Journal of Translational Medicine

《转化医学杂志》 · Springer Nature / BMC 出版 · 2026 年 24 卷 298 篇 · 开放获取（OA）　|　IF 9.7（5年 8.8） · Q1 · 中科院医学 2 区 · RESEARCH

DOI 10.1186/s12967-026-07767-1　原文链接 https://link.springer.com/article/10.1186/s12967-026-07767-1　许可协议 CC BY-NC-ND 4.0（署名-非商业性使用-禁止演绎）　收稿/接受 2025-12-02 收稿 | 2026-01-22 接受 | 2026-01-30 在线发表

通讯作者：Yu Zhou（zhouyu@gdph.org.cn）、Rufu Chen（chenrufu@smu.edu.cn）　第一作者：Jiabin Yang（杨佳斌）、Bingxin Cao、Anwaier Yuemaierabola、Yanyu Gong（共同第一作者）　研究单位：广东省人民医院（南方医科大学、广东医科大学）；华南理工大学医学院；华中科技大学同济医学院附属协和医院　数据来源：UK Biobank（申请号 85224）

一句话速读

胰腺癌确诊时八成以上已是中晚期，而新发糖尿病（NODM）往往出现在确诊前 3 年以内，是天然的「早期预警窗口」。本研究以 NODM 为富集入口，用 14 项常规临床变量构建可解释的 CatBoost 模型（验证集 AUROC 0.844、敏感度 87.7%），再叠加蛋白组与代谢组交叉验证，锁定 PLTP、CRTAC1、ITGAV 三个可检测的血清标志物，提出「先人群分层、再个体确诊」的两步早筛策略。

📌 编者提示

下文为原文完整中文翻译（含方法、结果、讨论与全部图表说明），未删节。翻译过程中发现原文中存在两处数值口径差异，译文按原文如实呈现并在此标注：①摘要写「高危 2,362 / 低危 5,030 人」，结果部分写「高危 2,360 / 低危 5,032 人」；②摘要称比较「8 种」机器学习分类器，方法部分列举 7 种算法（CatBoost、GaussianNB、LightGBM、Linear SVM、LR、RF、XGBoost）并另构建 1 个堆叠集成模型，图 4 图注按 8 个模型作图。读者引用具体数字时请以原文可核查的对应章节为准。

摘要

背景　鉴于胰腺癌（PC）通常在晚期才被诊断，但常 precede 以新发糖尿病（NODM）出现，这就提供了一个早期检测的窗口期，我们试图开发并验证一个整合多组学分析的、可解释的机器学习模型，以鉴定 NODM 相关 PC 的早期生物标志物。

方法　在一个人群队列中，我们筛选出 NODM 相关 PC 患者与「有 NODM 但无 PC」个体，在完成特征选择后按 70:30 随机划分为训练集与验证集。采用五折交叉验证比较 8 种机器学习（ML）分类器，并从区分度、校准度与基于决策曲线的临床效用三方面评价模型表现。用 Shapley 加性解释（SHAP）分析评估可解释性。机制层面，通过临床分组与模型定义的风险分层，对 Olink 蛋白组学与代谢组学数据进行分析。

结果　CatBoost 在独立验证集上取得最佳表现（AUROC = 0.844）。NODM 队列被划分为高危组（n = 2,362）与低危组（n = 5,030），内部验证结合 SHAP 分析显示模型表现稳定一致，并识别出具有临床可解释性的预测因子。临床分组与风险分组下的蛋白组学、代谢组学分析共鉴定出 39 个重叠差异表达蛋白与 145 个重叠代谢物，富集于 11 条共同的 KEGG 通路。跨平台验证凸显 PLTP、CRTAC1 与 ITGAV 作为血清标志物，在 NODM-PC 的早期检测中具有很强潜力。

结论　我们构建了以 NODM 为核心的可解释 ML 框架，通过多组学实现了对 PC 早期检测的实用风险分层，并提供了「ML 分诊 → 标志物确认」这一路径，以实现更早的检测与诊断。

关键词　胰腺癌；新发糖尿病；机器学习；早期筛查；多组学

图 1｜研究设计与模型开发流程示意图。分析以 UK Biobank 队列为起点，依次进行临床数据提取、特征筛选与选择；随后对候选模型进行训练与验证，确定识别 NODM-PC 表现最佳的分类器；最后通过整合性多组学分析与临床检测，筛选并验证用于 PC 早期检测的血清标志物。

一、引言

胰腺癌（PC）隐匿性强、进展迅速，且极易早期转移。超过 80% 的患者在确诊时已属晚期，这使得全球 5 年总生存率仅约 13%。这一疾病负担仍在持续上升，预计在若干高人类发展指数国家将成为癌症相关死亡的第二大原因。尽管手术联合新辅助或辅助治疗、系统化疗以及免疫或靶向治疗不断取得进展，总体长期生存仅获得小幅改善：仅 15–20% 的患者符合可能实现根治性切除的条件，且完整切除后的复发仍十分常见，提示治疗已进入平台期。这一现实凸显出我们必须通过更早的检测与精准筛查实现「分期提前（stage shift）」，以改善预后、支撑个体化治疗并提高治愈可能。

PC 与糖代谢紊乱关系密切，新发糖尿病（NODM）已被公认是关键的早期临床信号，也是识别高危、无症状个体的实用筛查筛选器。近年来针对 NODM 人群的风险分层模型快速发展：血糖异常通常在 PC 确诊前 3 年内出现，约半数可切除或小体积肿瘤患者存在糖耐量受损或糖尿病。在 NODM 个体中，NODM 之后 3 年累计 PC 发病率为 0.51%，按标准化发病比计算对应 4.6 倍的风险。尽管遗传学与多组学研究已改善了风险建模，但生物学可解释、经临床验证的标志物与可干预靶点仍然有限。因此，以 NODM 作为高产的富集入口，将可解释的机器学习（ML）与多组学发现相整合，是开发具有临床意义标志物并实现更早、更个体化 PC 发现的切实可行路径。

本研究整合了 NODM 背景下 PC 的临床特征，开发了一个可解释的 ML 模型以在 NODM 人群中识别早期 PC；随后将模型与整合性的蛋白组学、代谢组学分析相耦合，以鉴定血清可检测的标志物，并勾勒出一条切实可行的、以标志物辅助诊断的策略，用于 NODM-PC（NODM 相关 PC）的早期检测。

二、方法

本研究的整体工作流程见图 1。

2.1　研究设计与人群

本研究使用 UK Biobank（UKB）数据，该队列为人群基础的 prospective 队列，包含约 500,000 名年龄在 37–73 岁之间、于 2006 至 2010 年间招募的参与者。基线时，参与者完成人口学与生活方式问卷、接受人体测量评估并提供生物样本。结局通过与住院统计（hospital episode statistics）、国家癌症登记及死亡记录链接进行纵向 ascertainment。研究经英国 NHS 研究伦理委员会批准（21/NW/0157），所有参与者均提供书面知情同意。随访于 2024 年 5 月 8 日完成。PC 病例通过住院记录与国家登记中的 ICD-10 / ICD-9 编码确定，并辅以自报癌症疾病编码。糖尿病通过 ICD-10 / ICD-9 住院编码、自报非癌症疾病编码及自报医师诊断确定（表 S1）。参照既往工作，35 岁之后发病的未特指糖尿病归类为 2 型糖尿病（T2DM）。NODM 定义为 PC 确诊或队列基线前 3 年内首次出现的 T2DM 诊断。为确保时间先后关系、减少因同期发现导致的反向因果问题，同期诊断（定义为同日诊断 T2DM 与 PC）的患者在敏感性分析中被排除。PC 或糖尿病缺失诊断日期的个体亦被排除。

2.2　变量与候选预测因子

我们从 UKB 中提取了涵盖病史、生化指标、人体测量与生活方式的 229 个变量（表 S2、S3）。我们将 NODM-PC 情境下的 PC 个体与三个参照组进行比较：伴长期糖尿病的 PC（LTDM-PC）、不伴糖尿病的 PC（nonDM-PC）以及不伴癌症的 T2DM。共有 17 个变量在各项比较中表现出方向一致效应。这些变量与 5 项核心协变量（年龄、性别、种族、吸烟、饮酒）共同构成 22 个候选预测因子（表 S4）。连续变量做标准化处理，分类变量做独热编码，缺失数据采用多重插补处理。

2.3　特征选择、模型开发与验证

主要目标是区分 NODM-PC 与「有 NODM 但无 PC」（NODM-nonPC）个体。参与者数据在特征选择后按 7:3 比例随机划分为训练集与验证集。连续特征用 z-score 标准化，分类变量做独热编码。模型构建使用 7 种 ML 算法，包括类别提升（CatBoost）、高斯朴素贝叶斯（GaussianNB）、轻量梯度提升机（LightGBM）、线性支持向量机（Linear SVM）、逻辑回归（LR）、随机森林（RF）与极端梯度提升（XGBoost）。训练中使用类别权重以避免合成样本可能带来的偏倚。模型开发采用网格搜索策略结合分层五折交叉验证进行超参数调优。表现最佳的模型（LR、Linear SVM、XGBoost、LightGBM、CatBoost）的前三组特征组合及相应超参数被选为堆叠集成的基模型（表 S5）。RF 被用作元分类器，对基模型聚合结果进一步处理，构建堆叠集成算法模型。训练集内使用五折交叉验证进行超参数优化，选取 AUROC 最高的模型。确定基模型后，进一步用网格搜索方法优化 RF 元分类器的超参数以确定最佳配置。验证集表现通过 ROC 曲线、准确率、平衡准确率、敏感度、特异度与阴性预测值（NPV）评估。训练集与验证集的全部性能指标均采用 bootstrap 重抽样估计 95% 置信区间。校准曲线用于评价预测风险与实际风险的一致性，决策曲线分析（DCA）用于量化各概率阈值下的净临床获益。一个包含 14 个变量的 CatBoost 模型表现最佳，被选为最终分类器。最终模型的特征重要性用 Shapley 加性解释（SHAP）进行解读，以增强其可解释性。

2.4　蛋白组学数据分析

蛋白标志物数据取自 UKB 约 55,000 名参与者的独立样本集合，使用 Olink Explore 平台检测，可在心血管代谢、炎症、神经与肿瘤四个 panel 中定量至多 2,923 种蛋白。质量控制包括离群值检测与数据归一化。蛋白丰度表示为 log2 缩放的归一化蛋白表达值。缺失数据超过 20% 的蛋白被排除，其余缺失值采用链式方程多重插补（MICE）填补。最终分析数据集包含 2,912 种蛋白。病例-对照分析中，NODM-PC 组可用 1,459 种蛋白，NODM-nonPC 组可用 2,912 种，其中两组共有 1,458 种蛋白。差异表达分析采用 Student t 检验，p 值 < 0.05 且 |log2 倍数变化（FC）| > 0 的蛋白被判定为显著差异表达。

2.5　代谢组学数据分析

代谢物标志物数据来自 UKB 约 118,000 名参与者的血浆样本，使用高通量核磁共振（NMR）平台（Nightingale）测定。血浆样本于基线及随访期间用 EDTA 管采集，2019 至 2020 年间分两个阶段分析。Nightingale 平台定量了 251 种循环代谢物标志物（包括葡萄糖、乳酸与经光谱仪校正的丙氨酸），由 170 种以绝对浓度（mmol/L）表示的代谢物与 81 项比值指标构成。这些标志物跨越多条通路，包括 14 类脂蛋白亚类、脂肪酸、氨基酸、酮体与糖酵解相关代谢物。样本处理与分析过程中实施了严格的质量控制，仅保留符合认证质量标准的样本与代谢物数据。251 种代谢物的缺失比例 ≤ 20%，缺失数据采用 MICE 插补。差异分析采用 Wilcoxon 秩和检验，p 值 < 0.05 且 |log2FC| > 0 的代谢物被判定为显著差异代谢物。

2.6　临床验证

共从中国广东省人民医院（广东省广州市）的 PC 患者中获得 62 份 PC 组织样本与 12 份血液样本。这些患者的详细临床特征见表 S6。组织样本于肿瘤切除后获取并经两名病理医师确认。血浆样本经采集、处理后于 −80 °C 保存。使用泛多重免疫荧光试剂盒（Panovue，北京，货号 10002100050）进行染色，染色指标包括 PLTP 抗体、CRTAC1 抗体、ITGAV 抗体（均为 Proteintech，武汉）与用于核染色的 DAPI。福尔马因固定石蜡包埋的 PC 组织切片经脱蜡、水化、抗原修复并封闭内源性过氧化物酶活性后，一抗于 37 °C 孵育 1 小时，二抗于 37 °C 孵育 30 分钟，采用酪胺信号放大实现荧光信号增强。最后以 DAPI 复染、水洗、抗淬灭封片液封片、盖玻片封固，随后使用 LSM900 共聚焦显微镜系统（Carl Zeiss AG）成像。

血浆中 PLTP、CRTAC1 与 ITGAV 的定量检测采用人酶联免疫吸附试验（ELISA）试剂盒（Abbexa，英国剑桥）并按说明书操作（PLTP，货号 abx152788；CRTAC1，货号 abx520680；ITGAV，货号 abx253772），最终浓度由标准曲线确定。

2.7　在线预测模型的网页设计

为便于该模型的临床应用，我们基于 Python 3.10+ 的 Streamlit（v1.48.0）包构建了交互式网页应用，用于最终预测模型的在线部署。该应用支持实时风险预测：用户输入所需变量后，即可获得相应的风险概率以及基于 SHAP 的病例级特征归因。该部署支持床旁可及性、透明可解释性，并便于融入常规诊疗流程。

2.8　统计学分析

基线特征中，连续变量以均数 ± 标准差描述，分类变量以百分比描述。连续变量按需采用 t 检验、Mann-Whitney U 检验或 Wilcoxon 秩和检验比较，分类变量采用卡方检验比较。单模型与堆叠 ML 模型的预测性能用 ROC 曲线评价。模型构建与验证使用 Python 完成，其他分析使用 R 软件（version 4.3.1）完成。所有统计检验均为双尾检验，p 值 < 0.05 视为具有统计学意义。

三、结果

3.1　研究人群与基线特征

我们对 UKB 中 50,862 名个体的人口学与临床特征进行了描述性分析。队列包括 NODM-PC（n = 190）、LTDM-PC（n = 253）、nonDM-PC（n = 1,749）、NODM-nonPC（n = 7,202）以及排除 NODM-nonPC 后的 T2DM（n = 41,468）个体（图 2）。人口学、实验室及人体测量参数的详细比较见表 S7。

图 2｜研究流程图。UK Biobank 研究队列的患者纳入与排除标准流程图。

3.2　特征选择与数据选择

本研究共汇编 519 个基线候选特征。在处理缺失数据并评估其可用性后，保留 229 个变量用于差异比较（表 S8）。为识别与 NODM 相关 PC 的早期预测特征，我们将 NODM-PC 与 LTDM-PC、nonDM-PC 及 T2DM 组进行比较，并选取各比较中的交集变量。结合常规建模中的重要特征，最终获得 22 个用于建模的候选预测因子。NODM-PC 与 NODM-nonPC 人群用于模型开发。样本经分层后随机划分为训练集（NODM-PC，n = 133；NODM-nonPC，n = 5,041）与验证集（NODM-PC，n = 57；NODM-nonPC，n = 2,161）（图 3A–E，表 S9）。

图 3｜特征选择与可视化。（A）韦恩图，展示三组对比（NODM-PC vs. LTDM-PC、NODM-PC vs. NonDM-PC、NODM-PC vs. T2DM）间的差异特征。（B–C）在三项比较中均表现出一致差异的分类变量（B）与连续变量（C）的可视化。（D–E）用于模型构建的入选分类变量（D）与连续变量（E）的分布图，分别按 NODM-PC 与 NODM-nonPC 两个队列展示。

3.3　ML 模型开发与性能评价

我们采用逐步特征选择（前进与后退）并结合五折交叉验证进行超参数调优与性能估计，在 7 个分类器（LR、Linear SVM、GaussianNB、RF、XGBoost、LightGBM 与 CatBoost）上评估了 22 个候选预测因子。逐步产生了每个迭代模型的最优参数与性能指标。模型训练后构建了堆叠集成算法。特征数量与模型性能的关系以及各算法的评价指标见表 S10 与图 S1–S7，包括 ROC 曲线、精确率-召回率曲线、准确率、平衡准确率、敏感度、特异度与 NPV。在单算法模型中，CatBoost 在独立验证集上取得最高区分度（AUROC = 0.844），优于其他候选模型，在区分 NODM-PC 与 NODM 人群方面表现出稳健效能（图 4A–D）。然而，尽管整合了 5 种算法的堆叠集成模型并未带来性能提升。进一步地，为评估稳健性，我们进行了排除「同日诊断 T2DM 与 PC」个体的敏感性分析。CatBoost 模型在验证集上仍保持强劲表现（AUROC = 0.801；敏感度 = 86.1%），表明在减少潜在时间顺序偏倚后区分度依然稳定（表 S11 与图 S8）。

图 4｜预测 NODM-PC 的 ML 模型性能。训练集（A）与验证集（B）中 8 个模型的 ROC 曲线；同一批模型在训练集（C）与验证集（D）中的精确率-召回率曲线。

3.4　可解释性分析与临床网页工具的开发

为优化 NODM 人群中 PC 的早期预测，我们比较了不同的特征集合，识别出一个包含 14 个变量的 CatBoost 模型，其关键预测因子包括糖化血红蛋白、总胆固醇、年龄、平时步行速度与躯干脂肪量。该模型在 NODM-PC 预测中表现出可靠且一致的性能，适用于早期筛查与风险评估（图 5A–D）。在预设阈值 0.257 处，预测概率在训练集与验证集中均清晰区分了 NODM-PC 与 NODM 病例（图 5E–G）。模型敏感度较高（0.877），支持对 NODM-PC 的有效早期检出；特异度为 0.695，可合理排除以识别高危个体。此外，平衡准确率为 0.786，表明整体区分度稳定。这些结果显示 CatBoost 模型在保持较高 NPV 的同时优先保障敏感度，能有效排除低风险的 NODM-nonPC 病例并捕获大部分 NODM-PC 病例（图 5H）。

DCA 进一步显示，在 2–55% 的阈值概率区间内，CatBoost 模型较「全部干预」或「均不干预」策略产生更大的净获益，支持其用于指导高危人群的靶向筛查决策（图 5I）。全球层面与个体层面的 SHAP 分析显示，体成分指标（如体重与腰围）、功能表型（如步行速度）以及若干代谢与生活方式相关变量是主要风险驱动因素（图 5J–L）。为便于临床使用，我们开发了基于 Streamlit 的交互式网页界面，接受单个患者输入，生成校准后的风险概率，并提供病例级特征归因（瀑布图与力图），以促进医患沟通与决策（图 5M）。临床医生只需输入 14 项必需特征的实际数值，即可自动获得 NODM 患者的个体化 PC 风险预测。应用可通过以下链接访问：https://ml-prediction-website-l7ccfnp2yhznfknxsjqfugx.streamlit.app/

图 5｜CatBoost 模型的表现。（A）144 种 CatBoost 配置下入选特征数与 AUROC 的关系。（B）各特征数量层级上表现最佳的 CatBoost 模型的 AUROC。（C）144 种配置下特征数与准确率的关系。（D）各特征数量层级上最佳 CatBoost 模型的准确率。（E）最终 CatBoost 模型在训练集与验证集中的混淆矩阵。（F–G）训练集（F）与验证集（G）中 NODM-nonPC 与 NODM-PC 的预测概率。（H）最终 CatBoost 模型的总体性能（汇总指标）。（I）最佳 CatBoost 模型的 DCA。（J）最终 CatBoost 模型的特征重要性。（K–L）验证集 SHAP 汇总图：条形图（K）与蜂群图（L）。（M）使用 CatBoost 模型预测 NODM-PC 的网页界面。

3.5　CatBoost 模型变量的热图分析

采用 CatBoost 模型的预设阈值，我们把 NODM 队列划分为高危组（n = 2,360）与低危组（n = 5,032）。为直观呈现模型在 NODM 人群中的表现，我们生成了热图，展示关键预测因子（如年龄、HbA1c 与全身脂肪量）在各个体中的观测值。热图（图 6A）显示风险分层之间存在清晰分离，且训练集与独立验证集上的模式彼此一致，支持模型具有较强的预测准确性与泛化能力。这些结果凸显了该模型在临床场景中早期识别 NODM 高危 PC 个体的潜力。

3.6　多组学整合分析

为优先筛选稳健标志物并降低噪声，我们采用双重验证策略：将临床分组（代表表型金标准）与基于模型的风险分组（代表算法预测逻辑）下的差异表达分子取交集。这种汇聚式策略可分离出在两个维度上均一致的生物学稳定靶点，确保生物学稳健性而非单纯依赖模型。为进一步探究 NODM-PC 背后的机制，我们分析了 16 名 NODM-PC 与 752 名 NODM-nonPC 参与者的 Olink 蛋白组学数据，聚焦 1,458 种交集蛋白。基于临床分组（NODM-PC vs. NODM-nonPC）共鉴定出 93 个差异表达蛋白（其中 37 个上调、56 个下调）（图 6B–C 与表 S12）。基因本体（GO）富集分析（图 6D）显示，白细胞迁移、含胶原的细胞外基质与糖胺聚糖结合相关通路显著上调，而 MAPK 级联正向调控、质膜外侧与信号受体激活活性相关通路显著下调。京都基因与基因组百科全书（KEGG）通路分析（图 6F）显示 PI3K-Akt 信号通路、补体与凝血级联及 ECM-受体相互作用显著上调，而细胞因子-细胞因子受体相互作用与病毒蛋白同细胞因子及其受体相互作用显著下调。基于模型的风险分层中，高危组包含 230 份有蛋白组学数据的样本（16 份来自 NODM-PC 组、214 份来自 NODM 组），低危组包含 538 份（均来自 NODM 组）（图 S9A–B）。共鉴定出 343 个差异表达蛋白（117 个上调、226 个下调）（图 6B–C 与表 S13）。GO 富集分析（图 6E）提示病毒侵入宿主细胞、蛋白-脂质复合物与病毒受体活性相关通路显著上调；而神经系统发育、质膜外侧与信号受体激活活性相关通路显著下调。KEGG 通路分析（图 6G）显示 PI3K-Akt 信号通路、醚脂代谢与胆固醇代谢上调，细胞因子-细胞因子受体相互作用与 TNF 信号通路下调。将两组的上下调结果取交集，得到 39 个表达趋势一致的关键蛋白（13 个上调、26 个下调）（图 6C）。这些蛋白在临床分组与模型风险分组的热图中表达趋势相似（图 S9E–F）。值得注意的是，PLTP、CRTAC1 与 ITGAV 在 NODM-PC 中高表达。功能富集分析显示两种分组间高度一致，尤其体现在涉及 PI3K-Akt 信号与细胞因子-细胞因子受体相互作用的通路上。这些发现进一步证明 CatBoost 模型在分子层面区分 NODM 人群中的 PC 时具有很高稳定性。

此外，我们用 NMR 代谢组学检测到 251 种代谢物，其中包括 103 例 NODM-PC 与 3,921 例 NODM-nonPC。基于临床分组（NODM-PC vs. NODM-nonPC）鉴定出 147 个差异代谢物（119 个上调、28 个下调）（图 6H–I 与表 S14），并随后进行富集与通路拓扑分析。经模型风险分层后，高危组包含 1,332 份样本（99 份 NODM-PC、1,233 份 NODM-nonPC），低危组包含 2,692 例（4 份 NODM-PC、2,688 份 NODM-nonPC）（图 S9C–D）。两组差异分析共鉴定出 210 个代谢物（170 个上调、40 个下调）（图 6H–I 与表 S15）。两种分组的交集得到 145 个一致的代谢物（118 个上调、27 个下调）（图 S9G–H）。在临床分组中，6 条 KEGG 通路显著上调、6 条显著下调。总体而言，11 条 KEGG 通路（图 6J）在临床分析与风险分层分析之间高度重叠：6 条上调、5 条下调，提示代谢通路的扰动在各分组间保持稳定。为进一步评估这些通路在代谢网络中的相关性，我们对上述 12 条一致显著的 KEGG 通路进行了富集与拓扑分析。其中 5 条通路显著富集（p < 0.05），即缬氨酸、亮氨酸与异亮氨酸生物合成；亚油酸代谢；以及新霉素、卡那霉素与庆大霉素生物合成，它们的 Impact 值均 > 0.2，表明在代谢网络中占据关键拓扑位置，并对整体代谢调控具有显著影响。

图 6｜整合性多组学分析。（A）训练集与验证集队列中临床特征的热图。（B）临床分组与模型定义的风险分组中差异表达蛋白的火山图。（C）蛋白组学中「临床分组 vs. 模型定义风险分组」差异信号重叠的韦恩图。（D–E）临床分组（D）与风险分层分组（E）分析的 GO 富集结果。（F–G）临床分组（F）与风险分层分组（G）分析的 KEGG 通路富集结果。（H）代谢组学中「临床分组 vs. 模型定义风险分组」差异信号重叠的韦恩图。（I）临床分组与风险分层分组中差异表达代谢物的火山图。（J）临床分组与风险分层分组分析的代谢通路富集结果。

3.7　关键分子与临床验证

为提升早期诊断模型的临床适用性，我们进一步在临床样本中研究了 NODM-PC 的早期标志物。基于 Athanasiou 等人基于 Olink 平台发表的蛋白组学数据[24]，NODM-PC 相比 nonDM-PC 有 525 个蛋白上调。此外，对临床蛋白质组肿瘤分析联盟（CPTAC）数据集的分析显示，相对健康人群，PC 中有 2,407 个蛋白上调。将上述结果与我们前述的临床分组与风险分组整合后，NODM-PC 中 13 个上调蛋白与上述上调蛋白交叉分析，最终得到 3 个与 NODM-PC 相关的蛋白：PLTP、CRTAC1 与 ITGAV（图 7A–B、图 S10A–B）。在三项独立分析中，所有标志物均呈正相关（log(OR) > 0）；CRTAC1 与 ITGAV 在各队列中表现出一致且统计显著的效果，而 PLTP 整体呈中度效应（图 7C）。我们利用 CPTAC 数据探究了 PLTP、CRTAC1 与 ITGAV 在 PC 分期中的相关性。结果显示，与健康人群相比，这三种蛋白在早期与晚期肿瘤之间的表达并无显著差异，提示它们作为 NODM-PC 早期标志物具有潜在稳定性（图 7D）。随后我们在本研究临床队列中完成验证。患者血浆的 ELISA 检测显示，NODM-PC 患者的 PLTP、CRTAC1 与 ITGAV 水平较 nonDM-PC 升高（图 7E）。此外，患者组织的多重免疫组化显示，NODM-PC 中三者的过表达模式与非 DM-PC 相似（图 7F）。这些发现表明 PLTP、CRTAC1 与 ITGAV 与 NODM-PC 密切相关，是其早期诊断颇具前景的标志物。

图 7｜标志物优先级排序与临床验证。（A–B）筛查流程示意图。（A）及韦恩图（B）：本研究中 NODM-PC 人群上调蛋白、CPTAC 数据库 PC 人群上调蛋白与基于 Olink 的 NODM-PC 蛋白组学研究三者的交集。（C）3 个候选标志物（PLTP、CRTAC1、ITGAV）在四个数据集——临床分组的 NODM-PC 队列、风险分层分组的 NODM-PC 队列、CPTAC 与 Olink 研究——中效应量的森林图。（D）CPTAC 中 PLTP、CRTAC1、ITGAV 在健康组、I–II 期与 III–IV 期三组间的表达。（E）nonDM-PC vs. NODM-PC 血浆中 PLTP、CRTAC1、ITGAV 的 ELISA 定量（n = 6）。（F）nonDM-PC 与 NODM-PC 中 PLTP、CRTAC1、ITGAV 表达的代表性 HE 与 mIHC 图像及定量分析。比例尺 50 μm。（D）中采用单因素方差分析后行 Dunnett 检验，（E）中采用双尾 Student t 检验。数据为 3 次独立实验的均数 ± SD。（ns：无显著差异；*：p < 0.05；**：p < 0.01；***：p < 0.001）

四、讨论

本研究以 NODM 作为人群富集的高产入口，基于人群层面数据开发并验证了一个可解释的 ML 框架，并整合多组学数据以阐明 NODM-PC 的生物学基础。该模型在训练队列与验证队列中表现一致，能够在 NODM 人群内部进行风险分层。结合独立的组学信号，它识别出生物学上合理的通路与标志物。因此我们提出两步早筛策略：「先人群，后个体」。第一步，临床 ML 模型在人群层面进行风险分层；第二步，高危个体接受血清标志物确认检测，以辅助 NODM-PC 的早期诊断。该策略将 NODM 定位为「第一道筛查」，提供了实现 NODM-PC 检测分期提前的切实入口。

鉴于 PC 在普通人群中的发病率很低，全人群筛查效率低下且资源消耗巨大。要提高诊断产出，必须聚焦高危亚组。例如，Boursi 等人[28]提出一个使用常规临床变量的模型，在 3 年风险阈值 1% 时约选出 6.19% 的 NODM 个体进入二线筛查，AUC 达到 0.82，展示了资源可行的路径。同样，梅奥诊所的 END-PAC 评分基于年龄、体重变化与血糖变化，验证集 AUC 达 0.87，并把高危层级的 3 年发病率富集至约 3.6%，凸显了纵向代谢轨迹的价值[29]。我们的工作强调了在 NODM 人群中做「进一步富集」的必要性。与已有工具相比，我们的模型通过仅依赖单时间点的入院数据来优化变量复杂度；它展现出稳健的区分度与更优的敏感度（87.7%），尽量减少漏诊，并通过多组学验证提供独特的机制洞见，从而支撑其临床效用。为缓解过拟合与虚假发现，我们采用了保守的特征选择、五折交叉验证，并考察了风险分层与临床分组之间的生物学一致性。这一方法建立了一个闭环策略：把人群层面的风险分层与个体层面的多组学验证整合起来，形成稳健的临床模型开发流程。我们进一步在 NODM 人群内用可解释 ML 模型进行富集。SHAP 归因凸显了体重变化、血糖指标、血脂代谢与人体测量指标的方向性贡献，这些因素可显著提升阳性预测值，同时降低广泛筛查带来的成本与负担。

识别高性能标志物是提升筛查效率的另一条路径[30–32]。为有效识别 NODM-PC 高危个体，我们的模型通过可解释性与多组学数据整合，在预测与生物学机制之间架起桥梁。既往研究已鉴定出肿瘤分泌的致糖尿病因子，如半乳糖凝集素-3（galectin-3）与 S100A9，它们能区分 PC 相关糖尿病（PCDM）与 T2DM，验证集 AUC 分别约为 0.83 与 0.77。这些发现提示约 1% 的 NODM 病例实为 PCDM，且约 50% 的 PC 病例在确诊前 24 个月内会出现 PCDM 表型[33]。因此我们整合蛋白组与代谢组数据，观察到炎症—脂质代谢—胰岛素信号轴上的协同扰动，与上述 PCDM 机制一致。此外，临床验证确认 PLTP、CRTAC1 与 ITGAV 是 NODM-PC 的早期、可干预指标，从而为模型可解释性提供了生物学支撑，并识别出用于分诊与确认的实用标志物。机制上，这些标志物把全身代谢失调与肿瘤侵袭性连接起来：ITGAV 驱动 PC 转移与纤维化相关的胰岛素抵抗[34, 35]；PLTP 促进对肿瘤适应至关重要的脂质重塑[36, 37]；而与 BMI 稳健关联的 CRTAC1 提示存在基质介导的代谢支持系统[38, 39]。总体而言，这些标志物反映了 NODM-PC 发病机制背后的炎症—脂质—胰岛素轴。

PC 的防治结局极差，主要归因于早期检测困难、缺乏有效根治性治疗手段以及预后改善有限[40–42]。鉴于 5 年生存率持续低迷，真正有意义的进展必须把诊断推进到更早的阶段，使超过 10–15% 的患者符合根治性切除条件。本研究为实现这一目标提供了可行框架。由于全人群筛查不可行， efforts 应聚焦高危群体，把 NODM 作为第一道筛查工具。为把模型性能转化为可执行的筛查策略，我们基于 Youden 指数与 DCA 曲线确定了 0.257 的最优风险阈值。在该阈值下，模型把患者分为需要二级筛查策略的高危组（例如影像学检查与标志物复测）。重要的是，这一靶向策略通过排除约 70% 的低危个体（特异度 69.5%）有效降低了不必要的影像学负担；同时模型保持 87.7% 的高敏感度，只有预测风险 > 25.7% 的 NODM 患者才被转诊做随访影像（如 CT/MRI）。临床医生可依据本地医疗资源与风险容忍度调整转诊阈值，从而提高早期诊断的可能性并改善 PC 生存。

⚠️ 局限性（原文自述）

其一，NODM-PC 病例数相对有限，多组学子队列中尤甚。临床上早期 NODM-PC 难以确认，因为 PC 起病隐匿，约 80% 患者确诊时已至中晚期[43]，因此汇集真实世界早期数据本身极具挑战，这也凸显了基于 NODM 的早期检测策略的必要性。针对这些限制，我们已采取严格措施缓解过拟合，包括分层 5 折交叉验证、保守的特征选择与类别权重；同时在占队列 30% 的独立验证集上以 bootstrap 法给出置信区间以量化模型不确定性。

其二，本研究缺少具有标准化多组学数据的外部队列，临床验证样本量也相对偏小；但模型所用常规变量的实用可行性，以及 PLTP、CRTAC1、ITGAV 初步但前景良好的跨平台一致性，支持其更广泛应用的潜力，仍需在更大规模、多中心的前瞻性研究中进一步验证。

其三，受限于数据条件，本研究未能在该队列中直接与 END-PAC 或 Boursi 等既有评分体系做正面对标——这些经典模型需要纵向数据以计算时间轨迹（如 12 个月体重变化），而本模型被设计为利用横断面基线特征即刻完成风险分层。

其四，胰腺源性糖尿病（3c 型 DM）虽被广泛视为 PC 筛查的重要早期信号，其生物学基础尚未被完全阐明。此外，尽管已做广泛的协变量调整，残余混杂与反向因果仍有可能存在——尤其当隐匿肿瘤在临床诊断前即影响血糖控制与炎症标志物时。

其五，UK Biobank 是以欧洲血统的中年成年人为主、志愿者构成的队列，这可能限制结果向更年轻人群、非欧洲人群及更高危临床场景的推广。最后，未来研究应纳入多中心前瞻性验证、与多基因风险评分（PRS）的分层整合，并开发针对候选标志物的功能性与体液检测方法。

五、结论

总之，我们以 NODM 作为高产入口，应用可解释的 ML 模型识别早期 PC 风险升高的个体，并将该框架与整合性蛋白组学、代谢组学分析相结合，为模型提供生物学依据，同时鉴定出可干预的标志物与潜在治疗靶点。这一闭环框架——从人群层面富集，到模型构建、机制追问，再到策略制定——为实现有意义的临床转化与改善生存结局提供了一条现实可行的路径。

关于木芮生物ABOUT MURUIBIO

苏州木芮生物科技有限公司（以下简称“木芮生物”）成立于2018年1月22日，是一家致力于以斑马鱼为模式生物提供生物医学基础科研服务、斑马鱼实验操作试剂盒、斑马鱼临床疾病模型、其他生物学实验试剂以及进行斑马鱼应用技术转化的高科技公司。木芮生物以斑马鱼为模式生物，建立起了上百种的临床疾病模型，深入探索相关疾病发生的深层次疾病机制， 进而为临床治疗疾病提供可行的治疗方案或者药物筛选机制。到目前为止，木芮生物已经建立起包括遗传、行为、 细胞、 生化分子等斑马鱼相关成熟的技术，并且依托这些技术成功将斑马鱼应用到基础科研、毒理测试、癌症药物筛选、 中药药效成分筛选、保健品开发和功效评价。木芮生物经过七年的快速发展，公司现已有核心创业团队成员20余人，其中博士研究生1人，硕士研究生6人，本科生10余人。木芮生物成立后，陆续与江苏省产业研究院和苏州纳米应用技术研究所等科研单位建立起了科研合作，建立了“模式生物技术与应用研发中心”；公司于2020年被认定为“国家高新技术企业”，于 2021年底获得苏州工业园区“领军成长企业”称号。