[16]. 如果EC在早期诊断并治疗, 其生存率可达90%[17,18], 但现实中大多数EC患者在晚期才确诊, 这是EC预后不良的主要原因. 目前EC的早期发现主要依靠内窥镜检查和组织病理学活检, 但检查的高成本和侵入性限制了其作为早期EC广泛筛查的工具, 因此寻找非侵入性的方法进行EC的早期筛查, 是提高EC早期诊断率和获得良好预后的有效途径[19].
Zhao等[20]用3对ESCC患者和健康人的血浆蛋白进行差异凝胶电泳技术联合基质辅助激光解吸电离飞行时间/飞行时间质谱法分析, 并用ELISA法对选定的2种蛋白进行定量分析, 结果表明a-2-HS-糖蛋白和富亮氨酸a-2糖蛋白在ESCC患者血浆中含量升高. 此外Zheng等[21]运用TMT技术对ESCC组织、正常食管组织、食管癌前病变组织进行蛋白质组学分析并通过免疫组化选出组蛋白去甲基化酶、辐射敏感蛋白9A、上皮细胞转化序列2、富含半胱氨酸和组氨酸的蛋白1和tonsoku样DNA修复蛋白这5种蛋白, 由这5种蛋白建立的诊断模型在训练集和测试集中的曲线下面积(area under curve, AUC)分别为0.940、0.943(区分ESCC与正常食管). 以上这些可作为ESCC早期诊断的潜在生物标志物.
Wang等[22]运用iTRAQ结合二维液相色谱-串联质谱方法分析了28对ESCC患者和健康人的血浆差异蛋白, 选定细胞外基质蛋白1(extracellular matrix 1, ECM1)并对其进行WB及细胞实验, 结果表明ECM1可促进肿瘤细胞转移, 可作为预测ESCC进展及转移风险的潜在生物标志物. Jin等[15]在队列1中利用24对ESCC组织和配对的正常临近组织进行基于数据非依赖采集(data-independent analysis, DIA)的蛋白质组学分析, 随后分别在队列2(n = 41)和队列3(n = 100)中进行WB及IHC染色验证, 结果证实了核仁纤维蛋白(fibrillarin, FBL)在肿瘤组织中的上调及高FBL表达对ESCC患者预后不良, 为食管癌预后标志物的筛选做出贡献. Zhao等[23]收集60对ESCC患者的配对肿瘤和临近非肿瘤样本进行全面的蛋白质组学、转录组学、磷酸化蛋白质组学分析, 根据蛋白差异分析, 将ESCC分为3种亚型(S-Ⅰ、S-Ⅱ、S-Ⅲ, 其中S-Ⅲ预后最差), 随后通过验证、细胞实验筛选得出线粒体内膜结构域转位酶1为ESCC潜在的预后分子.
Mangalaparthi等[24]利用液相色谱-串联质谱(liquid chromatography-tandem mass spectrometry, LC-MS/MS)法对12对患者EC组织和临近正常组织进行全面蛋白质组学分析, 并对差异蛋白进行通路分析,发现E3泛素连接酶可降解内质网内错误蛋白从而缓解内质网应激, 可做为ESCC潜在的治疗靶点. Liu等[25]对124对配对的食管癌组织及相邻非癌组织进行基于TMT的蛋白质组学分析, 其中31对肿瘤和非肿瘤食管组织还进行了无标记磷酸化蛋白质组学研究, 通过比较分析揭示了食管癌中失调的蛋白质及通路; 随后通过蛋白质组学的共识聚类等, 将食管癌患者分为低风险S1亚型和高风险S2亚型, 其中S2亚型预后较差, 并构建以延伸蛋白A和SR相关CTD相关因素4为特征的亚型预测模型; 最后通过细胞、动物等功能实验验证了可做为S2亚型EC患者潜在治疗的3种药物. 本研究进行了较大规模的蛋白质组学、磷酸化蛋白质组学分析, 为蛋白质组学在确定分子亚型及发现治疗药物方面提供了研究思路.
据GLOBOCAN全球癌症统计, 2022年新发胃癌病例超968000例, 死亡人数接近660000人, 在全球发病率和死亡率方面均位居第5位[1]. 由于早期胃癌患者的临床表现具有非特异性, 因此常常延误诊治, 导致治疗效果不佳. 目前临床上应用癌胚抗原、糖类抗原199(carbohydrate antigen 19-9, CA199)、胃蛋白酶等血清指标监测胃癌, 特别是术后的疾病复发情况[26,27], 但它们特异性及敏感性较低, 尚不足以满足临床需求[28,29]. 因此需要进一步寻找用于胃癌诊断及预后判断的敏感且可靠的生物标志物.
Subbannayya等[26]运用基于iTRAQ标记的LC-MS/MS方法鉴定了10位胃腺癌和10位健康对照人的血清样本, 后选取胃腺癌中上调的2种蛋白质即α-胰蛋白酶间抑制剂重链4和血清淀粉样蛋白A进行MRM, 验证了胃腺癌患者血清中的这2种蛋白水平的增加. 同样Yoo等[30]通过液相色谱-电喷雾串联质谱检测了3例早期胃癌、3例晚期胃癌、3例正常患者的血清样本并鉴定筛选出差异蛋白, 随后用MRM验证了玻连蛋白、簇集蛋白亚型1、血小板反应蛋白1和缺乏C末端调节酪氨酸和N末端肉豆蔻酰化位点的Src相关激酶在癌症组和正常对照组之间有显著变化, 最后随机选取4对配对病例进行WB分析以进一步确认, 最终得出这四种蛋白质可用于胃癌患者与健康人的鉴别, 为胃癌早期诊断的生物标志物开发做出了贡献. Shimura等[31]通过TMT标记方法对18位患者尿液标本进行蛋白质组学分析, 发现并选出8种候选蛋白, 随后通过训练及验证队列发现尿液三叶因子1(urinary trefoil factor 1, uTFF1)、尿液解整合素和金属蛋白酶12(urinary a disintegrin and metalloproteinase 12, uADAM12)和幽门螺杆菌(Helicobacter pylori, H. pylori)标志物组合在鉴别胃癌与健康人之间的AUC为0.867. 与之前研究不同, 本研究根据性别进行了亚群分析, 其中男性uTFF1、uADAM12和H. pylori标志物组合和女性uTFF1、尿液BRCA1 相关 RING 结构域1和H. pylori组合在早期诊断胃癌中的AUC分别为0.805和0.845. 该研究为探究早期胃癌诊断的生物标志物提供了新视角.
Shen等[32]收集6名局部晚期胃腺癌患者术前和术后的血清进行LC-MS/MS分析, 与术前血清相比, 术后血清中有16种下调蛋白和55种上调蛋白, 其中性别决定区Y 相关高迁移率组框3(sex-determining region Y-related high-mobility group box 3, SOX3)在术后血清中的水平低于术前血清的50%, 随后通过免疫印迹和IHC进行验证, 并用免疫荧光监测其在肿瘤组织中分布, 结果表明胃癌组织中的SOX3高于相应的非癌组织且SOX3在肿瘤实质(非基质)中表达, SOX3可作为胃癌的候选预后标志物. 该研究表明配对术前和术后的血清蛋白质检测在发现生物标志物方面的应用潜力.
在研究与胃病变发展相关的生物标志物方面, Li等[33]通过LC-MS/MS检测了111名不同阶段胃部病变患者和58名胃癌患者的胃黏膜组织中的蛋白质, 发现验证了与胃病变进展风险相关的四种蛋白, 其中D型多巴色素互变异构酶、胃蛋白酶原C和载脂蛋白A1结合蛋白与早期胃癌呈显著负相关, 血红素结合蛋白与早期胃癌呈显著的正相关, 并整合这四种蛋白构建风险预测模型. 这是第一项研究不同阶段胃病变和胃癌的蛋白质组学, 发现并验证了四种与胃病变进展相关的蛋白质, 提高了预测胃癌相关病变进展的能力.
据GLOBOCAN的数据显示, 2022年结直肠癌(colorectal cancer, CRC)全球新发病例数超190万, 发病率排名第3, 死亡率排名第2[1]. CRC亚洲发病率占比最高, 达52.3%[34]. 其中Ⅰ期5年生存率可达91%, Ⅳ期5年生存率仅为14%[35], 因此早发现、早诊断可显著提高生存率. 目前用于结直肠肿瘤筛查的常用方法有粪便检测和肠镜检查. 其中粪便检测主要包括便潜血检测及多靶点粪便DNA(multi-target stool DNA, Mt-DNA)检测, 其中便潜血检测实验灵敏度不高, 愈创木脂粪便潜血试验(faecal occult blood test, FOBT)灵敏度为50%-75%, 粪便免疫化学试验(faecal immunochemical test, FIT)为74%[36]; Mt-DNA检测对CRC诊断的敏感性较高, 可达92%, 但成本较高、采集过程较复杂[37,38]. 肠镜检查虽为诊断CRC的金标准, 但因其具有高侵入性、检查的不适性及具有潜在安全风险等缺点, 导致患者依从性不高(<50%)[39], 因此发现一些经济且非侵入性的生物标志物可能会在一定程度上提高结直肠肿瘤的早期发现率并获得良好预后[34]. 目前已有一些结直肠肿瘤的生物标志物用于临床中, 如CEA、CA199, 但其对早期CRC检测的灵敏度和特异性不高[40]. 因此迫切需要筛选发现一些具有临床应用潜力的新的生物标志物.
Fan等[41]利用LC-MS/MS的方法从3名健康人和3名CRC患者中筛选出69种差异蛋白(差异>2倍), 其中33种蛋白上调, 36种蛋白下调; 随后利用WB及ELISA分析验证巨噬细胞甘露糖受体1和S100钙结合蛋白A9, 其区别CRC与健康人间的AUC分别为0.744和0.873. 随后Yu等[42]利用磁珠和基质辅助激光解吸/电离飞行时间质谱平台分析CRC和健康对照血清样本, 并用WB和ELISA法进行免疫测定, 结果表明丝氨酸/苏氨酸激酶4是CRC诊断的候选标志物, 其在CRC诊断方面的AUC为0.934, 且其联和CEA与FOBT诊断结直肠癌的敏感性和特异性分别为92.3%和100%. Quesada-Calvo等[43]通过label-free技术及IHC, 发现嗅素蛋白-4、激肽原-1和外壳蛋白Ⅱ组分在早期CRC组织中的含量高于正常和炎症组织, 表明其可能为CRC的早期诊断标志物. Okuda等[44]通过LC-MS/MS分析发现并选出23种尿蛋白, 后通过ELISA分析在训练及验证队列中确定其诊断性能, 其中尿液二肽酶1(urinary dipeptidase 1, uDPEP1)和uTFF1水平是CRC诊断中的重要生物标志物, 且uDPEP1和uTFF1组成的生物标志物组合可以显著区分结直肠癌患者与正常人, 在0/I期CRC诊断中AUC为0.852, 敏感性为93.8%, 特异性为63.4%, 远远高于CEA(敏感性8.2%)、CA199(敏感性11.5%).
Mori等[45]基于iTRAQ技术对20个结直肠组织样本(包括正常与癌变组织)进行蛋白质组学分析, 从发现筛选的55种蛋白中选择ezrin蛋白进行IHC验证, 最后多因素回归分析表明高水平ezrin是患者的独立预后因素, 可作为结直肠癌的潜在预后标志物. Sun等[46]在发现阶段利用TMT技术从36名尿液标本(包括健康对照和CRC患者)中筛选出581种CRC诊断蛋白及226种转移蛋白, 随后通过PRM及免疫测定法进一步确立了用于诊断CRC的3种尿液生物标志物, 即冠状蛋白样肌动蛋白结合蛋白1C(coronin-like actin binding protein 1C, CORO1C)、肌动蛋白相关蛋白2/3复合亚基5和辐射敏感蛋白23B (radiation sensitive23 homologue B, RAD23B)及用于评价CRC转移风险的4种尿液生物标志物, 即CORO1C、RAD23B、真核肽链释放因子GTP结合亚基 3b和神经分化的胚胎癌衍生蛋白, 其中联合应用诊断生物标志物与FIT比单独应用FIT敏感性提高了24.5%, 联合应用转移生物标志物与CEA比单独应用CEA敏感性提高24.8%. Shao等[47]对正常结肠、增生性息肉、腺瘤、不明确型腺癌、粘液腺癌的福尔马林固定石蜡包埋组织进行蛋白质组学分析, 分析差异蛋白并发现验证赖氨酸羟化酶2(procollagen-lysine, 2-oxoglutarate 5-dioxygenase 2, PLOD2)在CRC中的表达明显高于正常结肠且高水平的PLOD2与CRC患者差的生存期相关, 并通过细胞及体内模型进一步验证PLOD2对CRC的作用, 强调针对PLOD2的靶向治疗在治疗CRC中的潜在应用.
肝癌在全球癌症相关死因中排名第3, 2022年约有86500例新发及757948例死亡病例; 其中肝细胞癌(hepatocellular carcinoma, HCC)是原发性肝癌的主要类型(占75%-85%)[1]. 中国肝癌的发病率和死亡率也很高, 据统计, 2022年肝癌在中国发病率和死亡率分别为7.6%和12.3%, 占恶性肿瘤发病率和死亡率的第4和第2位[14]. 90%以上的HCC患者发生在慢性肝病的基础上. 肝硬化是HCC的一个主要原因, 所有可引起肝硬化的病因(病毒性肝炎、代谢性肝病等)都是肝细胞癌的最强危险因素[48]. 早期HCC由于及时的治疗, 其5年生存率可达50%-75%, 但由于其早期临床表现相对隐匿, 超过60%的患者在诊断HCC时已处于晚期, 5年生存率低于16%, 预后不佳[49]. 目前用于HCC诊断的方法有组织病理检查、影像学检查及生物标志物测定, 如甲胎蛋白(alpha fetoprotein, AFP)等, 但由于上述方法具有操作侵入性、经验局限性、诊断敏感性有限等问题限制了HCC的早期诊断和预后判断[50]. 因此开发一些创伤性小、操作简单、可重复性强且灵敏度高的生物标志物可能会进一步提高对HCC的早期诊断及预后判断.
Zhu等[51]提出尿液AFP可能是诊断HCC的生物标志物之一, 其在鉴别HCC与非HCC方面的灵敏度为63.5%, 特异性为95.4%, 具有与血清AFP相同的诊断性能; 且尿液AFP与尿液α-1-酸性糖蛋白1联用时AUC为0.864, 敏感性可达85.1%, 进一步提高诊断效能. Jiang等[52]对乙型肝炎病毒感染相关的HCC患者的癌及癌旁组织进行了全面的蛋白质组学、磷酸化蛋白质组学、转录组学和基因组学分析, 确定了S-Ⅰ、S-Ⅱ和S-Ⅲ 3种主要的蛋白质组学亚型, 其中S-Ⅲ型患者预后最差. 同时研究发现S-Ⅲ型胆固醇稳态发生改变, 与甾醇O-酰基转移酶1(sterol O-acyltransferase 1, SOAT1)密切相关. 随后通过细胞实验、动物实验表明SOAT1降低可抑制HCC的增殖和迁移. 该研究表明SOAT1可能是一种有用的诊断生物标志物和有前途的治疗靶点. Du等[49]对10名HCC患者的癌及癌旁组织进行蛋白质组学分析鉴定出差异蛋白, 随后通过PRM-MS和ELASE分别在组织和血清中对候选蛋白进行验证, 结果表明醛酮还原酶1B10和组织蛋白酶A在区分HCC、肝硬化与健康人间的AUC分别为0.891和0.894, 大于AFP(AUC = 0.831), 可能是HCC诊断的血清生物标志物. Xing等[50]使用基于DIA-MS技术对血清样本进行蛋白质组学分析, 选出在HCC/慢性无症状乙型肝炎病毒携带者、HCC/基础肝病、HCC/肝硬化(liver cirrhosis, LC)比较中存在差异的34种蛋白, 随后通过学习向量量化模型等选出11个蛋白在验证队列中进行PRM-MS验证并得到5种候选蛋白, 构建随机森林模型评估5种蛋白在不同排列组合下区分肝脏病变的能力. 其中透明质酸结合蛋白2(hyaluronan binding protein 2, HABP2)和CD163区分HCC/LC、肝细胞癌/健康对照(HCC/healthy controls, HC)的AUC分别高达0.935和0.977, 并且HABP2、CD163、AFP和异常凝血酶原组合模型诊断HCC/LC和HCC/HC的AUC更高, 可达0.979、0.992, 为肝细胞癌的早期诊断提供了重要参考价值.
Hu等[53]通过label-free分析正常肝脏组织与肝癌周围组织间蛋白的差异, 选取血管生成素样蛋白-6(angiopoietin-like protein-6, ANGPTL6)在肝脏组织队列及血清学中验证, 结果表明ANGPTL6含量增高与较差的生存期相关, 与预后不良相关. 血清ANGPTL6和AFP在HCC早期诊断方面价值相当(AUC: 0.826 vs 0.807), 且ANGPTL6联合AFP诊断性能更好(AUC: 0.852, 敏感性72.7%, 特异性87.5%), 该研究比较肿瘤周围组织与正常组织蛋白间的差异, 为日后研究提供了较新的角度. Gao等[54]对159例感染乙型肝炎病毒的肝癌患者癌组织和癌旁组织进行全面的基因组、转录组、蛋白质组及磷酸化蛋白质组学分析, 通过对差异蛋白的无监督聚类将肿瘤分为3个亚组(亚组1、亚组2、亚组3), 其中亚组3(增殖亚型)与更大的肿瘤尺寸、肿瘤血栓和晚期TNM分期相关且预后最差; 进行监督分析选出的吡咯啉-5-羧酸还原酶2(pyrroline-5-Carboxylate Reductase 2, PYCR2)和IA类醇脱氢酶(alcohol dehydrogenase 1A, ADH1A)在蛋白质亚组中具有差异且与患者预后密切相关, 组织微阵列免疫染色进一步验证了这两种蛋白的预后价值, PYCR2的高水平表达与ADH1A的低水平表达显示出较差的预后.
胰腺癌(pancreatic cancer, PC)在2022年GLOBOCAN全球癌症统计的癌症相关死亡率中排名第6[1], 5年相对生存率低至10%[55-57]. 2022年胰腺癌新发病例为 511000例, 死亡病例为 467000例[1], 是致命性较高的恶性肿瘤之一. 与晚期诊断患者相比, 早期发现可提高24%-37%的存活率[58]. 由于胰腺癌的非特异症状及尚无有效的筛查方法, 大多数患者(80%-85%)在诊断时处于疾病晚期或远处转移性阶段[56,59]. 此外, 即使对早期可手术切除的胰腺癌患者, 仅依靠手术切除, 其5年生存率只有10%左右, 需要联合化疗和(或)放疗, 且即使联合辅助治疗, 69%-75%的胰腺癌患者在2年内复发[60]. 因此鉴于胰腺癌早期诊断及治疗的困难性, 研究用于胰腺癌早期诊断、疗效及预后判断的生物标志物至关重要. 目前CA199是临床上唯一获批用于胰腺癌早期诊断和治疗管理的生物标志物, 但对PC诊断的特异性较差[61]. 因此需要对胰腺癌相关生物标志物进行进一步深入研究.
Lyu等[55]先后基于国内外两个大型前瞻性队列的血清蛋白质组学分析筛选并复制出与胰腺癌风险相关的两种蛋白质即再生胰岛衍生蛋白1-α(regenerating family member 1A, REG1A)和再生胰岛衍生蛋白1-β (regenerating family member 1B, REG1B), 随后通过孟德尔随机化验证了这两种蛋白与胰腺癌的潜在因果关系, 表明REG1A和REG1B是胰腺癌早期诊断的有前途的生物标志物. 因单一生物标志物诊断价值有限, Wu等[62]利用iTRAQ和LC-MS/MS发现胰腺癌和健康患者血清中的差异蛋白, 随后用ELISA对维生素K依赖蛋白Z(vitamin K-dependent protein Z, PROZ)和肿瘤坏死因子受体超家族成员6b(tumor necrosis factor receptor superfamily member 6b, TNFRSF6B)进行验证, 结果表明PROZ和TNFRSF6B是胰腺癌潜在的诊断生物标志物, 且将两者与CA199联合应用可显著提高单独应用CA199的诊断效能. Liu等[63]先后利用iTRAQ和MRM-MS, 鉴定验证了载脂蛋白E、α-胰蛋白酶间抑制剂重链3、载脂蛋白A1和载脂蛋白L1这四种蛋白在胰腺癌患者、良性病变患者及健康人中具有含量差异, 这四种蛋白组合在鉴别胰腺癌患者和健康对照人群间的AUC达0.94, 远大于CA199的0.78; 且将四种蛋白与CA199联合可将AUC提高到0.99. Radon等[64]运用十二烷基硫酸钠-聚丙烯酰胺凝胶电泳和液相色谱-串联质谱对18个(健康人、胰腺导管腺癌患者、慢性胰腺炎患者各6例)尿液标本进行蛋白质组学分析, 随后在488份尿液标本中使用ELISA测定法验证选定的生物标志物, 结果显示淋巴管内皮受体-1、REG1A和TFF1可做为一种新的候选生物标志物组合用于早期胰腺癌的诊断. 该组合在区分胰腺癌和健康人时的AUC在训练集和验证集中分别为0.89和0.92; 在区分Ⅰ-Ⅱ期胰腺导管腺癌和健康人时训练集和验证集的AUC分别为0.91和0.93, 具有较高的诊断价值. 这些都为胰腺癌早期诊断生物标志物的开发提供了思路.
Jiang等[65]收集191例胰腺癌患者的肿瘤组织及配对的90个肿瘤临近组织进行蛋白质组学分析. 整合临床蛋白质组数据集, 使用Cox比例风险模型分析了化疗与生物标志物的的交互作用, 确定了2个生物标志物NADH脱氢酶1β亚复合物亚单位8(NADH dehydrogenase 1 beta subcomplex subunit 8, NDUFB8)和细胞迁移诱导透明质酸酶2(cell migration inducing hyaluronidase 2, CEMIP2), 随后应用IHC评估2个多中心外部队列和1个内部队列中胰腺导管腺癌(pancreatic ductal adenocarcinoma, PDCA)患者的NDUFB8和CEMIP2表达情况, 得出NDUFB8低表达和CEMIP2高表达的患者对辅助化疗的反应更为有利, 证明了NDUFB8和CEMIP2蛋白是帮助判断PDCA辅助化疗可行性的有前途的生物标志物. 同时功能实验表明在细胞中沉默NDUFB8和CEMIP2, 分别导致细胞化疗后活性降低和降低细胞对化疗的敏感性, 进一步证明了NDUFB8和CEMIP2蛋白水平与胰腺癌细胞化疗敏感性相关. 由于PDCA由较多的基质成分和较少的肿瘤成分共同构成, 基质成分对肿瘤细胞也可具有激活或抑制作用, 因此我们不应忽略存在于肿瘤基质中蛋白的作用[66,67]. Le Large等[67]利用激光捕获显微切割技术从16名PDCA患者的组织中分离出肿瘤及邻近基质, 并通过LC-MS/MS分析鉴定出6214种蛋白质. 随后为了确定预后标志物, 将生存期短的患者(n = 6)与肿瘤切除后存活超过2年的患者(n = 6)进行比较, 发现28种蛋白与预后不良相关, 并通过IHC在两个队列中进行验证, 结果表明肿瘤特异性蛋白钙调素/钙结合素2和基质特异性蛋白胶原α-1(XI)链可能是PDCA预后不良的生物标志物. 汇总见表1.
| 参考文献 | 肿瘤类型 | 组学技术 | 来源 | 蛋白标志物 | 作用 |
| Zhao等[20] | 食管癌 | 基质辅助激光解吸电离飞行时间/飞行时间质谱法、差异凝胶电泳、ELISA | 血液 | a-2-HS-糖蛋白、富亮氨酸a-2糖蛋白 | 早期诊断 |
| Zheng等[21] | 食管癌 | TMT、IHC | 组织 | 组蛋白去甲基化酶、辐射敏感蛋白9A、上皮细胞转化序列2、富含半胱氨酸和组氨酸的蛋白1、tonsoku样DNA修复蛋白组合 | 早期诊断 |
| Wang等[22] | 食管癌 | iTRAQ、二维液相色谱-串联质谱、WB | 血清 | ECM1 | 预测转移 |
| Jin等[15] | 食管癌 | DIA、WB、IHC | 组织 | FBL | 预测预后 |
| Zhao等[23] | 食管癌 | TMT、IHC | 组织 | 线粒体内膜结构域转位酶1 | 预测预后 |
| Mangalaparthi等[24] | 食管癌 | TMT、LC-MS/MS | 组织 | E3泛素连接酶 | 治疗靶点 |
| Liu等[25] | 食管癌 | TMT、IHC | 组织 | 延伸蛋白A、SR相关CTD相关因素4 | 预测预后 |
| Subbannayya等[26] | 胃癌 | iTRAQ、LC-MS/MS、MRM | 血清 | α-胰蛋白酶间抑制剂重链4、血清淀粉样蛋白A | 早期诊断 |
| Yoo等[30] | 胃癌 | 液相色谱-电喷雾串联质谱 、label-free、MRM | 血清 | 玻连蛋白、簇集蛋白亚型1、血小板反应蛋白1和缺乏C末端调节酪氨酸和N末端肉豆蔻酰化位点的Src相关激酶 | 早期诊断 |
| Shimura等[31] | 胃癌 | TMT、ELISA | 尿液 | uTFF1、uADAM12和H. pylori组合; uTFF1、尿液BRCA1 相关 RING 结构域1和H. pylori组合 | 早期诊断 |
| Shen等[32] | 胃癌 | LC-MS/MS、IHC | 血清 | SOX3 | 预测预后 |
| Li等[33] | 胃癌 | LC-MS/MS、IHC | 组织 | D型多巴色素互变异构酶、胃蛋白酶原C、载脂蛋白A1结合蛋白、血红素结合蛋白 | 预测进展 |
| Fan等[41] | 结直肠癌 | LC-MS/MS、WB、ELISA | 血清 | 巨噬细胞甘露糖受体1、S100钙结合蛋白A9 | 早期诊断 |
| Yu等[42] | 结直肠癌 | 磁珠和基质辅助激光解吸/电离飞行时间质谱、WB、ELISA | 血清 | 丝氨酸/苏氨酸激酶4 | 早期诊断 |
| Quesada-Calvo等[43] | 结直肠癌 | label-free、IHC | 组织 | 嗅素蛋白-4、激肽原-1和外壳蛋白 II组分 | 早期诊断 |
| Okuda等[44] | 结直肠癌 | LC-MS/MS、ELISA | 尿液 | uDPEP1、uTFF1 | 早期诊断 |
| Mori等[45] | 结直肠癌 | iTRAQ、IHC | 组织 | ezrin | 预测预后 |
| Sun等[46] | 结直肠癌 | TMT、PRM | 尿液 | CORO1C、肌动蛋白相关蛋白2/3复合亚基5和RAD23B组合; CORO1C、RAD23B、真核肽链释放因子GTP结合亚基3b和神经分化的胚胎癌衍生蛋白组合 | 早期诊断预测转移 |
| Shao等[47] | 结直肠癌 | DIA、PRM、IHC、WB | 组织 | PLOD2 | 治疗靶点 |
| Du等[49] | 肝癌 | iTRAQ、PRM、ELISA | 组织、血清 | 醛酮还原酶1B10、组织蛋白酶A | 早期诊断 |
| Xing等[50] | 肝癌 | DIA、PRM | 血清 | HABP2、CD163、AFP 和异常凝血酶原组合 | 早期诊断 |
| Zhu等[51] | 肝癌 | iTRAQ、WB、ELISA | 尿液 | 尿液AFP、尿液α-1-酸性糖蛋白1 | 早期诊断 |
| Jiang等[52] | 肝癌 | label-free | 组织 | SOAT1 | 早期诊断治疗靶点 |
| Hu等[53] | 肝癌 | label-free | 组织 | ANGPTL6 | 早期诊断预测预后 |
| Gao等[54] | 肝癌 | TMT、IHC | 组织 | PYCR2、ADH1A | 预测预后 |
| Lyu等[55] | 胰腺癌 | Olink Explore 1536面板 | 血清 | REG1A、REG1B | 早期诊断 |
| Wu等[62] | 胰腺癌 | iTRAQ、LC-MS/MS | 血清 | PROZ 、TNFRSF6B | 早期诊断 |
| Liu等[63] | 胰腺癌 | iTRAQ、MRM | 血清 | 载脂蛋白E、α-胰蛋白酶间抑制剂重链3、载脂蛋白A1和载脂蛋白L1组合 | 早期诊断 |
| Radon等[64] | 胰腺癌 | 十二烷基硫酸钠-聚丙烯酰胺凝胶电泳和液相色谱-串联质谱、ELISA | 尿液 | 淋巴管内皮受体-1、REG1A和TFF1 | 早期诊断 |
| Jiang等[65] | 胰腺癌 | PRM、IHC | 组织 | NDUFB、CEMIP2 | 疗效评价 |
| Le Large等[67] | 胰腺癌 | LC-MS/MS | 组织 | 钙调素/钙结合素2、胶原α-1(XI)链 | 预测预后 |
目前肿瘤已成为严重威胁人类健康的疾病, 具有高死亡率, 早发现早诊断早治疗可在一定程度上延长患者生存期. 生物标志物检测在提示肿瘤发生、预后等方面具有无创、重复、方便、安全等优点, 但目前临床应用于消化系统肿瘤的生物标志物灵敏度及特异度欠佳, 将多种生物标志物联合应用可进一步提高诊断性能. 蛋白质是生命活动的主要承担者, 蛋白质的质和量会随机体状态改变而发生变化, 因此我们可通过检测蛋白质的差异来探索疾病的发生机制、筛选肿瘤相关的生物标志物、发现药物作用的靶点等. 随着蛋白质组学技术的不断发展, 人们可从复杂样本中快速、准确地鉴别蛋白的性质和含量, 为生物标志物的筛选提供了技术支持. 本文基于蛋白质组学技术汇总了用于食管癌、胃癌、结直肠癌、肝癌、胰腺癌诊断、治疗和预后的潜在蛋白生物标志物, 进一步了解了消化系统肿瘤的生物学及发病机制, 为肿瘤的早诊早治及精准医疗做出贡献. 尽管目前潜在的肿瘤生物标志物不断增多, 但将其从实验研究转化到临床应用仍具有挑战性[68], 如需要大规模验证研究和临床实验, 需要考虑检测方法的临床便捷性、标志物的临床效用及检测成本效益等, 因此需要科研人员、临床医生、政府部门等多方密切合作, 以解决未满足的临床需求.
蛋白质组学高通量技术的快速发展, 可实现大型队列人群的蛋白质分析, 虽然增加了数据分析处理的难度, 但大型蛋白质数据集为开发人工智能模型以满足临床需求做出贡献. 有研究[69]基于1724个甲状腺结节蛋白质组数据开发了包含19种蛋白质生物标志物的神经网络模型, 并在独立多中心队列中进行模型验证, 结果显示模型对恶性肿瘤诊断的准确率大于90%. 因此未来可利用蛋白质组数据集基于人工智能技术建立预测模型, 实现从传统的基于单一分析的生物标志物到数据驱动的统计优化生物标志物的转变[70].
随着研究的不断深入, 单一组学分析带来的信息逐渐无法满足人们对于某种疾病的认识, 尤其在肿瘤领域, 人们越来越依赖于多组学分析. 多组学分析即将基因组、转录组、蛋白组、代谢组、微生物组等不同组学数据信息结合分析, 有助于精确研究肿瘤相关分子特征, 实现对肿瘤生物学的系统全面了解, 从而提高肿瘤诊断、预后、治疗的准确性. 因此日后可整合如人口统计学、蛋白质组学、基因组学、放射组学等多组学分析促进对疾病的认识及个体化精准研究[3,71-73].
学科分类: 胃肠病学和肝病学
手稿来源地: 天津市
同行评议报告学术质量分类
A级 (优秀): 0
B级 (非常好): B, B
C级 (良好): C
D级 (一般): 0
E级 (差): 0
科学编辑:张砚梁 制作编辑:张砚梁
| 1. | Bray F, Laversanne M, Sung H, Ferlay J, Siegel RL, Soerjomataram I, Jemal A. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024;74:229-263. [PubMed] [DOI] |
| 3. | Islam Khan MZ, Tam SY, Wai Law HK. Advances in High Throughput Proteomics Profiling in Establishing Potential Biomarkers for Gastrointestinal Cancer. Cells. 2022;11:973. [PubMed] [DOI] |
| 4. | Pandey A, Mann M. Proteomics to study genes and genomes. Nature. 2000;405:837-846. [PubMed] [DOI] |
| 7. | 周 鑫亚, 张 萌萌, 燕 书明, 张 婧怡, 孙 锁锋, 李 健. 消化道肿瘤蛋白质组学研究进展. 胃肠病学和肝病学杂志. 2023;32:230-234. [DOI] |
| 8. | Alvarez-Chaver P, Otero-Estévez O, Páez de la Cadena M, Rodríguez-Berrocal FJ, Martínez-Zorzano VS. Proteomics for discovery of candidate colorectal cancer biomarkers. World J Gastroenterol. 2014;20:3804-3824. [PubMed] [DOI] |
| 9. | Kowalczyk T, Ciborowski M, Kisluk J, Kretowski A, Barbas C. Mass spectrometry based proteomics and metabolomics in personalized oncology. Biochim Biophys Acta Mol Basis Dis. 2020;1866:165690. [PubMed] [DOI] |
| 10. | Srivastava A, Creek DJ. Discovery and Validation of Clinical Biomarkers of Cancer: A Review Combining Metabolomics and Proteomics. Proteomics. 2019;19:e1700448. [PubMed] [DOI] |
| 11. | Parker CE, Borchers CH. Mass spectrometry based biomarker discovery, verification, and validation--quality assurance and control of protein biomarker assays. Mol Oncol. 2014;8:840-858. [PubMed] [DOI] |
| 12. | Drabovich AP, Martínez-Morillo E, Diamandis EP. Toward an integrated pipeline for protein biomarker development. Biochim Biophys Acta. 2015;1854:677-686. [PubMed] [DOI] |
| 13. | Ogata S, Masuda T, Ito S, Ohtsuki S. Targeted proteomics for cancer biomarker verification and validation. Cancer Biomark. 2022;33:427-436. [PubMed] [DOI] |
| 14. | Zheng RS, Chen R, Han BF, Wang SM, Li L, Sun KX, Zeng HM, Wei WW, He J. [Cancer incidence and mortality in China, 2022]. Zhonghua Zhong Liu Za Zhi. 2024;46:221-231. [PubMed] [DOI] |
| 15. | Jin X, Liu L, Wu J, Jin XX, Yu GZ, Jia LJ, Wang FY, Shi MX, Lu HM, Liu JB, Liu D, Yang J, Li H, Ni Y, Luo Q, Jia W, Wang W, Chen WL. A multi-omics study delineates new molecular features and therapeutic targets for esophageal squamous cell carcinoma. Clin Transl Med. 2021;11:e538. [PubMed] [DOI] |
| 16. | Pennathur A, Gibson MK, Jobe BA, Luketich JD. Oesophageal carcinoma. Lancet. 2013;381:400-412. [PubMed] [DOI] |
| 17. | Bird-Lieberman EL, Fitzgerald RC. Early diagnosis of oesophageal cancer. Br J Cancer. 2009;101:1-6. [PubMed] [DOI] |
| 18. | Deng FY, Zhou KM, Li QX, Liu D, Li MY, Wang H, Zhang W, Ma YQ. iTRAQ-based quantitative proteomic analysis of esophageal squamous cell carcinoma. Tumour Biol. 2016;37:1909-1918. [PubMed] [DOI] |
| 19. | Chu LY, Peng YH, Weng XF, Xie JJ, Xu YW. Blood-based biomarkers for early detection of esophageal squamous cell carcinoma. World J Gastroenterol. 2020;26:1708-1725. [PubMed] [DOI] |
| 20. | Zhao J, Fan YX, Yang Y, Liu DL, Wu K, Wen FB, Zhang CY, Zhu DY, Zhao S. Identification of potential plasma biomarkers for esophageal squamous cell carcinoma by a proteomic method. Int J Clin Exp Pathol. 2015;8:1535-1544. [PubMed] |
| 21. | Zheng YQ, Huang HH, Chen SX, Xu XE, Li ZM, Li YH, Chen SZ, Luo WX, Guo Y, Liu W, Li EM, Xu LY. Discovery and validation of combined biomarkers for the diagnosis of esophageal intraepithelial neoplasia and esophageal squamous cell carcinoma. J Proteomics. 2024;304:105233. [PubMed] [DOI] |
| 22. | Wang XH, Peng Y, Xie M, Gao ZK, Yin LH, Pu YP, Liu R. Identification of extracellular matrix protein 1 as a potential plasma biomarker of ESCC by proteomic analysis using iTRAQ and 2D-LC-MS/MS. Proteomics Clin Appl. 2017;11. [PubMed] [DOI] |
| 23. | Zhao DY, Guo YP, Wei HF, Jia XC, Zhi YF, He GL, Nie WN, Huang LM, Wang PL, Laster KV, Liu ZC, Wang JW, Lee MH, Dong ZG, Liu KD. Multi-omics characterization of esophageal squamous cell carcinoma identifies molecular subtypes and therapeutic targets. JCI Insight. 2024;9:e171916. [PubMed] [DOI] |
| 24. | Mangalaparthi KK, Patel K, Khan AA, Nair B, Kumar RV, Prasad TSK, Sidransky D, Chatterjee A, Pandey A, Gowda H. Molecular Characterization of Esophageal Squamous Cell Carcinoma Using Quantitative Proteomics. Cancers (Basel). 2023;15:3302. [PubMed] [DOI] |
| 25. | Liu W, Xie L, He YH, Wu ZY, Liu LX, Bai XF, Deng DX, Xu XE, Liao LD, Lin W, Heng JH, Xu X, Peng L, Huang QF, Li CY, Zhang ZD, Wang W, Zhang GR, Gao X, Wang SH, Li CQ, Xu LY, Liu W, Li EM. Large-scale and high-resolution mass spectrometry-based proteomics profiling defines molecular subtypes of esophageal cancer for therapeutic targeting. Nat Commun. 2021;12:4961. [PubMed] [DOI] |
| 26. | Subbannayya Y, Mir SA, Renuse S, Manda SS, Pinto SM, Puttamallesh VN, Solanki HS, Manju HC, Syed N, Sharma R, Christopher R, Vijayakumar M, Veerendra Kumar KV, Keshava Prasad TS, Ramaswamy G, Kumar RV, Chatterjee A, Pandey A, Gowda H. Identification of differentially expressed serum proteins in gastric adenocarcinoma. J Proteomics. 2015;127:80-88. [PubMed] [DOI] |
| 27. | Lee SH, Jeong S, Lee J, Yeo IS, Oh MJ, Kim U, Kim S, Kim SH, Park SY, Kim JH, Park SH, Kim JH, An HJ. Glycomic profiling of targeted serum haptoglobin for gastric cancer using nano LC/MS and LC/MS/MS. Mol Biosyst. 2016;12:3611-3621. [PubMed] [DOI] |
| 28. | Choi RS, Lai WYX, Lee LTC, Wong WLC, Pei XM, Tsang HF, Leung JJ, Cho WCS, Chu MKM, Wong EYL, Wong SCC. Current and future molecular diagnostics of gastric cancer. Expert Rev Mol Diagn. 2019;19:863-874. [PubMed] [DOI] |
| 29. | Shen Q, Polom K, Williams C, de Oliveira FMS, Guergova-Kuras M, Lisacek F, Karlsson NG, Roviello F, Kamali-Moghaddam M. A targeted proteomics approach reveals a serum protein signature as diagnostic biomarker for resectable gastric cancer. EBioMedicine. 2019;44:322-333. [PubMed] [DOI] |
| 30. | Yoo MW, Park J, Han HS, Yun YM, Kang JW, Choi DY, Lee JW, Jung JH, Lee KY, Kim KP. Discovery of gastric cancer specific biomarkers by the application of serum proteomics. Proteomics. 2017;17. [PubMed] [DOI] |
| 31. | Shimura T, Dayde D, Wang H, Okuda Y, Iwasaki H, Ebi M, Kitagawa M, Yamada T, Yamada T, Hanash SM, Taguchi A, Kataoka H. Novel urinary protein biomarker panel for early diagnosis of gastric cancer. Br J Cancer. 2020;123:1656-1664. [PubMed] [DOI] |
| 32. | Shen J, Zhai J, Wu X, Xie G, Shen L. Serum proteome profiling reveals SOX3 as a candidate prognostic marker for gastric cancer. J Cell Mol Med. 2020;24:6750-6761. [PubMed] [DOI] |
| 33. | Li X, Zheng NR, Wang LH, Li ZW, Liu ZC, Fan H, Wang Y, Dai J, Ni XT, Wei X, Liu MW, Li K, Li ZX, Zhou T, Zhang Y, Zhang JY, Kadeerhan G, Huang S, Wu WH, Liu WD, Wu XZ, Zhang LF, Xu JM, Gerhard M, You WC, Pan KF, Li WQ, Qin J. Proteomic profiling identifies signatures associated with progression of precancerous gastric lesions and risk of early gastric cancer. EBioMedicine. 2021;74:103714. [PubMed] [DOI] |
| 34. | Ionescu VA, Gheorghe G, Bacalbasa N, Chiotoroiu AL, Diaconu C. Colorectal Cancer: From Risk Factors to Oncogenesis. Medicina (Kaunas). 2023;59:1646. [PubMed] [DOI] |
| 35. | Siegel RL, Wagle NS, Cercek A, Smith RA, Jemal A. Colorectal cancer statistics, 2023. CA Cancer J Clin. 2023;73:233-254. [PubMed] [DOI] |
| 36. | Jain S, Maque J, Galoosian A, Osuna-Garcia A, May FP. Optimal Strategies for Colorectal Cancer Screening. Curr Treat Options Oncol. 2022;23:474-493. [PubMed] [DOI] |
| 37. | Imperiale TF, Ransohoff DF, Itzkowitz SH, Levin TR, Lavin P, Lidgard GP, Ahlquist DA, Berger BM. Multitarget stool DNA testing for colorectal-cancer screening. N Engl J Med. 2014;370:1287-1297. [PubMed] [DOI] |
| 38. | Carethers JM. Fecal DNA Testing for Colorectal Cancer Screening. Annu Rev Med. 2020;71:59-69. [PubMed] [DOI] |
| 39. | Bessa X, Vidal J, Balboa JC, Márquez C, Duenwald S, He Y, Raymond V, Faull I, Burón A, Álvarez-Urturi C, Castells X, Bellosillo B, Montagut C. High accuracy of a blood ctDNA-based multimodal test to detect colorectal cancer. Ann Oncol. 2023;34:1187-1193. [PubMed] [DOI] |
| 40. | Thomas DS, Fourkala EO, Apostolidou S, Gunu R, Ryan A, Jacobs I, Menon U, Alderton W, Gentry-Maharaj A, Timms JF. Evaluation of serum CEA, CYFRA21-1 and CA125 for the early detection of colorectal cancer using longitudinal preclinical samples. Br J Cancer. 2015;113:268-274. [PubMed] [DOI] |
| 41. | Fan NJ, Chen HM, Song W, Zhang ZY, Zhang MD, Feng LY, Gao CF. Macrophage mannose receptor 1 and S100A9 were identified as serum diagnostic biomarkers for colorectal cancer through a label-free quantitative proteomic analysis. Cancer Biomark. 2016;16:235-243. [PubMed] [DOI] |
| 42. | Yu JK, Zhai XH, Li XF, Zhong CH, Guo C, Yang FQ, Yuan Y, Zheng S. Identification of MST1 as a potential early detection biomarker for colorectal cancer through a proteomic approach. Sci Rep. 2017;7:14265. [PubMed] [DOI] |
| 43. | Quesada-Calvo F, Massot C, Bertrand V, Longuespée R, Blétard N, Somja J, Mazzucchelli G, Smargiasso N, Baiwir D, De Pauw-Gillet MC, Delvenne P, Malaise M, Marques CC, Polus M, Pauw ED, Meuwis MA, Louis E. OLFM4, KNG1 and Sec24C identified by proteomics and immunohistochemistry as potential markers of early colorectal cancer stages. Clin Proteomics. 2017;14:9. [PubMed] [DOI] |
| 44. | Okuda Y, Shimura T, Abe Y, Iwasaki H, Nishigaki R, Fukusada S, Sugimura N, Kitagawa M, Yamada T, Taguchi A, Kataoka H. Urinary dipeptidase 1 and trefoil factor 1 are promising biomarkers for early diagnosis of colorectal cancer. J Gastroenterol. 2024;59:572-585. [PubMed] [DOI] |
| 45. | Mori K, Toiyama Y, Otake K, Ide S, Imaoka H, Okigami M, Okugawa Y, Fujikawa H, Saigusa S, Hiro J, Kobayashi M, Ohi M, Tanaka K, Inoue Y, Kobayashi Y, Mohri Y, Kobayashi I, Goel A, Kusunoki M. Successful identification of a predictive biomarker for lymph node metastasis in colorectal cancer using a proteomic approach. Oncotarget. 2017;8:106935-106947. [PubMed] [DOI] |
| 46. | Sun YL, Guo ZG, Liu XY, Yang LJ, Jing ZP, Cai M, Zheng ZX, Shao C, Zhang YF, Sun HD, Wang L, Wang MJ, Li J, Tian LS, Han Y, Zou SM, Gao JJ, Zhao Y, Nan P, Xie XF, Liu F, Zhou LP, Sun W, Zhao XH. Noninvasive urinary protein signatures associated with colorectal cancer diagnosis and metastasis. Nat Commun. 2022;13:2757. [PubMed] [DOI] |
| 47. | Shao Y, Xu K, Zheng X, Zhou B, Zhang X, Wang L, Sun Y, Li D, Chen T, Wang J, Yu S, Sun L, Xu X, Dai S, Gao H, Ruan G, Liu W, Cai X, Zhu T, Qi L, Chen J, Hu W, Weng X, Zhu Y, Xiang X, Hu Z, Li J, Chen L, Shao J, Zheng S, Guo T. Proteomics profiling of colorectal cancer progression identifies PLOD2 as a potential therapeutic target. Cancer Commun (Lond). 2022;42:164-169. [PubMed] [DOI] |
| 48. | Llovet JM, Kelley RK, Villanueva A, Singal AG, Pikarsky E, Roayaie S, Lencioni R, Koike K, Zucman-Rossi J, Finn RS. Hepatocellular carcinoma. Nat Rev Dis Primers. 2021;7:6. [PubMed] [DOI] |
| 49. | Du ZH, Liu XY, Wei XJ, Luo HB, Li PY, Shi MT, Guo BQ, Cui Y, Su ZL, Zeng JF, Si A, Cao PB, Zhou GQ. Quantitative proteomics identifies a plasma multi-protein model for detection of hepatocellular carcinoma. Sci Rep. 2020;10:15552. [PubMed] [DOI] |
| 50. | Xing XH, Cai LS, Ouyang JH, Wang F, Li ZM, Liu MX, Wang YC, Zhou Y, Hu E, Huang CL, Wu LM, Liu JF, Liu XL. Proteomics-driven noninvasive screening of circulating serum protein panels for the early diagnosis of hepatocellular carcinoma. Nat Commun. 2023;14:8392. [PubMed] [DOI] |
| 51. | Zhan Z, Guan YL, Mew K, Zeng WQ, Peng ML, Hu P, Yang YX, Lu Y, Ren H. Urine α-fetoprotein and orosomucoid 1 as biomarkers of hepatitis B virus-associated hepatocellular carcinoma. Am J Physiol Gastrointest Liver Physiol. 2020;318:G305-G312. [PubMed] [DOI] |
| 52. | Jiang Y, Sun AH, Zhao Y, Ying WT, Sun HC, Yang XR, Xing BC, Sun W, Ren LL, Hu B, Li CY, Zhang L, Qin GR, Zhang MH, Chen N, Zhang ML, Huang Y, Zhou JN, Zhao Y, Liu MW, Zhu XD, Qiu Y, Sun YJ, Huang C, Yan M, Wang MC, Liu W, Tian F, Xu HL, Zhou J, Wu ZY, Shi TL, Zhu WM, Qin J, Xie L, Fan J, Qian XH, He FC; Chinese Human Proteome Project (CNHPP) Consortium. Proteomics identifies new therapeutic targets of early-stage hepatocellular carcinoma. Nature. 2019;567:257-261. [PubMed] [DOI] |
| 53. | Hu GM, Gao F, Wang GZ, Fang Y, Guo YY, Zhou J, Gu YH, Zhang CZ, Gao N, Wen Q, Qiao HL. Use of proteomics to identify mechanisms of hepatocellular carcinoma with the CYP2D6*10 polymorphism and identification of ANGPTL6 as a new diagnostic and prognostic biomarker. J Transl Med. 2021;19:359. [PubMed] [DOI] |
| 54. | Gao Q, Zhu HW, Dong LQ, Shi WW, Chen R, Song ZJ, Huang C, Li JQ, Dong XW, Zhou YT, Liu Q, Ma LJ, Wang XY, Zhou J, Liu YS, Boja E, Robles AI, Ma W, Wang P, Li YZ, Ding L, Wen B, Zhang B, Rodriguez H, Gao DM, Zhou H, Fan J. Integrated Proteogenomic Characterization of HBV-Related Hepatocellular Carcinoma. Cell. 2019;179:561-577.e22. [PubMed] [DOI] |
| 55. | Lyu JJ, Jiang MH, Zhu ZW, Wu HJ, Kang HN, Hao XJ, Cheng SS, Guo H, Shen X, Wu TC, Chang J, Wang CL. Identification of biomarkers and potential therapeutic targets for pancreatic cancer by proteomic analysis in two prospective cohorts. Cell Genom. 2024;4:100561. [PubMed] [DOI] |
| 56. | Cao LW, Huang C, Zhou DC, Hu YW, Lih TM, Savage SR, Krug K, Clark DJ, Schnaubelt M, Chen LJ, Leprevost FDV, Eguez RV, Yang WM, Pan JB, Wen B, Dou YC, Jiang W, Liao YX, Shi ZA, Terekhanova NV, Cao S, Lu RJH, Li YZ, Liu RY, Zhu HX, Ronning P, Wu YG, Wyczalkowski MA, Easwaran H, Danilova L, Mer AS, Yoo S, Wang JM, Liu W, Haibe-Kains B, Thiagarajan M, Jewell SD, Hostetter G, Newton CJ, Li QK, Roehrl MH, Fenyö D, Wang P, Nesvizhskii AI, Mani DR, Omenn GS, Boja ES, Mesri M, Robles AI, Rodriguez H, Bathe OF, Chan DW, Hruban RH, Ding L, Zhang B, Zhang H; Clinical Proteomic Tumor Analysis Consortium. Proteogenomic characterization of pancreatic ductal adenocarcinoma. Cell. 2021;184:5031-5052.e26. [PubMed] [DOI] |
| 57. | Siegel RL, Miller KD, Jemal A. Cancer statistics, 2020. CA Cancer J Clin. 2020;70:7-30. [PubMed] [DOI] |
| 58. | Siegel RL, Giaquinto AN, Jemal A. Cancer statistics, 2024. CA Cancer J Clin. 2024;74:12-49. [PubMed] [DOI] |
| 59. | Park W, Chawla A, O'Reilly EM. Pancreatic Cancer: A Review. JAMA. 2021;326:851-862. [PubMed] [DOI] |
| 60. | Conroy T, Hammel P, Hebbar M, Ben Abdelghani M, Wei AC, Raoul JL, Choné L, Francois E, Artru P, Biagi JJ, Lecomte T, Assenat E, Faroux R, Ychou M, Volet J, Sauvanet A, Breysacher G, Di Fiore F, Cripps C, Kavan P, Texereau P, Bouhier-Leporrier K, Khemissa-Akouz F, Legoux JL, Juzyna B, Gourgou S, O'Callaghan CJ, Jouffroy-Zeller C, Rat P, Malka D, Castan F, Bachet JB; Canadian Cancer Trials Group and the Unicancer-GI-PRODIGE Group. FOLFIRINOX or Gemcitabine as Adjuvant Therapy for Pancreatic Cancer. N Engl J Med. 2018;379:2395-2406. [PubMed] [DOI] |
| 61. | Yu J, Ploner A, Kordes M, Löhr M, Nilsson M, de Maturana MEL, Estudillo L, Renz H, Carrato A, Molero X, Real FX, Malats N, Ye W. Plasma protein biomarkers for early detection of pancreatic ductal adenocarcinoma. Int J Cancer. 2021;148:2048-2058. [PubMed] [DOI] |
| 62. | Wu X, Zhang ZX, Chen XY, Xu YL, Yin N, Yang J, Zhu DM, Li DC, Zhou J. A Panel of Three Biomarkers Identified by iTRAQ for the Early Diagnosis of Pancreatic Cancer. Proteomics Clin Appl. 2019;13:e1800195. [PubMed] [DOI] |
| 63. | Liu XH, Zheng WM, Wang WS, Shen HL, Liu LX, Lou WH, Wang XL, Yang PY. A new panel of pancreatic cancer biomarkers discovered using a mass spectrometry-based pipeline. Br J Cancer. 2017;117:1846-1854. [PubMed] [DOI] |
| 64. | Radon TP, Massat NJ, Jones R, Alrawashdeh W, Dumartin L, Ennis D, Duffy SW, Kocher HM, Pereira SP, Guarner posthumous L, Murta-Nascimento C, Real FX, Malats N, Neoptolemos J, Costello E, Greenhalf W, Lemoine NR, Crnogorac-Jurcevic T. Identification of a Three-Biomarker Panel in Urine for Early Detection of Pancreatic Adenocarcinoma. Clin Cancer Res. 2015;21:3512-3521. [PubMed] [DOI] |
| 65. | Jiang LX, Qin JJ, Dai YT, Zhao SL, Zhan Q, Cui P, Ren LJ, Wang XL, Zhang RH, Gao CX, Zhou YT, Cai SL, Wang GQ, Xie WC, Tang XM, Shi MM, Ma FF, Liu J, Wang T, Wang CF, Svrcek M, Bardier-Dupas A, Emile JF, Mestier LD, Bachet JB, Nicolle R, Cros J, Laurent-Puig P, Wei MY, Song B, Jing W, Guo SW, Zheng KL, Jiang H, Wang H, Deng XX, Chen H, Tian Q, Wang SY, Shi S, Jin G, Yin T, Fang H, Chen SJ, Shen BY. Prospective observational study on biomarkers of response in pancreatic ductal adenocarcinoma. Nat Med. 2024;30:749-761. [PubMed] [DOI] |
| 66. | Huang PW, Gao WN, Fu CY, Tian RJ. Functional and Clinical Proteomic Exploration of Pancreatic Cancer. Mol Cell Proteomics. 2023;22:100575. [PubMed] [DOI] |
| 67. | Le Large TY, Mantini G, Meijer LL, Pham TV, Funel N, van Grieken NC, Kok B, Knol J, van Laarhoven HW, Piersma SR, Jimenez CR, Kazemier G, Giovannetti E, Bijlsma MF. Microdissected pancreatic cancer proteomes reveal tumor heterogeneity and therapeutic targets. JCI Insight. 2020;5:e138290. [PubMed] [DOI] |
| 68. | Hristova VA, Chan DW. Cancer biomarker discovery and translation: proteomics and beyond. Expert Rev Proteomics. 2019;16:93-103. [PubMed] [DOI] |
| 69. | Sun YT, Selvarajan S, Zang ZL, Liu W, Zhu Y, Zhang H, Chen WY, Chen H, Li L, Cai X, Gao HH, Wu ZC, Zhao YF, Chen LR, Teng XD, Mantoo S, Lim TKH, Hariraman B, Yeow S, Alkaff SMF, Lee SS, Ruan G, Zhang QS, Zhu TS, Hu YF, Dong Z, Ge WG, Xiao Q, Wang WB, Wang GZ, Xiao JH, He Y, Wang ZH, Sun W, Qin Y, Zhu J, Zheng X, Wang LY, Zheng X, Xu KL, Shao YK, Zheng S, Liu KX, Aebersold R, Guan HX, Wu XH, Luo DC, Tian W, Li SZQ, Kon OL, Iyer NG, Guo TN. Artificial intelligence defines protein-based classification of thyroid nodules. Cell Discov. 2022;8:85. [PubMed] [DOI] |
| 70. | Xiao Q, Zhang FF, Xu L, Yue L, Kon OL, Zhu Y, Guo TN. High-throughput proteomics and AI for cancer biomarker discovery. Adv Drug Deliv Rev. 2021;176:113844. [PubMed] [DOI] |
| 71. | Hasin Y, Seldin M, Lusis A. Multi-omics approaches to disease. Genome Biol. 2017;18:83. [PubMed] [DOI] |
| 72. | Subramanian I, Verma S, Kumar S, Jere A, Anamika K. Multi-omics Data Integration, Interpretation, and Its Application. Bioinform Biol Insights. 2020;14:1177932219899051. [PubMed] [DOI] |
| 73. | Olivier M, Asmis R, Hawkins GA, Howard TD, Cox LA. The Need for Multi-Omics Biomarker Signatures in Precision Medicine. Int J Mol Sci. 2019;20:4781. [PubMed] [DOI] |