npj Precision Oncol|单囊泡蛋白组学分析:晚期卵巢癌诊断与治疗模式的新方法

卵巢癌被称为“妇科第一杀手”，75%的患者确诊时已为晚期，5年生存率仅约20%。临床上面临四大痛点：早期诊断难、化疗耐药预测难、淋巴结转移评估难、术后微小残留病灶识别难。

近日，浙江省肿瘤医院妇瘤外科杨莉副主任医师、于爱军主任医师团队 在国际知名期刊npj Precision Oncology发表重磅研究。团队利用邻近编码分析(Proximity Barcoding Assay, PBA)技术，对晚期卵巢癌患者血浆中的细胞外囊泡(EVs)进行了单囊泡表面蛋白组学分析，成功构建了覆盖诊断、耐药、转移及预后评估的全流程精准模型。

文章信息

题目｜Proteomic profiling of single extracellular vesicles as a promising new approach for the diagnosis and treatment modality of advanced ovarian cancer

译名｜单细胞外囊泡蛋白组学分析作为晚期卵巢癌诊断及治疗模式的新方法

期刊｜npj Precision Oncology (Nature Partner Journals)

影响因子｜8.0 (JCR Q1)

发表时间｜2026年1月

通讯作者｜杨莉、于爱军

DOI｜10.1038/s41698-026-01271-x

研究背景与设计：解析血浆EV异质性

高级别浆液性卵巢癌(HGSOC)具有高度异质性，现有的CA125等标志物在特异性及预后评估上存在局限。尽管血浆EVs携带丰富的亲本细胞信息，但常规Bulk分析掩盖了稀有肿瘤特异性亚群的信号特征。

为突破这一瓶颈，本研究采用前瞻性队列设计，纳入85例HGSOC患者与95例健康对照。研究团队利用PBA技术，直接对极微量血浆(2μL，无需超速离心)中的EVs进行203种表面蛋白的高通量分析。通过t-SNE降维与FlowSOM聚类算法，在单囊泡分辨率下绘制了EV亚群图谱，并结合LASSO、SVM-RFE等机器学习策略筛选特征蛋白，构建临床预测模型。

图1:PBA单囊泡蛋白组学揭示晚期卵巢癌血浆EV的异质性图谱与特异性亚群特征

核心发现与临床价值

精准诊断:锁定“恶性”亚群，AUC高达1.00

研究发现，相比健康人，卵巢癌患者血浆中Cluster7亚群显著富集(从4.47%升至14.79%-15.82%)。该亚群高表达ITGB3、ITGB1、ITGA6等整合素蛋白。

诊断模型:利用机器学习筛选出ITGA6、ITGB2、ILK三个核心标志物。
惊人效能:该三蛋白Panel在训练集(AUC=0.999)和验证集(AUC=1.000)中均展现了近乎完美的诊断准确率。

图2:基于ITGA6/ITGB2/ILK的诊断模型在训练集与验证集中展现卓越性能

攻克临床痛点:耐药、转移与残留病灶预测

本研究最大的临床价值在于解决了晚期卵巢癌治疗决策中的三个关键问题:

预测铂类耐药: 晚期患者极易产生铂耐药。研究构建了包含ILK、CDCP1、CD86等9种蛋白的风险模型，能有效区分铂敏感与铂耐药患者，其风险评分与耐药状态显著相关。
预测淋巴结转移: 术前评估淋巴结状态对决定手术范围至关重要。基于APOE、CD28、CLDN4等7种蛋白的模型，可无创预测淋巴结转移风险，辅助医生决策是否进行淋巴结清扫。
评估术后残留病灶: R0切除(无残留)是预后的关键。研究发现Cluster13亚群(ITGB1高表达)与残留病灶密切相关。基于CD44、CLMP、ITGA4等4种蛋白的模型，能准确识别术后可能有残留病灶的高危人群，提示这部分患者可能更需要新辅助化疗。