1、研究隊列設置

本研究針對化療敏感型和化療難治型患者，共設置3個HGSOC隊列：1個發(fā)現隊列（FFPE（福爾馬林固定石蠟包埋）樣本，158例）2個驗證隊列（隊列1：FFPE樣本，20例；隊列2：冷凍組織樣本，64例），分別進行蛋白質組學、磷酸化蛋白質組學、WGS和RNA-seq測序分析（圖1）。并且，研究還選擇了兩個外部隊列（MSK-IMPACT和CPTAC-2016）進行了組學數據的驗證。

圖1 蛋白質組學、磷酸化蛋白質組學、WGS和RNA-seq數據的可用性

2、基于蛋白質組學的預測模型

研究團隊基于機器學習技術整合FFPE發(fā)現隊列的蛋白質組學數據及HGSOC相關歷史研究數據，篩選到64種蛋白質，然后利用ElasticNet、Random Forest和XGBoost算法構建了一個包含64種蛋白質的集成預測模型。在5折交叉驗證中，該模型在FFPE發(fā)現隊列的蛋白質數據上顯示出較好的性能，AUC=0.83。此外，研究團隊使用獨立的患者隊列（冷凍和FFPE樣本隊列）評估預測模型的性能，均獲得了相對較高的AUC值（AUC=0.81，AUC=0.91）。結果表明，基于64種蛋白質的預測模型，能夠高度特異性地識別難治型HGSOC的子集。

此外，研究者還利用基于質譜的多重反應監(jiān)測技術（MRM-MS）對模型中的22種蛋白質進行了驗證，AUC=0.76，證明了開發(fā)用于預測的多重MRM分析的可行性，并為模型中的64種蛋白質的擴展分析奠定了基礎。

圖2 基于蛋白質組學的預測模型

3.通路富集分析及腫瘤分子分型

為尋找與敏感型、難治型相關的代謝途徑，研究者對蛋白質組、磷酸化修飾組和RNA-seq數據進行富集分析。結果顯示，在所有組學數據集中，敏感型腫瘤中的E2F靶標、G2M檢查點和DNA復制等均升高，難治型腫瘤中的缺氧、轉化生長因子b (TGF-b)和上皮間質轉化(EMT)等均升高。而難治型腫瘤的氧化磷酸化(OXPHOS)和三羧酸(TCA)循環(huán)只在蛋白水平升高，RNA水平未見異常，表明蛋白質組學和RNA-seq數據在代謝途徑中的一致性較低。

為了表征HGSOC治療反應機制的異質性，研究者對基于蛋白組學數據顯著富集的前150條代謝通路進行聚類分析，確定了HGSOC的5種亞型。簇1與翻譯和rRNA加工途徑的高表達相關。簇1和簇2顯示出高細胞周期相關通路。簇3顯示代謝通路的高表達，而簇4顯示缺氧、EMT和TGF-β通路的上調。簇4和簇5腫瘤表現為免疫通路評分升高。

圖3 代謝通路富集分析

小結

該研究的突破之處在于將蛋白質組學和基因組學相結合，通過對242個難治型和敏感型的HGSOC組織樣本進行全面分析，從而深入地揭示了化療難治型高級別漿液性卵巢癌的分子機制。本研究還確定了基于64種蛋白質的化療耐藥性預測模型，以及5種HGSOC的亞型，并發(fā)現了潛在的亞型特異性治療策略，為未來的臨床治療和個體化醫(yī)學提供了重要的指導。