中大新聞網訊（通訊員張玉琦）非靶向代謝組學通過全面揭示生物系統內小分子濃度的變化，為疾病生物標志物的發現和診斷提供了重要的技術手段。代謝組學研究中的液相色譜-質譜聯用技術（LC-MS）具有高靈敏度、高穩定性、高檢測通量等優勢。然而，當前針對LC-MS代謝組學數據的分析方法面臨著復雜的挑戰，包括數據處理的復雜性和批次效應，以及大量未知代謝物的存在等。解決這些問題對于通過代謝組學手段發現疾病相關新的生物標志物和早期預測預警重大疾病的發生至關重要。
2024年8月20日，中山大學中山醫學院李偉忠團隊與中山大學腫瘤防治中心黃蓬、胡寓旻團隊合作，在Nature Communications發表了題為An end-to-end deep learning method for mass spectrometry data analysis to reveal disease-specific metabolic profiles 的研究成果。該研究開創性地提出可解釋性集成深度學習方法DeepMSProfiler，可端對端地進行非靶向代謝組學數據分析。DeepMSProfiler方法能夠直接將原始的LC-MS下機數據轉換為樣本所屬疾病類別、疾病相關的關鍵代謝物和疾病相關的代謝物-蛋白質網絡等結果，提供了全面的疾病相關代謝組圖景。DeepMSProfiler無需使用傳統的代謝組學分析過程中的峰提取和識別步驟，從而避免了復雜分析過程中的誤差累積，更充分地利用了根據現有數據庫無法鑒定出來的未知代謝信號。重要的是，DeepMSProfiler有效地克服了來自不同醫院之間的批次效應問題。
DeepMSProfiler利用來自多家醫院的859份肺腺癌患者、良性肺結節患者和健康人群的人血清樣本進行訓練和測試，在獨立測試集中成功甄別了不同組別的代謝組學特征，AUC值達0.99，并在早期肺腺癌診斷中實現了高達96.1% 的準確率。此外，該方法在來自928種細胞系的泛癌脂質代謝組學數據上進行了擴展分析，揭示了23種癌癥類型共同相關的代謝物和蛋白質，展現了出色的泛化能力以及在多種疾病診斷中的應用潛力。
簡而言之，該研究為代謝組學領域首個端對端分析方法，性能指標顯著性超越傳統方法，為基于代謝組學的疾病診斷和生物機制發現提供了一個直接且可靠的方法。
該研究得到了國家重點研發計劃、廣東省基礎與應用基礎研究基金、廣州國家實驗室重大項目等項目資助。中山醫學院博士研究生鄧永潔為該論文第一作者，中山醫學院李偉忠教授與中山大學腫瘤防治中心黃蓬教授及胡寓旻研究員為該論文共同通訊作者。
