1. 领域背景与文献
文献英文标题：Plasma proteome–metabolome signatures enable non-invasive early detection and lymph node risk stratification in breast cancer；
发表期刊：Molecular Cancer；影响因子：未公开；研究领域：肿瘤学-乳腺癌精准诊断
乳腺癌是全球女性发病率最高的恶性肿瘤，早期诊断是显著降低患者死亡率、改善长期预后的核心关键。领域共识：目前临床常用的乳腺癌筛查方法包括超声、钼靶X线摄影等，但这类影像学技术在乳腺组织致密的亚洲女性群体中诊断准确性存在明显局限性，难以有效识别早期恶性病变，导致部分患者错失最佳治疗时机。同时，循环多组学特征在早期乳腺癌中的系统表征研究仍较为匮乏，尤其缺乏基于大样本、多中心验证队列的整合分析，无法为临床提供可推广的非侵入性诊断工具。针对这一核心问题，本研究依托注册多中心前瞻性队列，构建血浆蛋白质组-代谢组整合的液体活检框架，旨在实现早期乳腺癌的精准检测及腋窝淋巴结转移风险的有效分层，为乳腺癌的早诊早治提供新的技术范式。
2. 文献综述解析
作者对领域内现有研究的分类维度主要基于诊断技术的类型与组学整合程度，涵盖影像学诊断、单一组学生物标志物研究及多组学整合研究三类。
现有影像学诊断方法是乳腺癌筛查的主流手段，其优势在于操作便捷、可直观呈现乳腺结构，但局限性在于对致密乳腺组织的恶性病变识别准确性不足，且无法提供分子层面的生物学信息；单一组学研究虽已发现部分与乳腺癌相关的循环生物标志物，但这类研究多为小样本探索，缺乏系统的独立队列验证，且单一组学特征的特异性和敏感性难以满足临床早诊需求；多组学整合研究处于起步阶段，已有研究仅初步探索了组学数据的关联，尚未构建可用于临床实践的诊断模型，也未针对影像与病理结果不一致的临床场景进行验证。
通过对比现有研究的未解决问题，本研究的创新点在于首次基于多中心大样本队列，系统整合血浆蛋白质组与代谢组数据，不仅识别了与乳腺癌恶性进展相关的分子特征，还构建了两个具有临床应用潜力的预测模型，同时针对影像与病理结果不一致的病例验证了模型的补充诊断价值，弥补了现有研究在样本量、多组学整合及临床实用性方面的不足。
3. 研究思路总结与详细解析
本研究的整体框架为“队列构建→多组学检测→整合分析→模型构建→临床验证”的闭环逻辑，研究目标是开发可用于乳腺癌非侵入性早期检测及腋窝淋巴结转移风险分层的血浆多组学模型，核心科学问题是血浆蛋白质组与代谢组的协同特征能否有效区分乳腺良恶性病变及预测淋巴结转移状态。
3.1 研究队列建立与临床样本采集
实验目的是构建具有代表性的多中心临床队列，为后续多组学分析及模型验证提供可靠的样本基础；方法细节为依托注册的多中心前瞻性研究（NCT06016790）及独立外部验证队列，共纳入来自9家医疗机构的662名参与者，采集所有参与者的血浆样本并整理对应的临床病理资料；结果解读为成功建立了训练队列与独立验证队列，样本覆盖乳腺良恶性病变及不同淋巴结转移状态的患者，为后续研究提供了充足的临床数据支撑；产品关联：文献未提及具体实验产品，领域常规使用EDTA抗凝血浆采集管、低温存储系统等。
3.2 血浆多组学检测与数据预处理
实验目的是获取高质量的血浆蛋白质组与代谢组表达谱数据；方法细节为采用数据非依赖采集（DIA）蛋白质组学技术对血浆样本进行检测，共定量5549种蛋白质，同时采用非靶向代谢组学技术检测630种代谢物，并在独立队列中进行靶向验证；结果解读为获得了覆盖蛋白质组与代谢组的全维度循环分子特征数据，且经预处理后的数据具有良好的重复性与可靠性，可用于后续整合分析；产品关联：文献未提及具体实验产品，领域常规使用高分辨质谱仪（如Orbitrap系列）、数据非依赖采集系统等。
3.3 多组学整合分析与恶性特征识别
实验目的是筛选与乳腺癌恶性进展及淋巴结转移相关的关键分子特征；方法细节为通过生物信息学富集分析、网络建模及轨迹建模等方法，对多组学数据进行整合分析；结果解读为分析发现乳腺癌患者血浆中细胞骨架与黏附相关蛋白质（如肌动蛋白结合蛋白1（ACTN1）、黏着斑蛋白（VCL）、整合素α2b（ITGA2B）、肌球蛋白重链9（MYH9））显著富集，同时存在脂质代谢通路的重编程；进一步识别出13个与恶性病变相关的蛋白质模块及2个与疾病进展相关的代谢轨迹；产品关联：文献未提及具体实验产品，领域常规使用生物信息学分析软件（如R语言、Python）及组学数据分析平台等。
3.4 多组学诊断模型构建与临床验证
实验目的是构建并验证可用于乳腺癌早期检测及淋巴结转移预测的多组学模型；方法细节为基于筛选得到的关键分子特征，采用机器学习算法构建ProMeta-BC模型（用于区分乳腺良恶性病变）及ProMeta-BC-LN模型（用于预测腋窝淋巴结转移），并在独立验证队列及影像与病理结果不一致的病例中进行验证；结果解读为ProMeta-BC模型在训练队列中的受试者工作特征（ROC）曲线下面积（AUC）为0.973（文献未明确提供样本量及P值，基于图表趋势推测），在验证队列中为0.951（文献未明确提供样本量及P值，基于图表趋势推测）；ProMeta-BC-LN模型在训练队列中的AUC为0.841（文献未明确提供样本量及P值，基于图表趋势推测），验证队列中为0.753（文献未明确提供样本量及P值，基于图表趋势推测）；在影像与病理结果不一致的病例中，该模型检测出9例影像阴性癌症中的8例，并正确重新分类56例淋巴结状态不一致的患者中的38例，显示出良好的补充临床诊断价值；产品关联：文献未提及具体实验产品，领域常规使用机器学习建模工具（如Scikit-learn、XGBoost）等。
4. Biomarker研究及发现成果解析
本研究中的Biomarker属于循环多组学特征，筛选与验证逻辑为“多组学数据整合分析→关键特征筛选→机器学习模型构建→多队列验证→临床场景验证”的完整链条，具体包含15种蛋白质与5种代谢物的组合特征。
该Biomarker的来源为临床血浆样本，验证方法包括多组学质谱检测、机器学习模型训练及独立队列验证；特异性与敏感性方面，ProMeta-BC模型在训练队列的AUC为0.973（文献未明确提供样本量及P值，基于图表趋势推测），验证队列为0.951（文献未明确提供样本量及P值，基于图表趋势推测），ProMeta-BC-LN模型在训练队列的AUC为0.841（文献未明确提供样本量及P值，基于图表趋势推测），验证队列为0.753（文献未明确提供样本量及P值，基于图表趋势推测）。
核心成果提炼：该多组学Biomarker组合不仅能够有效区分乳腺良恶性病变，还可实现腋窝淋巴结转移风险的分层，其创新性在于首次在多中心大样本队列中系统整合血浆蛋白质组与代谢组数据，构建了具有临床实用性的诊断模型，解决了现有影像学方法在致密乳腺诊断中的局限性，同时为影像与病理结果不一致的临床场景提供了有效的补充诊断工具；该Biomarker组合的功能关联在于其反映了乳腺癌细胞骨架重塑、细胞黏附及脂质代谢重编程的恶性生物学特征，为乳腺癌的分子机制研究提供了新的视角。