2021年12月22日，北京大学JDB电子官方网站尹玉新教授团队在【Science Advances】杂志上在线发表了题为“Metabolic detection and systems analyses of pancreatic ductal adenocarcinoma through machine learning, lipidomics, and multi-omics”的研究论文，应用机器学习结合脂质组学和多组学技术综合分析胰腺导管腺癌(胰腺癌)的代谢特征，开发了一套人工智能辅助的PDAC血清代谢检测方法，并展示了相关的分子机制。

胰腺癌是目前致死率最高的癌症之一，其特点是进展迅速、早期转移和诊断困难。然而，除了传统的血液标志物CA19-9和影像学手段，现阶段尚无其他有效的方法用于胰腺癌诊断。因此，开发有效的检测手段，实现胰腺癌的早期、准确、无创检测将会提高胰腺癌的诊断效率，降低其致死率。代谢组学是继基因组学与蛋白组学后另一个广泛应用于精准医疗中的组学方法，通过代谢组学方法检测血液代谢产物的变化有望实现对癌症的早期诊断。

尹玉新团队与合作者开发了一种应用机器学习辅助代谢组学的胰腺癌无创检测方法。应用基于支持向量机-贪心算法及高分辨质谱方法分析非靶向代谢组学数据，筛选出17个血清代谢标志物，并建立了基于液相色谱-质谱的多反应检测模式靶向代谢检测方法与人工智能疾病分类模型。该方法共检测了4个队列超过1800例样本，其中包括1033名处于不同阶段的胰腺癌患者。在超过1000例的大型外部验证队列以及包含胰腺良性病变的前瞻临床队列中分别实现了86.74%，85.00%的分类检测准确性，其检测效能显著优于CA19-9与CT检查。该研究还结合单细胞转录组数据、组织蛋白质组学、代谢组学和质谱成像等多组学技术，揭示了胰腺癌组织中脂质代谢变化的机制，开拓了机器学习辅助代谢组学用于胰腺癌早期检测的高效策略。

综上所述，该研究建立了一种结合机器学习与靶向代谢组学的胰腺癌检测和分析方法。展示了机器学习辅助血清代谢组学检测胰腺癌的优势及其在癌症诊断中的应用前景。这种方法的临床应用将可能使更多胰腺癌患者获益于早期、准确的诊断，以便及时接受治疗及监测。

北京大学JDB电子官方网站博士后王光熙，中科院自动化所姚涵涛副研究员，解放军总医院巩燕副主任医师和江苏省人民医院陆子鹏副主任医师为该论文的共同第一作者，北京大学系统生物医学研究所尹玉新教授，北京大学JDB电子官方网站病理系北医三院病理科郭丽梅副教授，解放军总医院曾强教授和江苏省人民医院蒋奎荣教授为共同通讯作者。该工作还得到了北京大学第一医院杨尹默教授团队，北京大学分析测试中心聂洪港高级工程师团队，北京邮电大学赵志诚教授、孟竹博士以及北京大学JDB电子官方网站罗建沅教授的大力支持。

尹玉新教授长期从事精准医学与肿瘤代谢领域的研究，他的研究得到科技部重大专项、国家自然科学基金重点项目、北京市自然科学基金重点项目和北大-清华生命科学联合中心的支持。

原文链接：https://www.science.org/doi/10.1126/sciadv.abh2724