Identification of Plasma LGALS3BP via Proteomics and Development of a Non-invasive Diagnostic Model for Early-Stage Lung Adenocarcinoma

肺癌仍然是全球癌症相关死亡的首要原因，其中一种被称为肺腺癌的类型是最常见的形式。治疗这种疾病的一个主要障碍在于，很难区分肺部的一个无害肿块与一个危险的早期肿瘤。医生通常依赖低剂量CT扫描来发现这些被称为肺结节的肿块，但扫描并不能总是确定结节是良性还是恶性的。这种不确定性给患者造成了困境：许多带有无害结节的人因为扫描结果看起来可疑，而接受了不必要的侵入性程序，如活检或手术；而一些早期癌症却被漏诊或诊断过晚，导致疾病扩散。目前的癌症标志物血液检测在单独解决这一问题方面还不够敏感，这使得医生在对患者进行切割之前，缺乏一种可靠的、非侵入性的方法来做出正确的判断。

昆明医科大学第一附属医院的研究人员致力于通过直接观察血液中漂浮的蛋白质，寻找一种更好的区分这些结节的方法。他们首先通过检查实际的肿瘤组织并将其与健康的肺组织进行对比，使用了一种无需用化学物质标记即可同时测量数千种蛋白质的技术。这一初步筛选显示，一种被称为 LGALS3BP 的特定蛋白质在癌性组织中的含量显著高于健康组织。随后，团队在患者的血浆中寻找这种相同的蛋白质，并发现与患有肺腺癌的患者相比，其水平也升高了。为了确保这一发现是稳健的，他们在不同的患者组中验证了结果，确认了血液中该蛋白质的水平与其在相同样本中发现的遗传指令（即 mRNA）水平相匹配。这种一致性表明，测量血液中的遗传指令可以作为测量蛋白质本身的可靠且具有成本效益的替代指标。

基于这一发现，研究人员开发了一种新的诊断工具，该工具将这种特定血液标志物的水平与医生已经收集的其他信息相结合，例如患者的癌症家族史、扫描中看到的结节大小和类型，以及一种被称为 CEA 的传统标志物水平。他们将这个组合模型在 138 名患者组成的组别上进行了训练，然后在另外 47 名患者组成的独立组别上进行了准确性测试。结果显示，该新模型在识别癌症方面远优于仅观察单一因素。在训练组中，该模型的疾病识别准确度得分为 0.893，较标准临床方法有了显著提高。在第二组测试中，它保持了强劲的表现，得分为 0.856。最重要的是，该模型在识别真正患有癌症的患者方面表现得非常有效，在风险被视为中等到高风险的组别中，成功率超过了 91%。

这项研究强调，这种方法为应对肺结节诊断中的“灰色地带”提供了一种实用的方式，在那个地带，证据往往是不明确的。通过将血液中的分子信号与标准的临床观察相结合，该模型有助于更精确地进行风险分层。这意味着，具有高癌症概率的患者可以更快地被引导至必要的治疗，而低概率的患者则可能免于接受侵入性程序。然而，研究人员指出，该模型并非对每种类型的结节都完美适用；对于一种在扫描中表现为模糊、朦胧斑点的特定早期肿瘤——即纯磨玻璃结节，其敏感性较低。在这些病例中，该模型有时会漏诊癌症，这表明此类患者仍需要仔细监测，而不是仅仅依赖于这项测试。

最终，这项工作确定了一种新的、有前景的血液生物标志物，它反映了早期肺癌的生物学活动。由这一发现创建的诊断模型提供了一种具体的、基于数据的方法来支持临床决策，有望减少不必要的切除手术，同时确保真实的癌症能被早期发现。尽管该研究是在单一中心进行的，需要通过更大规模、更多样化的人群进行进一步测试以确认其广泛适用性，但它代表了在解决区分无害肺结节与致命性结节这一持久挑战方面迈出的重要一步。