ကွန်ပျူတာဓာတ်မှန်ရိုက်ခြင်း (CT) ဖြင့် ဖော်ထုတ်ထားသော အဆုတ်အကျိတ်များကို ခွဲခြားသတ်မှတ်ခြင်းသည် လက်တွေ့လုပ်ငန်းခွင်တွင် စိန်ခေါ်မှုတစ်ရပ်အဖြစ် ရှိနေဆဲဖြစ်သည်။ ဤနေရာတွင် ကျန်းမာသော ထိန်းချုပ်မှုများ၊ အကျိတ်အခဲမရှိသော အဆုတ်အကျိတ်များနှင့် ပထမအဆင့် အဆုတ်အကျိတ်ကင်ဆာ အပါအဝင် သွေးရည်ကြည်နမူနာ ၄၈၀ ၏ ကမ္ဘာလုံးဆိုင်ရာ ဇီဝဖြစ်စဉ်ကို ကျွန်ုပ်တို့ ဖော်ပြထားပါသည်။ အကြိတ်အခဲမရှိသော အကျိတ်များသည် ထူးခြားသော ဇီဝဖြစ်စဉ်ဆိုင်ရာ ပရိုဖိုင်များကို ပြသသော်လည်း အကျိတ်အခဲမရှိသော အကျိတ်များနှင့် ကျန်းမာသော လူပုဂ္ဂိုလ်များတွင် ဇီဝဖြစ်စဉ်ဆိုင်ရာ ပရိုဖိုင်များတွင် ဆင်တူမှု မြင့်မားသည်။ ရှာဖွေတွေ့ရှိမှုအဖွဲ့ (n = 306) တွင်၊ အကျိတ်အခဲမရှိသော နှင့် အကျိတ်အခဲမရှိသော အကျိတ်များကို ခွဲခြားရန် ဇီဝဖြစ်စဉ်ဆိုင်ရာ ၂၇ ခုကို ဖော်ထုတ်ခဲ့သည်။ အတွင်းပိုင်း အတည်ပြုချက် (n = 104) အဖွဲ့များနှင့် ပြင်ပ အတည်ပြုချက် (n = 111) အဖွဲ့များတွင် ခွဲခြားသတ်မှတ်သည့် မော်ဒယ်၏ AUC သည် အသီးသီး 0.915 နှင့် 0.945 ဖြစ်သည်။ Pathway analysis သည် အကျိတ်အခဲမရှိသော အကျိတ်များနှင့် ကျန်းမာသော ထိန်းချုပ်မှုများနှင့် နှိုင်းယှဉ်ပါက အဆုတ်အကျိတ်ကင်ဆာ သွေးရည်ကြည်တွင် ထရစ်ပတိုဖန် လျော့နည်းသွားခြင်းနှင့် ဆက်စပ်နေသော ဂလိုင်ကိုလိုက်တစ် ဇီဝဖြစ်စဉ်ဆိုင်ရာ ပြောင်းလဲမှု မြင့်တက်လာသည်ကို ဖော်ထုတ်ခဲ့ပြီး ထရစ်ပတိုဖန် စုပ်ယူမှုသည် အဆုတ်ကင်ဆာဆဲလ်များတွင် ဂလိုင်ကိုလိုက်ဆစ်ကို မြှင့်တင်ပေးသည်ဟု အကြံပြုထားသည်။ ကျွန်ုပ်တို့၏လေ့လာမှုသည် CT မှတွေ့ရှိသော အဆုတ်အကျိတ်များ၏အန္တရာယ်ကို အကဲဖြတ်ရာတွင် သွေးရည်ကြည်ဇီဝဖြစ်စဉ်ဆိုင်ရာ ဇီဝအမှတ်အသားများ၏တန်ဖိုးကို မီးမောင်းထိုးပြပါသည်။
ကင်ဆာရောဂါဝေဒနာရှင်များအတွက် ရှင်သန်နှုန်းတိုးတက်စေရန်အတွက် အစောပိုင်းရောဂါရှာဖွေတွေ့ရှိမှုသည် အလွန်အရေးကြီးပါသည်။ အမေရိကန်အမျိုးသား အဆုတ်ကင်ဆာစစ်ဆေးခြင်းစမ်းသပ်မှု (NLST) နှင့် ဥရောပ NELSON လေ့လာမှုမှ ရလဒ်များအရ အဆုတ်ကင်ဆာကို အစောပိုင်းအဆင့်တွင် မှန်ကန်စွာ တွက်ချက်ထားသော ဓာတ်မှန်ရိုက်ခြင်း (LDCT) ဖြင့် စစ်ဆေးခြင်းသည် အန္တရာယ်များသောအုပ်စုများတွင် အဆုတ်ကင်ဆာသေဆုံးမှုကို သိသိသာသာ လျှော့ချနိုင်ကြောင်း ပြသထားသည်1၊2၊3။ အဆုတ်ကင်ဆာစစ်ဆေးခြင်းအတွက် LDCT ကို ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုလာကတည်းက ရောဂါလက္ခဏာမပြသော အဆုတ်အကျိတ်များ၏ မတော်တဆ ဓာတ်မှန်ရိုက်တွေ့ရှိချက်များ ဖြစ်ပွားမှုနှုန်းသည် ဆက်လက်မြင့်တက်နေဆဲဖြစ်သည်4။ အဆုတ်အကျိတ်များကို အချင်း ၃ စင်တီမီတာအထိရှိသော focal opacities အဖြစ် အဓိပ္ပာယ်ဖွင့်ဆိုထားသည်5။ ကင်ဆာရောဂါဖြစ်နိုင်ခြေကို အကဲဖြတ်ခြင်းနှင့် LDCT တွင် မတော်တဆတွေ့ရှိခဲ့သော အဆုတ်အကျိတ်အများအပြားကို ကိုင်တွယ်ဖြေရှင်းရာတွင် အခက်အခဲများနှင့် ကျွန်ုပ်တို့ရင်ဆိုင်နေရသည်။ CT ၏ ကန့်သတ်ချက်များသည် မကြာခဏ နောက်ဆက်တွဲစစ်ဆေးမှုများနှင့် မှားယွင်းသောအပြုသဘောဆောင်သောရလဒ်များကို ဖြစ်ပေါ်စေနိုင်ပြီး မလိုအပ်သော ဝင်ရောက်စွက်ဖက်မှုနှင့် အလွန်အကျွံကုသမှုကို ဖြစ်စေနိုင်သည်6။ ထို့ကြောင့် အစောပိုင်းအဆင့်များတွင် အဆုတ်ကင်ဆာကို မှန်ကန်စွာခွဲခြားသတ်မှတ်ရန်နှင့် ကနဦးရှာဖွေတွေ့ရှိမှုတွင် အန္တရာယ်မရှိသော အကျိတ်အများစုကို ခွဲခြားသတ်မှတ်ရန်အတွက် ယုံကြည်စိတ်ချရပြီး အသုံးဝင်သော biomarkers များ တီထွင်ရန် လိုအပ်သည်7။
ဂျီနိုမစ်စ်၊ ပရိုတီအိုမစ်စ် သို့မဟုတ် DNA မီသိုင်းလေးရှင်း 8,9,10 အပါအဝင် သွေး (သွေးရည်ကြည်၊ ပလာစမာ၊ ပတ်လည်သွေး မိုနိုနယူကလီးယားဆဲလ်များ) ၏ ပြည့်စုံသော မော်လီကျူး ခွဲခြမ်းစိတ်ဖြာမှုသည် အဆုတ်ကင်ဆာအတွက် ရောဂါရှာဖွေရေး ဇီဝအမှတ်အသားများကို ရှာဖွေတွေ့ရှိမှုအပေါ် စိတ်ဝင်စားမှု တိုးပွားလာစေခဲ့သည်။ တစ်ချိန်တည်းမှာပင်၊ ဇီဝဖြစ်စဉ်ဆိုင်ရာ ချဉ်းကပ်မှုများသည် endogenous နှင့် exogenous လုပ်ဆောင်ချက်များ၏ လွှမ်းမိုးမှုခံရသော ဆဲလ်၏ အဆုံးထုတ်ကုန်များကို တိုင်းတာပြီး ရောဂါစတင်ခြင်းနှင့် ရလဒ်ကို ခန့်မှန်းရန် အသုံးပြုသည်။ Liquid chromatography-tandem mass spectrometry (LC-MS) သည် ၎င်း၏ မြင့်မားသော sensitivity နှင့် ကြီးမားသော dynamic range ကြောင့် ဇီဝဖြစ်စဉ်ဆိုင်ရာ လေ့လာမှုအတွက် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုသော နည်းလမ်းတစ်ခုဖြစ်ပြီး မတူညီသော ရူပဗေဒဓာတုဂုဏ်သတ္တိများ11,12,13 ရှိသော ဇီဝဖြစ်စဉ်ဆိုင်ရာ ပစ္စည်းများ11,12,13 ကို လွှမ်းခြုံနိုင်သည်။ အဆုတ်ကင်ဆာရောဂါရှာဖွေခြင်းနှင့် ဆက်စပ်နေသော ဇီဝအမှတ်အသားများကို ဖော်ထုတ်ရန် ပလာစမာ/သွေးရည်ကြည်၏ ကမ္ဘာလုံးဆိုင်ရာ ဇီဝဖြစ်စဉ်ဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြုခဲ့သော်လည်း14,15,16,17 နှင့် ကုသမှုထိရောက်မှုနှင့် ဆက်စပ်နေသော ဇီဝအမှတ်အသားများကို ဖော်ထုတ်ရန် အသုံးပြုခဲ့သော်လည်း၊18 ကောင်းမွန်သော အဆုတ်အကျိတ်များနှင့် malignant အဆုတ်အကျိတ်များကို ခွဲခြားရန် serum metabolite classifiers များကို လေ့လာရန် များစွာကျန်ရှိနေသေးသည်။ - ကြီးမားသော သုတေသန။
အဒီနိုကာစီနိုမာနှင့် squamous cell carcinoma တို့သည် non-small cell lung cancer (NSCLC) ၏ အဓိက မျိုးကွဲနှစ်ခုဖြစ်သည်။ CT စစ်ဆေးမှုများ အမျိုးမျိုးက အဒီနိုကာစီနိုမာသည် အဆုတ်ကင်ဆာ၏ အဖြစ်အများဆုံး histological အမျိုးအစားဖြစ်ကြောင်း ညွှန်ပြသည်1,19,20,21။ ဤလေ့လာမှုတွင်၊ ကျွန်ုပ်တို့သည် ultra-performance liquid chromatography-high-resolution mass spectrometry (UPLC-HRMS) ကို အသုံးပြု၍ ကျန်းမာသော ထိန်းချုပ်မှုများ၊ benign pulmonary nodules များနှင့် CT-detected ≤3 cm အပါအဝင် serum နမူနာ စုစုပေါင်း 695 ခုတွင် metabolomics analysis ကို ပြုလုပ်ခဲ့သည်။ Stage I lung adenocarcinoma အတွက် စစ်ဆေးခြင်း။ အဆုတ် adenocarcinoma ကို benign nodules များနှင့် ကျန်းမာသော ထိန်းချုပ်မှုများမှ ခွဲခြားသတ်မှတ်သည့် serum metabolites များ၏ panel ကို ကျွန်ုပ်တို့ ဖော်ထုတ်ခဲ့သည်။ Pathway enrichment analysis မှ ပုံမှန်မဟုတ်သော tryptophan နှင့် glucose metabolism သည် benign nodules များနှင့် ကျန်းမာသော ထိန်းချုပ်မှုများနှင့် နှိုင်းယှဉ်ပါက အဆုတ် adenocarcinoma တွင် အဖြစ်များသော ပြောင်းလဲမှုများဖြစ်ကြောင်း ဖော်ပြသည်။ နောက်ဆုံးအနေနဲ့၊ LDCT မှ ရှာဖွေတွေ့ရှိတဲ့ malignant နဲ့ benign pulmonary nodules တွေကို ခွဲခြားသိရှိနိုင်ဖို့ မြင့်မားတဲ့ specificity နဲ့ sensitivity ရှိတဲ့ serum metabolic classifier တစ်ခုကို တည်ထောင်ပြီး အတည်ပြုခဲ့ပြီး၊ ဒါက အစောပိုင်း ရောဂါရှာဖွေမှုနဲ့ အန္တရာယ်အကဲဖြတ်မှုမှာ အထောက်အကူ ဖြစ်စေနိုင်ပါတယ်။
လက်ရှိလေ့လာမှုတွင် လိင်နှင့် အသက်အရွယ်ကိုက်ညီသော သွေးရည်ကြည်နမူနာများကို ကျန်းမာသော ထိန်းချုပ်မှု ၁၇၄ ဦး၊ ကောင်းမွန်သော အဆုတ်အကျိတ်ရှိသော လူနာ ၂၉၂ ဦးနှင့် ပထမအဆင့် အဆုတ်အကျိတ်ကင်ဆာရှိသော လူနာ ၂၂၉ ဦးတို့ထံမှ နောက်ကြောင်းပြန်လှည့်၍ စုဆောင်းခဲ့သည်။ လေ့လာမှုခံယူသူ ၆၉၅ ဦး၏ လူဦးရေဆိုင်ရာ ဝိသေသလက္ခဏာများကို နောက်ဆက်တွဲဇယား ၁ တွင် ပြသထားသည်။
ပုံ ၁က တွင်ပြထားသည့်အတိုင်း၊ ကျန်းမာသောထိန်းချုပ်မှု (HC) ၁၇၄ ခု၊ ကင်ဆာမဟုတ်သောအကျိတ် ၁၇၀ ခု (BN) နှင့် အဆင့် ၁ အဆုတ် adenocarcinoma (LA) နမူနာ ၁၃၆ ခု အပါအဝင် သွေးရည်ကြည်နမူနာ ၄၈၀ ခုကို Sun Yat-sen University Cancer Center တွင် စုဆောင်းခဲ့သည်။ ultra-performance liquid chromatography-high-resolution mass spectrometry (UPLC-HRMS) ကို အသုံးပြု၍ ပစ်မှတ်ထားမထားသော metabolomic profiling အတွက် Discovery cohort။ နောက်ဆက်တွဲပုံ ၁ တွင်ပြထားသည့်အတိုင်း၊ LA နှင့် HC၊ LA နှင့် BN အကြား ကွဲပြားသော metabolites များကို ခွဲခြားသတ်မှတ်ပြီး classification model တစ်ခုတည်ဆောက်ရန်နှင့် differential pathway analysis ကို ပိုမိုလေ့လာရန် ဖော်ထုတ်ခဲ့သည်။ Sun Yat-sen University Cancer Center မှ စုဆောင်းထားသော နမူနာ ၁၀၄ ခုနှင့် အခြားဆေးရုံနှစ်ခုမှ စုဆောင်းထားသော နမူနာ ၁၁၁ ခုကို အသီးသီး အတွင်းပိုင်းနှင့် ပြင်ပအတည်ပြုချက်ပေးခဲ့သည်။
a) ultra-performance liquid chromatography-high-resolution mass spectrometry (UPLC-HRMS) ကို အသုံးပြု၍ ကမ္ဘာလုံးဆိုင်ရာ serum metabolomics analysis ခံယူခဲ့သော discovery cohort ရှိ လေ့လာသည့်လူဦးရေ။ b) လေ့လာမှု cohort မှ serum နမူနာ ၄၈၀ ၏ စုစုပေါင်း metabolome ၏ Partial least squares discriminant analysis (PLS-DA)၊ ကျန်းမာသောထိန်းချုပ်မှုများ (HC၊ n = 174)၊ benign nodules (BN၊ n = 170) နှင့် stage I lung adenocarcinoma (Los Angeles၊ n = 136) တို့ ပါဝင်သည်။ +ESI၊ positive electrospray ionization mode၊ -ESI၊ negative electrospray ionization mode။ c-e) ပေးထားသောအုပ်စုနှစ်စု (two-tailed Wilcoxon signed rank test၊ false discovery rate adjusted p value၊ FDR <0.05) တွင် သိသာထင်ရှားစွာကွဲပြားသော ကြွယ်ဝမှုများရှိသော Metabolites များကို အနီရောင် (fold change > 1.2) နှင့် အပြာရောင် (fold change < 0.83) ဖြင့်ပြသထားသည်။ ) မီးတောင်ပုံတွင်ပြထားသည်။ LA နှင့် BN အကြား မှတ်ချက်ပြုထားသော ဇီဝဖြစ်စဉ်ထုတ်ကုန်အရေအတွက်တွင် သိသာထင်ရှားသော ကွာခြားချက်များကိုပြသသည့် f အဆင့်ဆင့် clustering အပူမြေပုံ။ ရင်းမြစ်ဒေတာကို ရင်းမြစ်ဒေတာဖိုင်များပုံစံဖြင့် ပံ့ပိုးပေးထားသည်။
ရှာဖွေတွေ့ရှိမှုအုပ်စုတွင် HC ၁၇၄၊ BN ၁၇၀ နှင့် LA ၁၃၆ တို့၏ စုစုပေါင်း serum metabolome ကို UPLC-HRMS ခွဲခြမ်းစိတ်ဖြာမှုကို အသုံးပြု၍ ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ အရည်အသွေးထိန်းချုပ်မှု (QC) နမူနာများသည် unsupervised principal component analysis (PCA) မော်ဒယ်၏အလယ်ဗဟိုတွင် တင်းကျပ်စွာစုပုံနေကြောင်း ကျွန်ုပ်တို့ ဦးစွာပြသခဲ့ပြီး လက်ရှိလေ့လာမှု၏စွမ်းဆောင်ရည်၏တည်ငြိမ်မှုကို အတည်ပြုပါသည် (နောက်ဆက်တွဲပုံ ၂)။
ပုံ ၁ခ ရှိ partial least squares-discriminant analysis (PLS-DA) တွင်ပြထားသည့်အတိုင်း၊ LA နှင့် BN အကြားတွင် ရှင်းလင်းသော ကွာခြားချက်များရှိကြောင်း၊ positive (+ESI) နှင့် negative (−ESI) electrospray ionization modes များတွင် LA နှင့် HC အကြား သီးခြားခွဲထုတ်ထားသည်ကို တွေ့ရှိခဲ့သည်။ သို့သော် +ESI နှင့် -ESI အခြေအနေများတွင် BN နှင့် HC အကြား သိသာထင်ရှားသော ကွာခြားချက်များကို မတွေ့ရှိရပါ။
LA နှင့် HC အကြား ကွဲပြားသော အင်္ဂါရပ် ၃၈၂ ခု၊ LA နှင့် BN အကြား ကွဲပြားသော အင်္ဂါရပ် ၂၃၁ ခု နှင့် BN နှင့် HC အကြား ကွဲပြားသော အင်္ဂါရပ် ၉၅ ခု (Wilcoxon signed rank test, FDR <0.05 and multiple change >1.2 or <0.83) (ပုံ .1c-e) ကို ကျွန်ုပ်တို့ တွေ့ရှိခဲ့ပါသည်။ . . peaks များကို database (mzCloud/HMDB/Chemspider library) နှင့် နှိုင်းယှဉ်၍ m/z value, retention time နှင့် fragmentation mass spectrum search (Methods section တွင် ဖော်ပြထားသော အသေးစိတ်အချက်အလက်များ) ၂၂ တို့ဖြင့် ထပ်မံ မှတ်ချက်ပြုခဲ့ပါသည် (Supplementary Data 3)။ နောက်ဆုံးတွင် LA နှင့် BN (ပုံ 1f နှင့် Supplementary Table 2) နှင့် LA နှင့် HC (Supplementary Figure 3 နှင့် Supplementary Table 2) အတွက် အသီးသီး များပြားမှုတွင် သိသာထင်ရှားသော ကွာခြားချက်များရှိသော မှတ်ချက်ပြုထားသော metabolites ၃၃ ခု နှင့် ၃၈ ခုကို ဖော်ထုတ်ခဲ့ပါသည်။ ဆန့်ကျင်ဘက်အနေဖြင့်၊ PLS-DA တွင် BN နှင့် HC အကြား ထပ်တူကျမှုနှင့် ကိုက်ညီသော များပြားမှုတွင် သိသာထင်ရှားသော ကွာခြားချက်များရှိသော metabolites ၃ ခုကိုသာ BN နှင့် HC (Supplementary Table 2) တွင် ဖော်ထုတ်ခဲ့ပါသည်။ ဤကွဲပြားသောဇီဝဖြစ်စဉ်များသည် ဇီဝဓာတုဗေဒဆိုင်ရာ ဇီဝဖြစ်စဉ်အမျိုးမျိုးကို လွှမ်းခြုံထားသည် (နောက်ဆက်တွဲပုံ ၄)။ ပေါင်းစပ်ကြည့်လျှင် ဤရလဒ်များသည် အစောပိုင်းအဆင့် အဆုတ်ကင်ဆာ၏ ကင်ဆာဖြစ်စေသော အသွင်ပြောင်းမှုကို ထင်ဟပ်စေသည့် သွေးရည်ကြည်ဇီဝဖြစ်စဉ်တွင် သိသာထင်ရှားသော ပြောင်းလဲမှုများကို ပြသထားပြီး ကင်ဆာမဟုတ်သော အဆုတ်အကျိတ်များ သို့မဟုတ် ကျန်းမာသောလူနာများနှင့် နှိုင်းယှဉ်ပါက ပြသနေသည်။ တစ်ချိန်တည်းမှာပင်၊ BN နှင့် HC ၏ သွေးရည်ကြည်ဇီဝဖြစ်စဉ်၏ ဆင်တူမှုသည် ကင်ဆာမဟုတ်သော အဆုတ်အကျိတ်များသည် ကျန်းမာသောလူများနှင့် ဇီဝဗေဒဆိုင်ရာ ဝိသေသလက္ခဏာများစွာကို မျှဝေနိုင်ကြောင်း အကြံပြုထားသည်။ အဆုတ် adenocarcinoma မျိုးကွဲ ၂၃ တွင် epidermal growth factor receptor (EGFR) မျိုးဗီဇပြောင်းလဲမှုများသည် အဖြစ်များသောကြောင့်၊ သွေးရည်ကြည်ဇီဝဖြစ်စဉ်အပေါ် မောင်းနှင်မှုမျိုးဗီဇပြောင်းလဲမှုများသည် မည်သို့အကျိုးသက်ရောက်သည်ကို ဆုံးဖြတ်ရန် ကျွန်ုပ်တို့ကြိုးစားခဲ့သည်။ ထို့နောက် အဆုတ် adenocarcinoma အုပ်စုတွင် EGFR အခြေအနေရှိသော လူနာ ၇၂ ဦး၏ အလုံးစုံဇီဝဖြစ်စဉ်ပရိုဖိုင်ကို ကျွန်ုပ်တို့ ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ စိတ်ဝင်စားစရာကောင်းသည်မှာ PCA ခွဲခြမ်းစိတ်ဖြာမှုတွင် EGFR မျိုးဗီဇပြောင်းလဲမှုရှိသော လူနာများ (n = 41) နှင့် EGFR wild-type လူနာများ (n = 31) အကြား နှိုင်းယှဉ်နိုင်သော ပရိုဖိုင်များကို ကျွန်ုပ်တို့တွေ့ရှိခဲ့သည် (နောက်ဆက်တွဲပုံ ၅က)။ သို့သော်၊ wild-type EGFR ရှိသောလူနာများနှင့် နှိုင်းယှဉ်ပါက EGFR မျိုးရိုးဗီဇပြောင်းလဲမှုရှိသောလူနာများတွင် ပမာဏသိသိသာသာပြောင်းလဲသွားသော ဇီဝဖြစ်စဉ်ပစ္စည်း ၇ ခုကို ကျွန်ုပ်တို့ ဖော်ထုတ်တွေ့ရှိခဲ့သည် (t test၊ p < 0.05 နှင့် fold change > 1.2 သို့မဟုတ် < 0.83) (Supplementary Figure 5b)။ ဤဇီဝဖြစ်စဉ်ပစ္စည်းအများစု (၇ ခုတွင် ၅ ခု) သည် acylcarnitines ဖြစ်ပြီး fatty acid oxidation လမ်းကြောင်းများတွင် အရေးကြီးသောအခန်းကဏ္ဍမှ ပါဝင်ပါသည်။
ပုံ ၂ (က) တွင်ပြထားသည့် workflow တွင် သရုပ်ဖော်ထားသည့်အတိုင်း၊ nodule classification အတွက် biomarkers များကို least absolute shrinkage operators များနှင့် LA (n = 136) နှင့် BN (n = 170) တွင်ဖော်ထုတ်ထားသော differential metabolites ၃၃ ခုအပေါ်အခြေခံ၍ selection ကို အသုံးပြု၍ ရရှိခဲ့သည်။ Best combination of variables (LASSO) – binary logistic regression model။ မော်ဒယ်၏ယုံကြည်စိတ်ချရမှုကိုစမ်းသပ်ရန် Ten-fold cross-validation ကိုအသုံးပြုခဲ့သည်။ Variable selection နှင့် parameter regularization ကို parameter λ24 ပါသော likelihood maximization penalty ဖြင့်ချိန်ညှိသည်။ discriminant model ၏ classification performance ကိုစမ်းသပ်ရန် Global metabolomics analysis ကို internal validation (n = 104) နှင့် external validation (n = 111) အုပ်စုများတွင် သီးခြားစီထပ်မံလုပ်ဆောင်ခဲ့သည်။ ရလဒ်အနေဖြင့်၊ discovery set ရှိ metabolites ၂၇ ခုကို အကြီးဆုံး mean AUC value ရှိသော အကောင်းဆုံး discriminant model အဖြစ်သတ်မှတ်ခဲ့သည် (ပုံ ၂ခ)၊ ၎င်းတို့အနက် ၉ ခုသည် BN နှင့်နှိုင်းယှဉ်ပါက LA တွင် activity တိုးလာပြီး ၁၈ ခုသည် activity လျော့နည်းသွားသည်။
အဆုတ် nodule classifier တစ်ခုတည်ဆောက်ရန်အတွက် workflow၊ ten-fold cross-validation မှတစ်ဆင့် binary logistic regression model ကို အသုံးပြု၍ discovery set တွင် serum metabolites များ၏ အကောင်းဆုံး panel ကို ရွေးချယ်ခြင်းနှင့် internal နှင့် external validation set များတွင် predictive performance ကို အကဲဖြတ်ခြင်းတို့ ပါဝင်သည်။ b. ဇီဝဖြစ်စဉ် biomarker ရွေးချယ်မှုအတွက် LASSO regression model ၏ cross-validation စာရင်းအင်းများ။ အထက်တွင်ပေးထားသော ဂဏန်းများသည် ပေးထားသော λ တွင် ရွေးချယ်ထားသော biomarkers များ၏ ပျမ်းမျှအရေအတွက်ကို ကိုယ်စားပြုသည်။ အနီရောင် dotted line သည် သက်ဆိုင်ရာ lambda တွင် ပျမ်းမျှ AUC တန်ဖိုးကို ကိုယ်စားပြုသည်။ မီးခိုးရောင် error bar များသည် အနည်းဆုံးနှင့် အများဆုံး AUC တန်ဖိုးများကို ကိုယ်စားပြုသည်။ dotted line သည် ရွေးချယ်ထားသော biomarkers ၂၇ ခုပါသည့် အကောင်းဆုံးမော်ဒယ်ကို ညွှန်ပြသည်။ AUC၊ receiver operating characteristic (ROC) curve အောက်ရှိ ဧရိယာ။ c. LA အုပ်စုရှိ ရွေးချယ်ထားသော metabolites ၂၇ ခု၏ fold ပြောင်းလဲမှုများကို discovery group ရှိ BN အုပ်စုနှင့် နှိုင်းယှဉ်ပါ။ အနီရောင်ကော်လံ - activation။ အပြာရောင်ကော်လံသည် ကျဆင်းမှုတစ်ခုဖြစ်သည်။ d–f. Discovery၊ internal နှင့် external validation set များတွင် metabolite combinations ၂၇ ခုအပေါ် အခြေခံ၍ discriminant model ၏ စွမ်းအားကိုပြသသည့် Receiver operating characteristic (ROC) curves များ။ source data ကို source data files ပုံစံဖြင့် ပေးထားသည်။
ဤဇီဝဖြစ်စဉ်ပြောင်းလဲသည့်အရာ ၂၇ ခု၏ အလေးချိန်ရှိသော ဆုတ်ယုတ်မှုကိန်းဂဏန်းများအပေါ် အခြေခံ၍ ခန့်မှန်းချက်ပုံစံတစ်ခုကို ဖန်တီးခဲ့သည် (နောက်ဆက်တွဲဇယား ၃)။ ဤဇီဝဖြစ်စဉ်ပြောင်းလဲသည့်အရာ ၂၇ ခုအပေါ် အခြေခံသည့် ROC ခွဲခြမ်းစိတ်ဖြာမှုသည် မျဉ်းကွေးအောက်ရှိဧရိယာ (AUC) တန်ဖိုး 0.933၊ ရှာဖွေတွေ့ရှိမှုအုပ်စု အာရုံခံနိုင်စွမ်းမှာ 0.868 နှင့် သီးခြားဖြစ်မှုမှာ 0.859 ရှိကြောင်း ရရှိခဲ့သည် (ပုံ ၂ဃ)။ တစ်ချိန်တည်းမှာပင်၊ LA နှင့် HC အကြား မှတ်ချက်ပြုထားသော ကွဲပြားသောဇီဝဖြစ်စဉ်ပြောင်းလဲသည့်အရာ ၃၈ ခုတွင်၊ ဇီဝဖြစ်စဉ်ပြောင်းလဲသည့်အရာ ၁၆ ခုသည် LA နှင့် HC ကို ခွဲခြားရာတွင် AUC 0.902၊ အာရုံခံနိုင်စွမ်းမှာ 0.801 နှင့် သီးခြားဖြစ်မှုမှာ 0.856 ရှိကြောင်း ရရှိခဲ့သည် (နောက်ဆက်တွဲပုံ ၆က-ဂ)။ ကွဲပြားသောဇီဝဖြစ်စဉ်ပြောင်းလဲသည့်အရာများအတွက် မတူညီသော fold ပြောင်းလဲမှုကန့်သတ်ချက်များအပေါ် အခြေခံသည့် AUC တန်ဖိုးများကိုလည်း နှိုင်းယှဉ်ခဲ့သည်။ fold ပြောင်းလဲမှုအဆင့်ကို 1.2 နှင့် 1.5 သို့မဟုတ် 2.0 ဟုသတ်မှတ်ထားသောအခါ ခွဲခြားမှုပုံစံသည် LA နှင့် BN (HC) ကို ခွဲခြားရာတွင် အကောင်းဆုံးလုပ်ဆောင်ခဲ့ကြောင်း ကျွန်ုပ်တို့တွေ့ရှိခဲ့သည် (နောက်ဆက်တွဲပုံ ၇က၊ခ)။ ဇီဝဖြစ်စဉ်ပြောင်းလဲမှုအုပ်စု ၂၇ ခုအပေါ်အခြေခံ၍ အမျိုးအစားခွဲခြားမှုပုံစံကို အတွင်းပိုင်းနှင့် အပြင်ဘက် cohorts များတွင် ထပ်မံအတည်ပြုခဲ့သည်။ အတွင်းပိုင်းအတည်ပြုချက်အတွက် AUC သည် 0.915 (အာရုံခံနိုင်စွမ်း 0.867၊ သီးခြားဖြစ်မှု 0.811) နှင့် ပြင်ပအတည်ပြုချက်အတွက် 0.945 (အာရုံခံနိုင်စွမ်း 0.810၊ သီးခြားဖြစ်မှု 0.979) ဖြစ်သည် (ပုံ 2e၊ f)။ ဓာတ်ခွဲခန်းအချင်းချင်း ထိရောက်မှုကို အကဲဖြတ်ရန်အတွက် ပြင်ပ cohort မှ နမူနာ ၄၀ ကို နည်းလမ်းအပိုင်းတွင်ဖော်ပြထားသည့်အတိုင်း ပြင်ပဓာတ်ခွဲခန်းတွင် ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ အမျိုးအစားခွဲခြားမှုတိကျမှုသည် AUC 0.925 ရရှိခဲ့သည် (နောက်ဆက်တွဲပုံ 8)။ အဆုတ် squamous cell carcinoma (LUSC) သည် အဆုတ် adenocarcinoma (LUAD) ပြီးနောက် ဒုတိယအဖြစ်အများဆုံး non-small cell lung cancer (NSCLC) အမျိုးအစားခွဲဖြစ်သောကြောင့်၊ ကျွန်ုပ်တို့သည် ဇီဝဖြစ်စဉ်ဆိုင်ရာပရိုဖိုင်များ၏ အတည်ပြုထားသော အသုံးဝင်မှုအလားအလာကိုလည်း စမ်းသပ်ခဲ့သည်။ BN နှင့် LUSC ၏ ၁၆ ခု။ LUSC နှင့် BN အကြား ခွဲခြားဆက်ဆံမှု AUC သည် 0.776 ဖြစ်သည် (နောက်ဆက်တွဲပုံ 9)၊ ၎င်းသည် LUAD နှင့် BN အကြား ခွဲခြားဆက်ဆံမှုနှင့် နှိုင်းယှဉ်ပါက စွမ်းရည် ညံ့ဖျင်းကြောင်း ညွှန်ပြနေသည်။
လေ့လာမှုများအရ CT ပုံရိပ်များရှိ nodule များ၏ အရွယ်အစားသည် malignancy ဖြစ်နိုင်ခြေနှင့် အပြုသဘောဆောင်သော ဆက်စပ်မှုရှိပြီး nodule ကုသမှု၏ အဓိကအဆုံးအဖြတ်ပေးသည့်အချက်တစ်ခုအဖြစ် ဆက်လက်တည်ရှိနေပါသည်25,26,27။ NELSON စစ်ဆေးခြင်းလေ့လာမှု၏ ကြီးမားသော cohort မှ အချက်အလက်များ ခွဲခြမ်းစိတ်ဖြာမှုအရ 5 mm အောက် node များရှိသော လူနာများတွင် malignancy ဖြစ်နိုင်ခြေသည် node မရှိသူများနှင့်ပင် ဆင်တူကြောင်း ပြသခဲ့သည်28။ ထို့ကြောင့် British Thoracic Society (BTS) မှ အကြံပြုထားသည့်အတိုင်း 5 mm နှင့် Fleischner Society 29 မှ အကြံပြုထားသည့်အတိုင်း 6 mm ဖြစ်သည်။ သို့သော် 6 mm ထက်ကြီးပြီး indeterminate pulmonary nodules (IPN) ဟုခေါ်သော သိသာထင်ရှားသော benign features များမရှိသော nodule များသည် လက်တွေ့ဆေးခန်းတွင် အကဲဖြတ်ခြင်းနှင့် စီမံခန့်ခွဲမှုတွင် အဓိကစိန်ခေါ်မှုတစ်ခုအဖြစ် ဆက်လက်တည်ရှိနေပါသည်30,31။ ထို့နောက်တွင် nodule အရွယ်အစားသည် ရှာဖွေတွေ့ရှိမှုနှင့် internal validation cohorts မှ စုဆောင်းထားသော နမူနာများကို အသုံးပြု၍ metabolomic signatures များကို လွှမ်းမိုးမှုရှိမရှိ ကျွန်ုပ်တို့ စစ်ဆေးခဲ့ပါသည်။ အတည်ပြုထားသော biomarkers ၂၇ ခုကို အာရုံစိုက်ကာ၊ HC နှင့် BN sub-6 mm metabolomes များ၏ PCA profiles များကို ဦးစွာ နှိုင်းယှဉ်ခဲ့ပါသည်။ HC နှင့် BN အတွက် အချက်အလက်အများစုသည် ထပ်တူကျနေသည်ကို ကျွန်ုပ်တို့တွေ့ရှိခဲ့ပြီး အုပ်စုနှစ်စုလုံးတွင် သွေးရည်ကြည်ဇီဝဖြစ်စဉ်အဆင့်များ အလားတူဖြစ်ကြောင်း ပြသထားသည် (ပုံ ၃က)။ BN နှင့် LA တွင် အရွယ်အစားအမျိုးမျိုးရှိ အင်္ဂါရပ်မြေပုံများကို ထိန်းသိမ်းထားဆဲဖြစ်သည် (ပုံ ၃ခ၊ ဂ)၊ သို့သော် 6–20 မီလီမီတာအပိုင်းအခြားတွင် ကင်ဆာအကျိတ်နှင့် ကင်ဆာမဟုတ်သောအကျိတ်များအကြား ခွဲခြားမှုကို တွေ့ရှိရသည် (ပုံ ၃ဃ)။ ဤ cohort တွင် 6 မှ 20 မီလီမီတာအထိရှိသော အကျိတ်များ၏ ကင်ဆာကို ခန့်မှန်းရန် AUC 0.927၊ သီးခြားဖြစ်မှု 0.868 နှင့် အာရုံခံနိုင်စွမ်း 0.820 ရှိသည် (ပုံ ၃င၊ စ)။ ကျွန်ုပ်တို့၏ရလဒ်များအရ classifier သည် အကျိတ်အရွယ်အစား မည်သို့ပင်ရှိစေကာမူ အစောပိုင်းကင်ဆာပြောင်းလဲမှုကြောင့် ဖြစ်ပေါ်လာသော ဇီဝဖြစ်စဉ်ပြောင်းလဲမှုများကို ဖမ်းယူနိုင်ကြောင်း ပြသထားသည်။
ကြော်ငြာ ဇီဝဖြစ်စဉ်ဆိုင်ရာ အမျိုးအစားခွဲခြားမှု ၂၇ မျိုးအပေါ် အခြေခံ၍ သတ်မှတ်ထားသော အုပ်စုများအကြား PCA ပရိုဖိုင်များကို နှိုင်းယှဉ်ခြင်း။ CC နှင့် BN < 6 mm။ b BN < 6 mm နှင့် BN 6–20 mm။ LA 6–20 mm နှင့် LA 20–30 mm။ g BN 6–20 mm နှင့် LA 6–20 mm။ GC, n = 174; BN < 6 mm, n = 153; BN 6–20 mm, n = 91; LA 6–20 mm, n = 89; LA 20–30 mm, n = 77။ e 6–20 mm ရှိသော nodules များအတွက် discriminant model performance ကိုပြသသည့် Receiver operating characteristic (ROC) curve။ f ဖြစ်နိုင်ခြေတန်ဖိုးများကို 6–20 mm ရှိသော nodules များအတွက် logistic regression model ကို အခြေခံ၍ တွက်ချက်ခဲ့သည်။ မီးခိုးရောင်အစက်ချမျဉ်းသည် အကောင်းဆုံး cutoff တန်ဖိုး (0.455) ကိုကိုယ်စားပြုသည်။ အထက်ပါဂဏန်းများသည် Los Angeles အတွက် ခန့်မှန်းထားသော case များ၏ရာခိုင်နှုန်းကိုကိုယ်စားပြုသည်။ two-tailed Student's t test ကိုသုံးပါ။ PCA၊ အဓိက အစိတ်အပိုင်း ခွဲခြမ်းစိတ်ဖြာခြင်း။ မျဉ်းကွေးအောက်ရှိ AUC ဧရိယာ။ ရင်းမြစ်ဒေတာကို ရင်းမြစ်ဒေတာဖိုင်များပုံစံဖြင့် ပေးထားသည်။
အဆိုပြုထားသော malignancy ခန့်မှန်းချက်ပုံစံ၏ စွမ်းဆောင်ရည်ကို သရုပ်ဖော်ရန်အတွက် အလားတူ အဆုတ်အကျိတ်အရွယ်အစား (၇-၉ မီလီမီတာ) ရှိသော နမူနာလေးခု (အသက် ၄၄-၆၁ နှစ်) ကို ထပ်မံရွေးချယ်ခဲ့သည် (ပုံ ၄က၊ ခ)။ ကနဦးစစ်ဆေးမှုတွင် Case 1 ကို calcification ရှိသော အစိုင်အခဲအကျိတ်အဖြစ် တင်ပြခဲ့ပြီး ၎င်းသည် ကင်ဆာဖြစ်နိုင်ခြေနှင့် ဆက်စပ်နေသော အင်္ဂါရပ်တစ်ခုဖြစ်ပြီး Case 2 ကိုမူ သိသာထင်ရှားသော ကင်ဆာဖြစ်နိုင်ခြေမရှိသော လက္ခဏာများမရှိဘဲ မဆုံးဖြတ်နိုင်သော တစ်စိတ်တစ်ပိုင်းအစိုင်အခဲအကျိတ်အဖြစ် တင်ပြခဲ့သည်။ နောက်ဆက်တွဲ CT scan သုံးကြိမ်ပြုလုပ်ခဲ့ရာ ဤကိစ္စရပ်များသည် ၄ နှစ်တာကာလအတွင်း တည်ငြိမ်နေပြီး ထို့ကြောင့် ကင်ဆာမဟုတ်သော အကျိတ်များအဖြစ် သတ်မှတ်ခံခဲ့ရသည် (ပုံ ၄က)။ serial CT scans များ၏ ဆေးခန်းအကဲဖြတ်မှုနှင့် နှိုင်းယှဉ်ပါက လက်ရှိ classifier ပုံစံဖြင့် single-shot serum metabolite analysis သည် ဖြစ်နိုင်ခြေကန့်သတ်ချက်များအပေါ် အခြေခံ၍ ဤကင်ဆာမဟုတ်သော အကျိတ်များကို လျင်မြန်စွာနှင့် မှန်ကန်စွာ ဖော်ထုတ်နိုင်ခဲ့သည် (ဇယား ၁)။ Case 3 ရှိ Figure 4b တွင် pleural retraction လက္ခဏာများရှိသော အကျိတ်တစ်ခုကို ပြသထားပြီး ၎င်းသည် malignancy32 နှင့် အများဆုံးဆက်စပ်နေသည်။ Case 4 ကို ကင်ဆာဖြစ်စေသော အကြောင်းရင်း၏ အထောက်အထားမရှိဘဲ မဆုံးဖြတ်နိုင်သော တစ်စိတ်တစ်ပိုင်းအစိုင်အခဲအကျိတ်အဖြစ် တင်ပြထားသည်။ ဤကိစ္စအားလုံးကို အမျိုးအစားခွဲခြားသည့် မော်ဒယ်အရ အန္တရာယ်ရှိသော အခြေအနေအဖြစ် ခန့်မှန်းခဲ့သည် (ဇယား ၁)။ အဆုတ်အကျိတ်ကင်ဆာ အကဲဖြတ်ခြင်းကို အဆုတ်ဖယ်ရှားခွဲစိတ်မှုပြီးနောက် တစ်ရှူးဗေဒဆိုင်ရာ စစ်ဆေးမှုဖြင့် သရုပ်ပြခဲ့သည် (ပုံ ၄ခ)။ ပြင်ပ အတည်ပြုချက်အစုံအတွက်၊ ဇီဝဖြစ်စဉ် အမျိုးအစားခွဲခြားသည့်ကိရိယာသည် ၆ မီလီမီတာထက်ကြီးသော မသေချာသော အဆုတ်အကျိတ်နှစ်ခုကိစ္စနှစ်ခုကို တိကျစွာ ခန့်မှန်းခဲ့သည် (နောက်ဆက်တွဲပုံ ၁၀)။
ကင်ဆာမဟုတ်သော အဖုနှစ်ခု၏ အဆုတ်၏ ဝင်ရိုးပြတင်းပေါက်၏ CT ပုံများ။ case 1 တွင်၊ ၄ နှစ်အကြာတွင် CT scan တွင် ၇ မီလီမီတာအရွယ်အစားရှိသော တည်ငြိမ်သော အစိုင်အခဲအဖုတစ်ခုကို ညာဘက်အောက်ပိုင်းအမြှေးတွင် ကယ်လ်စီယမ်ဓာတ်ပါဝင်သည်ကို တွေ့ရှိခဲ့သည်။ case 2 တွင်၊ ၅ နှစ်အကြာတွင် CT scan တွင် ညာဘက်အပေါ်ပိုင်းအမြှေးတွင် ၇ မီလီမီတာအချင်းရှိသော တည်ငြိမ်ပြီး တစ်စိတ်တစ်ပိုင်းအစိုင်အခဲအဖုတစ်ခုကို တွေ့ရှိခဲ့သည်။ b အဆုတ်ဖြတ်တောက်ခြင်းမပြုမီ အဆင့် I adenocarcinoma case နှစ်ခု၏ အဆုတ်၏ Axial window CT ပုံများနှင့် သက်ဆိုင်ရာ ရောဂါဗေဒဆိုင်ရာ လေ့လာမှုများ။ case 3 တွင် ညာဘက်အပေါ်ပိုင်းအမြှေးတွင် ၈ မီလီမီတာအချင်းရှိသော အဖုတစ်ခုကို pleural retraction ဖြင့် တွေ့ရှိခဲ့သည်။ case 4 တွင် ဘယ်ဘက်အပေါ်ပိုင်းအမြှေးတွင် ၉ မီလီမီတာအရွယ်အစားရှိသော တစ်စိတ်တစ်ပိုင်းအစိုင်အခဲ ground-glass အဖုတစ်ခုကို တွေ့ရှိခဲ့သည်။ ဖြတ်တောက်ထားသော အဆုတ်တစ်ရှူး၏ Hematoxylin နှင့် eosin (H&E) staining (scale bar = 50 μm) သည် အဆုတ် adenocarcinoma ၏ acinar ကြီးထွားမှုပုံစံကို ပြသနေသည်။ မြှားများသည် CT ပုံများတွင် တွေ့ရှိသော အဖုများကို ညွှန်ပြသည်။ H&E ပုံများသည် ရောဂါဗေဒပညာရှင်မှ စစ်ဆေးသော အဏုကြည့်မှန်ပြောင်းဖြင့် နယ်ပယ်များစွာ (>3) ၏ ကိုယ်စားပြုပုံများဖြစ်သည်။
ပေါင်းစပ်ကြည့်လျှင်၊ ကျွန်ုပ်တို့၏ရလဒ်များသည် အဆုတ်အကျိတ်များကို ခွဲခြားရောဂါရှာဖွေရာတွင် သွေးရည်ကြည်ဇီဝဖြစ်စဉ်ဆိုင်ရာ ဇီဝအမှတ်အသားများ၏ အလားအလာရှိသောတန်ဖိုးကို ပြသနေပြီး၊ ၎င်းသည် CT စစ်ဆေးမှုကို အကဲဖြတ်ရာတွင် စိန်ခေါ်မှုများဖြစ်စေနိုင်သည်။
အတည်ပြုထားသော differential metabolite panel တစ်ခုအပေါ်အခြေခံ၍ အဓိကဇီဝဖြစ်စဉ်ပြောင်းလဲမှုများ၏ ဇီဝဗေဒဆိုင်ရာဆက်စပ်မှုများကို ဖော်ထုတ်ရန် ကျွန်ုပ်တို့ကြိုးစားခဲ့ပါသည်။ MetaboAnalyst မှ KEGG pathway enrichment analysis သည် ပေးထားသောအုပ်စုနှစ်စုအကြားတွင် သိသာထင်ရှားစွာပြောင်းလဲနေသောလမ်းကြောင်း ၆ ခုကို ဖော်ထုတ်ခဲ့သည် (LA vs. HC နှင့် LA vs. BN၊ ချိန်ညှိထားသော p ≤ 0.001၊ အကျိုးသက်ရောက်မှု > 0.01)။ ဤပြောင်းလဲမှုများကို pyruvate metabolism၊ tryptophan metabolism၊ niacin နှင့် nicotinamide metabolism၊ glycolysis၊ TCA cycle နှင့် purine metabolism တို့တွင် အနှောင့်အယှက်များဖြင့် သွင်ပြင်လက္ခဏာရပ်များ ဖြစ်ပေါ်စေခဲ့သည် (ပုံ 5a)။ ထို့နောက် absolute quantification ကို အသုံးပြု၍ အဓိကပြောင်းလဲမှုများကို အတည်ပြုရန် targeted metabolomics ကို ဆက်လက်လုပ်ဆောင်ခဲ့သည်။ စစ်မှန်သော metabolite စံနှုန်းများကို အသုံးပြု၍ triple quadrupole mass spectrometry (QQQ) ဖြင့် အဖြစ်များသောပြောင်းလဲနေသောလမ်းကြောင်းများတွင် အဖြစ်များသော metabolites များကို ဆုံးဖြတ်ခြင်း။ ဇီဝဖြစ်စဉ်ဆိုင်ရာ လေ့လာမှုပစ်မှတ်နမူနာ၏ လူဦးရေဆိုင်ရာ ဝိသေသလက္ခဏာများကို နောက်ဆက်တွဲဇယား ၄ တွင် ထည့်သွင်းထားသည်။ ကျွန်ုပ်တို့၏ ကမ္ဘာလုံးဆိုင်ရာ ဇီဝဖြစ်စဉ်ဆိုင်ရာ ရလဒ်များနှင့်အညီ၊ အရေအတွက်ဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုက BN နှင့် HC နှင့် နှိုင်းယှဉ်ပါက LA တွင် hypoxanthine နှင့် xanthine၊ pyruvate နှင့် lactate တိုးလာကြောင်း အတည်ပြုခဲ့သည် (ပုံ ၅ခ၊ c၊ p <0.05)။ သို့သော်၊ BN နှင့် HC အကြားတွင် ဤဇီဝဖြစ်စဉ်များတွင် သိသာထင်ရှားသော ကွာခြားချက်များကို မတွေ့ရှိရပါ။
BN နှင့် HC အုပ်စုများနှင့် နှိုင်းယှဉ်ပါက LA အုပ်စုရှိ သိသိသာသာ ကွဲပြားသော metabolites များ၏ KEGG pathway enrichment analysis။ two-tailed Globaltest ကို အသုံးပြုခဲ့ပြီး Holm-Bonferroni နည်းလမ်းကို အသုံးပြု၍ p တန်ဖိုးများကို ချိန်ညှိခဲ့သည် (p ≤ 0.001 ချိန်ညှိပြီး effect size > 0.01)။ b–d LC-MS/MS မှ ဆုံးဖြတ်ထားသော serum HC၊ BN နှင့် LA တွင် hypoxanthine၊ xanthine၊ lactate၊ pyruvate နှင့် tryptophan အဆင့်များကို ပြသသည့် Violin plots များ (အုပ်စုတစ်စုလျှင် n = 70)။ အဖြူရောင်နှင့် အနက်ရောင် အစက်ချမျဉ်းများသည် အသီးသီး median နှင့် quartile ကို ညွှန်ပြသည်။ e LUAD-TCGA dataset ရှိ ပုံမှန် အဆုတ်တစ်ရှူး (n = 59) နှင့် နှိုင်းယှဉ်ပါက အဆုတ် adenocarcinoma ရှိ SLC7A5 နှင့် QPRT ၏ ပုံမှန် Log2TPM (transcripts per million) mRNA expression ကို ပြသသည့် Violin plot။ အဖြူရောင်အကွက်သည် interquartile range ကိုကိုယ်စားပြုပြီး အလယ်ဗဟိုရှိ အလျားလိုက်အနက်ရောင်မျဉ်းသည် median ကိုကိုယ်စားပြုပြီး အကွက်မှထွက်နေသော ဒေါင်လိုက်အနက်ရောင်မျဉ်းသည် 95% ယုံကြည်မှုကြားကာလ (CI) ကိုကိုယ်စားပြုသည်။ f TCGA dataset ရှိ အဆုတ် adenocarcinoma (n = 513) နှင့် ပုံမှန်အဆုတ်တစ်ရှူး (n = 59) တွင် SLC7A5 နှင့် GAPDH ဖော်ပြမှု၏ Pearson correlation plot။ မီးခိုးရောင်ဧရိယာသည် 95% CI ကိုကိုယ်စားပြုသည်။ r၊ Pearson correlation coefficient။ g LC-MS/MS မှဆုံးဖြတ်ထားသော nonspecific shRNA control (NC) နှင့် shSLC7A5 (Sh1, Sh2) ဖြင့် transfected လုပ်ထားသော A549 ဆဲလ်များတွင် ပုံမှန်ဆဲလ် tryptophan အဆင့်များ။ အုပ်စုတစ်ခုစီရှိ ဇီဝဗေဒအရ လွတ်လပ်သောနမူနာငါးခု၏ စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုကို တင်ပြထားသည်။ h A549 ဆဲလ်များ (NC) ရှိ NADt (စုစုပေါင်း NAD၊ NAD+ နှင့် NADH အပါအဝင်) ၏ ဆဲလ်အဆင့်များနှင့် SLC7A5 knockdown A549 ဆဲလ်များ (Sh1, Sh2)။ အုပ်စုတစ်ခုစီရှိ ဇီဝဗေဒအရ လွတ်လပ်သောနမူနာသုံးခု၏ စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုကို တင်ပြထားသည်။ i SLC7A5 ပြုတ်ကျခြင်း မတိုင်မီနှင့် ပြီးနောက် A549 ဆဲလ်များ၏ glycolytic activity ကို extracellular acidification rate (ECAR) ဖြင့် တိုင်းတာခဲ့သည် (အုပ်စုတစ်စုလျှင် n = ဇီဝဗေဒအရ လွတ်လပ်သော နမူနာ ၄ ခု)။ 2-DG,2-deoxy-D-glucose။ Two-tailed Student's t test ကို (b–h) တွင် အသုံးပြုခဲ့သည်။ (g–i) တွင်၊ error bar များသည် ပျမ်းမျှ ± SD ကို ကိုယ်စားပြုပြီး စမ်းသပ်မှုတစ်ခုစီကို သီးခြားစီ သုံးကြိမ် ပြုလုပ်ခဲ့ပြီး ရလဒ်များသည် အလားတူဖြစ်သည်။ ရင်းမြစ်ဒေတာကို ရင်းမြစ်ဒေတာဖိုင်များပုံစံဖြင့် ပေးထားသည်။
LA အုပ်စုတွင် tryptophan ဇီဝြဖစ်ပျက်မှု ပြောင်းလဲခြင်း၏ သိသာထင်ရှားသော သက်ရောက်မှုကို ထည့်သွင်းစဉ်းစားလျှင်၊ QQQ ကို အသုံးပြု၍ HC၊ BN နှင့် LA အုပ်စုများတွင် သွေးရည်ကြည် tryptophan အဆင့်များကိုလည်း ကျွန်ုပ်တို့ အကဲဖြတ်ခဲ့ပါသည်။ HC သို့မဟုတ် BN နှင့် နှိုင်းယှဉ်ပါက LA တွင် သွေးရည်ကြည် tryptophan လျော့နည်းသွားသည်ကို ကျွန်ုပ်တို့ တွေ့ရှိခဲ့သည် (p < 0.001၊ ပုံ 5d)၊ ၎င်းသည် ထိန်းချုပ်အုပ်စုမှ ကျန်းမာသော ထိန်းချုပ်မှုအုပ်စုထက် အဆုတ်ကင်ဆာလူနာများတွင် လည်ပတ်နေသော tryptophan အဆင့်များ နည်းပါးသည်ဟူသော ယခင်တွေ့ရှိချက်များနှင့် ကိုက်ညီပါသည်33,34,35။ PET/CT tracer 11C-methyl-L-tryptophan ကို အသုံးပြုသည့် နောက်ထပ်လေ့လာမှုတစ်ခုအရ အဆုတ်ကင်ဆာတစ်ရှူးတွင် tryptophan အချက်ပြ ထိန်းသိမ်းမှုအချိန်သည် ကောင်းမွန်သော အနာများ သို့မဟုတ် ပုံမှန်တစ်ရှူးများနှင့် နှိုင်းယှဉ်ပါက သိသိသာသာ မြင့်တက်လာသည်ကို တွေ့ရှိခဲ့သည်36။ LA သွေးရည်ကြည်တွင် tryptophan လျော့နည်းသွားခြင်းသည် အဆုတ်ကင်ဆာဆဲလ်များမှ tryptophan စုပ်ယူမှုကို တက်ကြွစွာ ထင်ဟပ်စေသည်ဟု ကျွန်ုပ်တို့ ယူဆပါသည်။
tryptophan catabolism ၏ kynurenine လမ်းကြောင်း၏ နောက်ဆုံးထုတ်ကုန်မှာ NAD+37,38 ဖြစ်ကြောင်းလည်း သိရှိရပြီး ၎င်းသည် glycolysis39 တွင် glyceraldehyde-3-phosphate နှင့် 1,3-bisphosphoglycerate ဓာတ်ပြုမှုအတွက် အရေးကြီးသော substrate တစ်ခုဖြစ်သည်။ ယခင်လေ့လာမှုများသည် ကိုယ်ခံအားထိန်းညှိမှုတွင် tryptophan catabolism ၏ အခန်းကဏ္ဍကို အာရုံစိုက်ခဲ့သော်လည်း၊ လက်ရှိလေ့လာမှုတွင် တွေ့ရှိရသည့် tryptophan dysregulation နှင့် glycolytic လမ်းကြောင်းများအကြား အပြန်အလှန်အကျိုးသက်ရောက်မှုကို ရှင်းလင်းရန် ကျွန်ုပ်တို့ ကြိုးပမ်းခဲ့ပါသည်။ Solute transporter family 7 member 5 (SLC7A5) သည် tryptophan transporter43,44,45 အဖြစ် လူသိများသည်။ Quinolinic acid phosphoribosyltransferase (QPRT) သည် kynurenine လမ်းကြောင်း၏ အောက်ဘက်တွင်တည်ရှိသော quinolinic acid ကို NAMN46 သို့ပြောင်းလဲပေးသော enzyme တစ်ခုဖြစ်သည်။ LUAD TCGA dataset ကို စစ်ဆေးခြင်းအားဖြင့် SLC7A5 နှင့် QPRT နှစ်မျိုးလုံးသည် ပုံမှန်တစ်ရှူးနှင့် နှိုင်းယှဉ်ပါက အကျိတ်တစ်ရှူးတွင် သိသိသာသာ မြင့်တက်လာကြောင်း တွေ့ရှိခဲ့သည် (ပုံ 5e)။ ဤတိုးလာမှုကို အဆုတ် adenocarcinoma ၏ I နှင့် II အဆင့်များအပြင် III နှင့် IV အဆင့်များတွင် တွေ့ရှိခဲ့ရသည် (နောက်ဆက်တွဲပုံ ၁၁)၊ ၎င်းသည် အကျိတ်ဖြစ်ပေါ်မှုနှင့်ဆက်စပ်သော tryptophan ဇီဝြဖစ်ပျက်မှုတွင် အစောပိုင်းနှောင့်ယှက်မှုများကို ညွှန်ပြနေသည်။
ထို့အပြင်၊ LUAD-TCGA dataset သည် ကင်ဆာလူနာနမူနာများတွင် SLC7A5 နှင့် GAPDH mRNA ဖော်ပြမှုအကြား အပြုသဘောဆက်စပ်မှုကို ပြသခဲ့သည် (r = 0.45၊ p = 1.55E-26၊ ပုံ 5f)။ ဆန့်ကျင်ဘက်အနေဖြင့်၊ ပုံမှန်အဆုတ်တစ်ရှူးရှိ ထိုကဲ့သို့သော မျိုးဗီဇလက္ခဏာများအကြား သိသာထင်ရှားသော ဆက်စပ်မှုကို မတွေ့ရှိခဲ့ပါ (r = 0.25၊ p = 0.06၊ ပုံ 5f)။ A549 ဆဲလ်များတွင် SLC7A5 (နောက်ဆက်တွဲပုံ 12) ကို ဖြုတ်ချခြင်းသည် ဆဲလ် tryptophan နှင့် NAD(H) အဆင့်များကို သိသိသာသာ လျော့ကျစေသည် (ပုံ 5g,h)၊ extracellular acidification rate (ECAR) ဖြင့် တိုင်းတာသည့်အတိုင်း glycolytic activity ကို လျော့ကျစေသည် (ပုံ 1)။ 5i)။ ထို့ကြောင့်၊ သွေးရည်ကြည်နှင့် in vitro ထောက်လှမ်းမှုတွင် ဇီဝဖြစ်စဉ်ပြောင်းလဲမှုများအပေါ် အခြေခံ၍ tryptophan ဇီဝဖြစ်စဉ်သည် kynurenine လမ်းကြောင်းမှတစ်ဆင့် NAD+ ကို ထုတ်လုပ်ပြီး အဆုတ်ကင်ဆာတွင် glycolysis ကို မြှင့်တင်ရာတွင် အရေးကြီးသော အခန်းကဏ္ဍမှ ပါဝင်နိုင်သည်ဟု ကျွန်ုပ်တို့ ယူဆပါသည်။
LDCT မှ တွေ့ရှိရသည့် မသေချာသော အဆုတ်အကျိတ် အများအပြားသည် ကင်ဆာရောဂါ မှားယွင်းစွာ အပြုသဘောဆောင်သောကြောင့် PET-CT၊ အဆုတ်တစ်ရှူးစစ်ဆေးမှုနှင့် အလွန်အကျွံကုသမှုကဲ့သို့သော နောက်ထပ်စစ်ဆေးမှုများ လိုအပ်နိုင်ကြောင်း လေ့လာမှုများက ပြသထားသည်။၃၁ ပုံ ၆ တွင် ပြထားသည့်အတိုင်း၊ ကျွန်ုပ်တို့၏ လေ့လာမှုတွင် CT မှ တွေ့ရှိရသည့် အဆုတ်အကျိတ်များ၏ အန္တရာယ်အလွှာခွဲခြားမှုနှင့် နောက်ဆက်တွဲ စီမံခန့်ခွဲမှုကို တိုးတက်ကောင်းမွန်စေမည့် အလားအလာရှိသော ရောဂါရှာဖွေတန်ဖိုးရှိသော သွေးရည်ကြည်ဇီဝဖြစ်စဉ် အစုအဝေးကို ဖော်ထုတ်ခဲ့သည်။
အဆုတ်အကျိတ်များကို ကောင်းမွန်သော သို့မဟုတ် အန္တရာယ်ရှိသော အကြောင်းရင်းများကို ညွှန်ပြသည့် ပုံရိပ်ဖော်ခြင်းဆိုင်ရာ အင်္ဂါရပ်များပါရှိသော low-dose computed tomography (LDCT) ကို အသုံးပြု၍ အကဲဖြတ်သည်။ အကျိတ်များ၏ မသေချာသောရလဒ်သည် မကြာခဏ နောက်ဆက်တွဲစစ်ဆေးမှုများ၊ မလိုအပ်သော ကြားဝင်ဆောင်ရွက်မှုများနှင့် အလွန်အကျွံကုသမှုများ ဖြစ်ပေါ်စေနိုင်သည်။ ရောဂါရှာဖွေတန်ဖိုးပါရှိသော သွေးရည်ကြည်ဇီဝဖြစ်စဉ်ဆိုင်ရာ အမျိုးအစားခွဲခြားကိရိယာများ ပါဝင်ခြင်းသည် အဆုတ်အကျိတ်များ၏ အန္တရာယ်အကဲဖြတ်ခြင်းနှင့် နောက်ဆက်တွဲစီမံခန့်ခွဲမှုကို တိုးတက်ကောင်းမွန်စေနိုင်သည်။ PET positron emission tomography။
အမေရိကန် NLST လေ့လာမှုနှင့် ဥရောပ NELSON လေ့လာမှုမှ ရရှိသော အချက်အလက်များအရ အန္တရာယ်များသော အုပ်စုများကို low-dose computed tomography (LDCT) ဖြင့် စစ်ဆေးခြင်းသည် အဆုတ်ကင်ဆာ သေဆုံးမှုကို လျှော့ချနိုင်ကြောင်း အကြံပြုထားသည်1,3။ သို့သော် LDCT မှ တွေ့ရှိရသည့် အဆုတ်အကျိတ် အများအပြားအတွက် အန္တရာယ်အကဲဖြတ်ခြင်းနှင့် နောက်ဆက်တွဲ လက်တွေ့စီမံခန့်ခွဲမှုသည် အခက်ခဲဆုံး ဖြစ်နေဆဲဖြစ်သည်။ အဓိကရည်မှန်းချက်မှာ ယုံကြည်စိတ်ချရသော biomarkers များကို ပေါင်းစပ်ခြင်းဖြင့် ရှိပြီးသား LDCT-based protocols များ၏ မှန်ကန်သော အမျိုးအစားခွဲခြားမှုကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရန်ဖြစ်သည်။
သွေးတွင်းဇီဝဖြစ်စဉ်ထုတ်ကုန်များကဲ့သို့သော မော်လီကျူးဇီဝအမှတ်အသားအချို့ကို ကျန်းမာသောထိန်းချုပ်မှုများနှင့် အဆုတ်ကင်ဆာကို နှိုင်းယှဉ်ခြင်းဖြင့် ဖော်ထုတ်နိုင်ခဲ့သည်15,17။ လက်ရှိလေ့လာမှုတွင်၊ LDCT မှ မတော်တဆတွေ့ရှိခဲ့သော အကျိတ်အခဲများနှင့် အကျိတ်အခဲများကို ခွဲခြားသိရှိနိုင်ရန် serum metabolomics analysis ကို အသုံးချမှုကို ကျွန်ုပ်တို့ အာရုံစိုက်ခဲ့ပါသည်။ ကျန်းမာသောထိန်းချုပ်မှု (HC)၊ အကျိတ်အခဲများ (BN) နှင့် အဆင့် I အဆုတ် adenocarcinoma (LA) နမူနာများ၏ ကမ္ဘာလုံးဆိုင်ရာ serum metabolome ကို UPLC-HRMS analysis ကို အသုံးပြု၍ နှိုင်းယှဉ်ခဲ့ပါသည်။ HC နှင့် BN တို့တွင် အလားတူဇီဝဖြစ်စဉ်ပရိုဖိုင်များရှိပြီး HC နှင့် BN နှင့် နှိုင်းယှဉ်ပါက LA တွင် သိသာထင်ရှားသောပြောင်းလဲမှုများပြသသည်ကို ကျွန်ုပ်တို့တွေ့ရှိခဲ့ပါသည်။ LA နှင့် HC နှင့် BN ကို ခွဲခြားသိမြင်နိုင်သော serum metabolites အစုံနှစ်စုံကို ကျွန်ုပ်တို့ ဖော်ထုတ်ခဲ့ပါသည်။
လက်ရှိ LDCT-အခြေခံ ကင်ဆာမဟုတ်သောနှင့် ကင်ဆာအကျိတ်များအတွက် ခွဲခြားသတ်မှတ်ခြင်းအစီအစဉ်သည် အဓိကအားဖြင့် အကျိတ်များ၏ အရွယ်အစား၊ သိပ်သည်းဆ၊ ပုံသဏ္ဍာန်နှင့် အချိန်နှင့်အမျှ ကြီးထွားမှုနှုန်းအပေါ် အခြေခံသည်30။ ယခင်လေ့လာမှုများအရ အကျိတ်များ၏ အရွယ်အစားသည် အဆုတ်ကင်ဆာဖြစ်နိုင်ခြေနှင့် နီးကပ်စွာ ဆက်စပ်နေကြောင်း ပြသထားသည်။ အန္တရာယ်များသော လူနာများတွင်ပင် 6 mm အောက် အကျိတ်များတွင် ကင်ဆာဖြစ်နိုင်ခြေမှာ <1% ဖြစ်သည်။ 6 မှ 20 mm အထိရှိသော အကျိတ်များအတွက် ကင်ဆာဖြစ်နိုင်ခြေမှာ 8% မှ 64% အထိရှိသည်30။ ထို့ကြောင့် Fleischner Society သည် ပုံမှန် CT နောက်ဆက်တွဲစစ်ဆေးမှုအတွက် 6 mm ၏ cutoff အချင်းကို အကြံပြုထားသည်။29 သို့သော် 6 mm ထက်ပိုကြီးသော မသေချာသော အဆုတ်အကျိတ် (IPN) များ၏ အန္တရာယ်အကဲဖြတ်ခြင်းနှင့် စီမံခန့်ခွဲမှုကို လုံလောက်စွာ မလုပ်ဆောင်ရသေးပါ31။ မွေးရာပါနှလုံးရောဂါ၏ လက်ရှိစီမံခန့်ခွဲမှုသည် CT မကြာခဏ စောင့်ကြည့်ခြင်းဖြင့် စောင့်ကြည့်ခြင်းအပေါ် အခြေခံလေ့ရှိသည်။
အတည်ပြုထားသော ဇီဝဖြစ်စဉ်ဆိုင်ရာ အချက်အလက်များအပေါ် အခြေခံ၍ ကျန်းမာသော လူပုဂ္ဂိုလ်များနှင့် ၆ မီလီမီတာအောက်ရှိ အကျိတ်များအကြား ဇီဝဖြစ်စဉ်ဆိုင်ရာ လက္ခဏာများ ထပ်တူကျမှုကို ကျွန်ုပ်တို့ ပထမဆုံးအကြိမ် သရုပ်ပြခဲ့ပါသည်။ ဇီဝဗေဒဆိုင်ရာ ဆင်တူယိုးမှားမှုသည် ယခင် CT တွေ့ရှိချက်များနှင့် ကိုက်ညီပြီး ၆ မီလီမီတာအောက်ရှိ အကျိတ်များအတွက် ကင်ဆာဖြစ်နိုင်ခြေသည် အကျိတ်မရှိသူများကဲ့သို့ နည်းပါးပါသည်။၃၀ ကျွန်ုပ်တို့၏ ရလဒ်များအရ အကျိတ် ၆ မီလီမီတာအောက်နှင့် ၆ မီလီမီတာအထက်ရှိ အကျိတ်များသည် ဇီဝဖြစ်စဉ်ဆိုင်ရာ ပရိုဖိုင်များတွင် ဆင်တူယိုးမှားမှု မြင့်မားကြောင်း ပြသထားပြီး အကျိတ်အရွယ်အစား မည်သို့ပင်ရှိစေကာမူ အကျိတ်မရှိသော ရောဂါဗေဒဆိုင်ရာ လုပ်ဆောင်ချက်ဆိုင်ရာ အဓိပ္ပာယ်ဖွင့်ဆိုချက်သည် တသမတ်တည်းရှိကြောင်း အကြံပြုထားသည်။ ထို့ကြောင့် ခေတ်မီ ရောဂါရှာဖွေရေး သွေးရည်ကြည် ဇီဝဖြစ်စဉ်ဆိုင်ရာ ပြားများသည် CT တွင် အကျိတ်များကို ကနဦး တွေ့ရှိသည့်အခါ rule-out စမ်းသပ်မှုအဖြစ် တစ်ခုတည်းသော assay ကို ပေးစွမ်းနိုင်ပြီး serial monitoring ကို လျော့နည်းစေနိုင်သည်။ တစ်ချိန်တည်းမှာပင်၊ ဇီဝဖြစ်စဉ်ဆိုင်ရာ ဇီဝအမှတ်အသားများ၏ ပြားသည် အရွယ်အစား ၆ မီလီမီတာအထက်ရှိသော အကျိတ်များကို အကျိတ်မရှိသော အကျိတ်များနှင့် ခွဲခြားသတ်မှတ်ပြီး CT ပုံရိပ်များတွင် အလားတူ အရွယ်အစားနှင့် မရေမရာသော morphological လက္ခဏာများရှိသော IPN များအတွက် တိကျသော ခန့်မှန်းချက်များကို ပေးစွမ်းခဲ့သည်။ ဤ serum metabolism classifier သည် AUC ၀.၉၂၇ ဖြင့် ၆ မီလီမီတာအထက်ရှိသော အကျိတ်များ၏ ကင်ဆာကို ခန့်မှန်းရာတွင် ကောင်းစွာ လုပ်ဆောင်ခဲ့သည်။ ပေါင်းစပ်ကြည့်လျှင်၊ ကျွန်ုပ်တို့၏ရလဒ်များသည် ထူးခြားသော သွေးရည်ကြည် ဇီဝဖြစ်စဉ်ဆိုင်ရာ လက္ခဏာများသည် အစောပိုင်း အကျိတ်ကြောင့်ဖြစ်ပေါ်လာသော ဇီဝဖြစ်စဉ်ဆိုင်ရာ ပြောင်းလဲမှုများကို တိတိကျကျ ထင်ဟပ်စေပြီး အဖုအရွယ်အစားပေါ် မူတည်၍ အန္တရာယ်ခန့်မှန်းသူများအဖြစ် အလားအလာရှိသော တန်ဖိုးရှိကြောင်း ညွှန်ပြနေသည်။
အထူးသဖြင့် အဆုတ်ကင်ဆာအကျိတ် (LUAD) နှင့် squamous cell carcinoma (LUSC) တို့သည် non-small cell lung cancer (NSCLC) ၏ အဓိကအမျိုးအစားများဖြစ်သည်။ LUSC သည် ဆေးရွက်ကြီးသုံးစွဲမှုနှင့် အပြင်းအထန်ဆက်စပ်နေပြီး LUAD သည် CT စစ်ဆေးခြင်းတွင် တွေ့ရှိရသည့် အဆုတ်အကျိတ်များ၏ အဖြစ်အများဆုံး တစ်ရှူးဗေဒဖြစ်သောကြောင့် ကျွန်ုပ်တို့၏ အမျိုးအစားခွဲခြားသည့် မော်ဒယ်ကို ပထမအဆင့် အကျိတ်နမူနာများအတွက် အထူးတည်ဆောက်ထားသည်။ Wang နှင့် လုပ်ဖော်ကိုင်ဖက်များသည် LUAD ကိုလည်း အာရုံစိုက်ခဲ့ပြီး အစောပိုင်းအဆင့် အဆုတ်ကင်ဆာကို ကျန်းမာသူများနှင့် ခွဲခြားရန် lipidomics ကို အသုံးပြု၍ lipid signatures ကိုးခုကို ဖော်ထုတ်ခဲ့သည်။ ကျွန်ုပ်တို့သည် လက်ရှိအမျိုးအစားခွဲခြားသည့် မော်ဒယ်ကို ပထမအဆင့် LUSC ဖြစ်ရပ် ၁၆ ခုနှင့် benign nodules ၇၄ ခုတွင် စမ်းသပ်ခဲ့ပြီး LUSC ခန့်မှန်းတိကျမှုနည်းပါးသည် (AUC 0.776) ကို တွေ့ရှိခဲ့ပြီး၊ LUAD နှင့် LUSC တွင် ၎င်းတို့၏ကိုယ်ပိုင် metabolilomic signatures ရှိနိုင်ကြောင်း အကြံပြုထားသည်။ အမှန်စင်စစ်၊ LUAD နှင့် LUSC တို့သည် etiology၊ ဇီဝဗေဒဆိုင်ရာဇာစ်မြစ်နှင့် မျိုးရိုးဗီဇဆိုင်ရာ ပုံမှန်မဟုတ်မှုများတွင် ကွဲပြားကြောင်း ပြသထားသည်49။ ထို့ကြောင့်၊ စစ်ဆေးရေးအစီအစဉ်များတွင် အဆုတ်ကင်ဆာကို လူဦးရေအခြေခံ၍ ရှာဖွေတွေ့ရှိရန်အတွက် လေ့ကျင့်ရေးမော်ဒယ်များတွင် အခြားသော တစ်ရှူးဗေဒအမျိုးအစားများကို ထည့်သွင်းသင့်သည်။
ဤနေရာတွင်၊ ကျန်းမာသောထိန်းချုပ်မှုများနှင့် ကောင်းမွန်သောအကျိတ်များနှင့် နှိုင်းယှဉ်ပါက အဆုတ် adenocarcinoma တွင် အဖြစ်အများဆုံးပြောင်းလဲနေသောလမ်းကြောင်းခြောက်ခုကို ကျွန်ုပ်တို့ဖော်ထုတ်ခဲ့ပါသည်။ Xanthine နှင့် hypoxanthine တို့သည် purine ဇီဝဖြစ်စဉ်လမ်းကြောင်း၏ အဖြစ်များသောဇီဝဖြစ်စဉ်ထုတ်ကုန်များဖြစ်သည်။ ကျွန်ုပ်တို့၏ရလဒ်များနှင့်အညီ၊ purine ဇီဝဖြစ်စဉ်နှင့်ဆက်စပ်နေသော အလယ်အလတ်ပစ္စည်းများသည် ကျန်းမာသောထိန်းချုပ်မှုများ သို့မဟုတ် preinvasive stage ရှိလူနာများနှင့်နှိုင်းယှဉ်ပါက အဆုတ် adenocarcinoma ရှိသောလူနာများ၏ သွေးရည်ကြည် သို့မဟုတ် တစ်ရှူးများတွင် သိသိသာသာမြင့်တက်လာခဲ့သည်15,50။ serum xanthine နှင့် hypoxanthine အဆင့်များမြင့်မားခြင်းသည် အလျင်အမြန်ပွားများနေသော ကင်ဆာဆဲလ်များအတွက် လိုအပ်သော anabolism ကို ထင်ဟပ်စေနိုင်သည်။ glucose ဇီဝဖြစ်စဉ် ထိန်းညှိမှု မမှန်ခြင်းသည် ကင်ဆာဇီဝဖြစ်စဉ်၏ လူသိများသော လက္ခဏာတစ်ခုဖြစ်သည်51။ ဤနေရာတွင်၊ HC နှင့် BN အုပ်စုနှင့် နှိုင်းယှဉ်ပါက LA အုပ်စုတွင် pyruvate နှင့် lactate သိသိသာသာတိုးလာသည်ကို ကျွန်ုပ်တို့တွေ့ရှိခဲ့ပြီး၊ ၎င်းသည် non-small cell lung cancer (NSCLC) လူနာများနှင့် ကျန်းမာသောထိန်းချုပ်မှုများ၏ serum metabolime profiles များတွင် glycolytic pathway abnormalities များ၏ ယခင်အစီရင်ခံစာများနှင့် ကိုက်ညီပါသည်။ ရလဒ်များသည် တသမတ်တည်းဖြစ်သည်52,53။
အရေးကြီးတာက အဆုတ် adenocarcinomas တွေရဲ့ သွေးရည်ကြည်ထဲမှာ pyruvate နဲ့ tryptophan ဇီဝြဖစ်ပျက်မှုကြား ပြောင်းပြန်ဆက်စပ်မှုကို ကျွန်တော်တို့ တွေ့ရှိခဲ့ပါတယ်။ HC ဒါမှမဟုတ် BN အုပ်စုနဲ့ နှိုင်းယှဉ်ရင် LA အုပ်စုမှာ သွေးရည်ကြည် tryptophan အဆင့်တွေ လျော့နည်းသွားပါတယ်။ စိတ်ဝင်စားစရာကောင်းတာက prospective cohort ကို အသုံးပြုတဲ့ ယခင် ကြီးမားတဲ့ လေ့လာမှုတစ်ခုအရ လည်ပတ်နေတဲ့ tryptophan အဆင့်နိမ့်တာဟာ အဆုတ်ကင်ဆာဖြစ်နိုင်ခြေ တိုးလာတာနဲ့ ဆက်စပ်နေတာကို တွေ့ရှိခဲ့ပါတယ်။ 54 Tryptophan ဟာ အစားအစာကနေ လုံးဝရရှိတဲ့ မရှိမဖြစ် အမိုင်နိုအက်ဆစ်တစ်မျိုးပါ။ အဆုတ် adenocarcinoma မှာ သွေးရည်ကြည် tryptophan ကုန်ဆုံးမှုဟာ ဒီဇီဝဖြစ်စဉ် အလျင်အမြန် ကုန်ဆုံးသွားတာကို ထင်ဟပ်စေနိုင်တယ်လို့ ကျွန်တော်တို့ ကောက်ချက်ချပါတယ်။ kynurenine လမ်းကြောင်းကတစ်ဆင့် tryptophan ဇီဝြဖစ်ပျက်မှုရဲ့ နောက်ဆုံးထုတ်ကုန်ဟာ de novo NAD+ ပေါင်းစပ်မှုရဲ့ အရင်းအမြစ်ဖြစ်တယ်ဆိုတာ လူသိများပါတယ်။ NAD+ ကို salvage လမ်းကြောင်းကတစ်ဆင့် အဓိကထုတ်လုပ်တာကြောင့် ကျန်းမာရေးနဲ့ ရောဂါတွေမှာ tryptophan ဇီဝြဖစ်ပျက်မှုမှာ NAD+ ရဲ့ အရေးပါမှုကို ဆုံးဖြတ်ဖို့ ကျန်ရှိနေပါသေးတယ်46။ TCGA ဒေတာဘေ့စ်ကို ကျွန်ုပ်တို့၏ ခွဲခြမ်းစိတ်ဖြာမှုအရ tryptophan transporter solute transporter 7A5 (SLC7A5) ၏ ဖော်ပြမှုသည် ပုံမှန်ထိန်းချုပ်မှုများနှင့် နှိုင်းယှဉ်ပါက အဆုတ် adenocarcinoma တွင် သိသိသာသာ မြင့်တက်လာပြီး glycolytic enzyme GAPDH ၏ ဖော်ပြမှုနှင့် အပြုသဘောဆောင်သော ဆက်စပ်မှုရှိကြောင်း ပြသခဲ့သည်။ ယခင်လေ့လာမှုများသည် antitumor immune response ကို နှိမ်နင်းရာတွင် tryptophan catabolism ၏ အခန်းကဏ္ဍကို အဓိကထားဖော်ပြခဲ့သည်40,41,42။ အဆုတ်ကင်ဆာဆဲလ်များတွင် SLC7A5 ကို ဖြိုခွဲခြင်းဖြင့် tryptophan စုပ်ယူမှုကို ဟန့်တားခြင်းသည် ဆဲလ် NAD အဆင့်ကို လျော့ကျစေပြီး glycolytic activity ကို လျော့ပါးစေကြောင်း ဤနေရာတွင် ကျွန်ုပ်တို့ ပြသထားပါသည်။ အကျဉ်းချုပ်အားဖြင့်၊ ကျွန်ုပ်တို့၏ လေ့လာမှုသည် အဆုတ် adenocarcinoma ၏ malignant transformation နှင့် ဆက်စပ်နေသော serum metabolism ပြောင်းလဲမှုများအတွက် ဇီဝဗေဒဆိုင်ရာ အခြေခံကို ပံ့ပိုးပေးပါသည်။
EGFR မျိုးရိုးဗီဇပြောင်းလဲမှုများသည် NSCLC ရှိသောလူနာများတွင် အဖြစ်အများဆုံး မောင်းနှင်အား မျိုးရိုးဗီဇပြောင်းလဲမှုများဖြစ်သည်။ ကျွန်ုပ်တို့၏လေ့လာမှုတွင်၊ EGFR မျိုးရိုးဗီဇပြောင်းလဲမှုရှိသောလူနာများ (n = 41) တွင် wild-type EGFR (n = 31) ရှိသောလူနာများနှင့်ဆင်တူသော အလုံးစုံဇီဝဖြစ်စဉ်ပရိုဖိုင်များရှိကြောင်း ကျွန်ုပ်တို့တွေ့ရှိခဲ့သော်လည်း၊ acylcarnitine လူနာအချို့တွင် EGFR မျိုးရိုးဗီဇပြောင်းလဲမှုရှိသောလူနာများ၏ သွေးရည်ကြည်အဆင့်များ လျော့နည်းသွားသည်ကို ကျွန်ုပ်တို့တွေ့ရှိခဲ့ပါသည်။ acylcarnitines ၏ တည်ထောင်ထားသောလုပ်ဆောင်ချက်မှာ ဆိုက်တိုပလာဇမ်မှ မိုက်တိုခွန်ဒရီးယား မက်ထရစ်သို့ acyl အုပ်စုများကို သယ်ယူပို့ဆောင်ပေးပြီး fatty acids များ၏ အောက်ဆီဒေးရှင်းကို စွမ်းအင်ထုတ်လုပ်ရန် ဦးတည်စေသည်55။ ကျွန်ုပ်တို့၏တွေ့ရှိချက်များနှင့်ကိုက်ညီစွာ၊ မကြာသေးမီကလေ့လာမှုတစ်ခုတွင်လည်း အဆုတ် adenocarcinoma တစ်ရှူးနမူနာ 102 ခု၏ ကမ္ဘာလုံးဆိုင်ရာဇီဝဖြစ်စဉ်ကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် EGFR မျိုးရိုးဗီဇပြောင်းလဲမှုနှင့် EGFR wild-type အကျိတ်များအကြား အလားတူဇီဝဖြစ်စဉ်ပရိုဖိုင်များကို ဖော်ထုတ်ခဲ့သည်။ စိတ်ဝင်စားစရာကောင်းသည်မှာ acylcarnitine ပါဝင်မှုကို EGFR မျိုးရိုးဗီဇပြောင်းလဲမှုအုပ်စုတွင်လည်း တွေ့ရှိခဲ့သည်။ ထို့ကြောင့်၊ acylcarnitine အဆင့်များတွင် ပြောင်းလဲမှုများသည် EGFR ကြောင့်ဖြစ်ပေါ်လာသော ဇီဝဖြစ်စဉ်ပြောင်းလဲမှုများနှင့် အခြေခံမော်လီကျူးလမ်းကြောင်းများကို ထင်ဟပ်ခြင်းရှိမရှိကို နောက်ထပ်လေ့လာမှုပြုလုပ်သင့်ပါသည်။
အဆုံးသတ်အနေနဲ့ ကျွန်ုပ်တို့ရဲ့ လေ့လာမှုက အဆုတ်အကျိတ်တွေကို ရောဂါခွဲခြားဖို့အတွက် serum metabolic classifier တစ်ခုကို တည်ထောင်ပေးပြီး CT scan စစ်ဆေးမှုကို အခြေခံတဲ့ အန္တရာယ်အကဲဖြတ်မှုကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ပေးနိုင်ပြီး ဆေးခန်းစီမံခန့်ခွဲမှုကို အထောက်အကူပြုနိုင်တဲ့ workflow တစ်ခုကို အဆိုပြုထားပါတယ်။
ဤလေ့လာမှုကို ဆွန်ယက်ဆင်တက္ကသိုလ်ကင်ဆာဆေးရုံ၏ ကျင့်ဝတ်ကော်မတီ၊ ဆွန်ယက်ဆင်တက္ကသိုလ်၏ ပထမတွဲဖက်ဆေးရုံနှင့် ဇန်ကျိုးတက္ကသိုလ်ကင်ဆာဆေးရုံ၏ ကျင့်ဝတ်ကော်မတီမှ အတည်ပြုခဲ့သည်။ ရှာဖွေတွေ့ရှိမှုနှင့် အတွင်းပိုင်းအတည်ပြုအဖွဲ့များတွင် ကျန်းမာသူများထံမှ သွေးရည် ၁၇၄ ခုနှင့် ကင်ဆာမဟုတ်သော အဖုများမှ သွေးရည် ၂၄၄ ခုကို ဆွန်ယက်ဆင်တက္ကသိုလ်ကင်ဆာစင်တာတွင် နှစ်စဉ်ဆေးစစ်မှုများ ခံယူသူများထံမှ စုဆောင်းခဲ့ပြီး ကင်ဆာမဟုတ်သော အဖု ၁၆၆ ခုကို သွေးရည်ကြည်ဖြင့် စုဆောင်းခဲ့သည်။ ပထမအဆင့် အဆုတ်အကျိတ်ကင်ဆာကို ဆွန်ယက်ဆင်တက္ကသိုလ်ကင်ဆာစင်တာမှ စုဆောင်းခဲ့သည်။ ပြင်ပအတည်ပြုအဖွဲ့တွင် ကင်ဆာမဟုတ်သော အဖု ၄၈ ခု၊ ဆွန်ယက်ဆင်တက္ကသိုလ်၏ ပထမတွဲဖက်ဆေးရုံမှ ပထမအဆင့် အဆုတ်အကျိတ်ကင်ဆာ ၃၉ ခုနှင့် ဇန်ကျိုးကင်ဆာဆေးရုံမှ ပထမအဆင့် အဆုတ်အကျိတ်ကင်ဆာ ၂၄ ခု ရှိခဲ့သည်။ ဆွန်ယက်ဆင်တက္ကသိုလ် ကင်ဆာစင်တာသည် တည်ထောင်ထားသော ဇီဝဖြစ်စဉ် အမျိုးအစားခွဲခြားသူ၏ ရောဂါရှာဖွေနိုင်စွမ်းကို စမ်းသပ်ရန်အတွက် အဆင့် I squamous cell lung cancer ဖြစ်ရပ် ၁၆ ခုကိုလည်း စုဆောင်းခဲ့သည် (လူနာ၏ ဝိသေသလက္ခဏာများကို နောက်ဆက်တွဲဇယား ၅ တွင် ပြသထားသည်)။ Discovery cohort နှင့် internal validation cohort မှ နမူနာများကို ၂၀၁၈ ခုနှစ် ဇန်နဝါရီလမှ ၂၀၂၀ ခုနှစ် မေလအတွင်း စုဆောင်းခဲ့သည်။ external validation cohort အတွက် နမူနာများကို ၂၀၂၁ ခုနှစ် သြဂုတ်လမှ ၂၀၂၂ ခုနှစ် အောက်တိုဘာလအတွင်း စုဆောင်းခဲ့သည်။ ကျား၊မ ဘက်လိုက်မှုကို လျှော့ချရန်အတွက် cohort တစ်ခုစီသို့ အမျိုးသားနှင့် အမျိုးသမီး ဖြစ်ရပ်အရေအတွက် ခန့်မှန်းခြေအားဖြင့် တူညီသော အရေအတွက်ကို သတ်မှတ်ပေးခဲ့သည်။ Discovery Team နှင့် Internal Review Team။ ပါဝင်သူ ကျား၊မ ကို ကိုယ်တိုင်အစီရင်ခံစာအပေါ် အခြေခံ၍ ဆုံးဖြတ်ခဲ့သည်။ ပါဝင်သူအားလုံးထံမှ သတင်းအချက်အလက်အပြည့်အစုံဖြင့် သဘောတူညီချက်ကို ရရှိခဲ့ပြီး လျော်ကြေးငွေ ပေးအပ်ခြင်း မရှိပါ။ ကောင်းမွန်သော nodules များရှိသော လူနာများသည် ခွဲခြမ်းစိတ်ဖြာချိန်တွင် ၂ နှစ်မှ ၅ နှစ်အတွင်း CT scan ရမှတ် တည်ငြိမ်သူများဖြစ်ပြီး external validation sample မှ ဖြစ်ရပ် ၁ ခုမှလွဲ၍ ခွဲစိတ်မှုမတိုင်မီ စုဆောင်းပြီး histopathology ဖြင့် ရောဂါရှာဖွေခဲ့သည်။ နာတာရှည် bronchitis မှလွဲ၍။ Lung adenocarcinoma ဖြစ်ရပ်များကို အဆုတ်ခွဲစိတ်မှုမပြုမီ စုဆောင်းပြီး ရောဂါဗေဒဆိုင်ရာ ရောဂါရှာဖွေခြင်းဖြင့် အတည်ပြုခဲ့သည်။ သွေးခဲပျောက်ဆေးမပါဘဲ သွေးရည်ကြည်ခွဲပြွန်များတွင် အစာရှောင်သွေးနမူနာများကို စုဆောင်းခဲ့သည်။ သွေးနမူနာများကို အခန်းအပူချိန်တွင် ၁ နာရီကြာခဲစေပြီး သွေးရည်ကြည်အမြှုပ်ထွက်ပစ္စည်းများကို စုဆောင်းရန်အတွက် ၄°C တွင် ၁၀ မိနစ်ကြာ 2851 × g ဖြင့် centrifuge လုပ်ခဲ့သည်။ ဇီဝဖြစ်စဉ်ထုတ်ယူသည်အထိ သွေးရည်ကြည်အနည်အနှစ်များကို -၈၀°C တွင် အေးခဲစေခဲ့သည်။ ဆွန်ယက်ဆင်တက္ကသိုလ် ကင်ဆာစင်တာ၏ ကင်ဆာကာကွယ်ရေးနှင့် ဆေးဘက်ဆိုင်ရာစစ်ဆေးမှုဌာနသည် အသက် ၄၀ မှ ၅၅ နှစ်ကြားရှိ အမျိုးသားနှင့် အမျိုးသမီးအရေအတွက် တူညီသောကျန်းမာသော သွေးလှူဒါန်းသူ ၁၀၀ ထံမှ သွေးရည်ကြည်အစုအဝေးကို စုဆောင်းခဲ့သည်။ သွေးလှူဒါန်းသူနမူနာတစ်ခုစီ၏ တူညီသောပမာဏကို ရောနှောခဲ့ပြီး ရလဒ်အစုအဝေးကို ခွဲခြမ်းစိတ်ဖြာကာ -၈၀°C တွင် သိမ်းဆည်းခဲ့သည်။ သွေးရည်ကြည်အရောအနှောကို အရည်အသွေးထိန်းချုပ်မှုနှင့် အချက်အလက်စံသတ်မှတ်ခြင်းအတွက် ကိုးကားပစ္စည်းအဖြစ် အသုံးပြုခဲ့သည်။
ရည်ညွှန်း သွေးရည်ကြည်နှင့် စမ်းသပ်နမူနာများကို အရည်ပျော်စေပြီး ဇီဝဖြစ်စဉ်ထုတ်ကုန်များကို ပေါင်းစပ်ထုတ်ယူမှုနည်းလမ်း (MTBE/မီသနော/ရေ) 56 ကို အသုံးပြု၍ ထုတ်ယူခဲ့သည်။ အကျဉ်းချုပ်ပြောရလျှင် သွေးရည်ကြည် 50 μl ကို ရေခဲအေး မီသနော 225 μl နှင့် ရေခဲအေး မီသိုင်းတာ့-ဘူတိုင်း အီသာ (MTBE) 750 μl တို့ဖြင့် ရောစပ်ထားသည်။ အရောအနှောကို မွှေပြီး ရေခဲပေါ်တွင် 1 နာရီကြာ အပူပေးပါ။ ထို့နောက် နမူနာများကို ရောစပ်ပြီး vortex ကို အတွင်းပိုင်းစံနှုန်းများ (Cambridge Isotope Laboratories မှ ဝယ်ယူထားသော 13C-lactate၊ 13C3-pyruvate၊ 13C-methionine နှင့် 13C6-isoleucine) ပါ၀င်သော MS-grade ရေ 188 μl နှင့် ရောစပ်ထားသည်။ ထို့နောက် အရောအနှောကို 4°C တွင် 15,000 × g ဖြင့် 10 မိနစ်ကြာ centrifuge လုပ်ခဲ့ပြီး အောက်ပိုင်းအဆင့်ကို LC-MS ခွဲခြမ်းစိတ်ဖြာမှုအတွက် ပြွန်နှစ်ခု (တစ်ခုလျှင် 125 μL) ထဲသို့ လွှဲပြောင်းခဲ့သည်။ နောက်ဆုံးတွင်၊ နမူနာကို မြန်နှုန်းမြင့် vacuum concentrator တွင် ခြောက်သွေ့အောင် အငွေ့ပျံစေခဲ့သည်။
ခြောက်သွေ့ထားသော ဇီဝဖြစ်စဉ်ထုတ်ကုန်များကို ၈၀% အက်စီတိုနိုက်ထရိုက် ၁၂၀ μl တွင် ပြန်လည်ဖွဲ့စည်းပြီး ၅ မိနစ်ကြာ လှည့်ပတ်ကာ ၄°C တွင် ၁၀ မိနစ်ကြာ 15,000 × g တွင် centrifuge လုပ်ခဲ့သည်။ Supernatants များကို ဇီဝဖြစ်စဉ်ဆိုင်ရာ လေ့လာမှုများအတွက် microinsert များပါသည့် အဝါရောင်ဖန်ပုလင်းများထဲသို့ လွှဲပြောင်းခဲ့သည်။ ultra-performance liquid chromatography-high-resolution mass spectrometry (UPLC-HRMS) platform ပေါ်တွင် ပစ်မှတ်ထားမထားသော ဇီဝဖြစ်စဉ်ထုတ်ကုန်များကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ဇီဝဖြစ်စဉ်ထုတ်ကုန်များကို Dionex Ultimate 3000 UPLC စနစ်နှင့် ACQUITY BEH Amide column (2.1 × 100 mm, 1.7 μm, Waters) ကို အသုံးပြု၍ ခွဲထုတ်ခဲ့သည်။ positive ion mode တွင်၊ မိုဘိုင်းအဆင့်များမှာ ၉၅% (A) နှင့် ၅၀% အက်စီတိုနိုက်ထရိုက် (B) ဖြစ်ပြီး၊ တစ်ခုစီတွင် 10 mmol/L ammonium acetate နှင့် 0.1% formic acid ပါဝင်သည်။ negative mode မှာ၊ မိုဘိုင်းအဆင့် A နဲ့ B မှာ အသီးသီး 95% နဲ့ 50% acetonitrile ပါဝင်ပြီး၊ အဆင့်နှစ်ခုစလုံးမှာ 10 mmol/L ammonium acetate ပါဝင်ပြီး၊ pH = 9။ gradient program ကတော့ အောက်ပါအတိုင်းပါ- 0–0.5 min, 2% B; 0.5–12 min, 2–50% B; 12–14 min, 50–98% B; 14–16 min, 98% B; 16–16.1. min, 98 –2% B; 16.1–20 min, 2% B။ column ကို 40°C မှာထားပြီး sample ကို autosampler မှာ 10°C မှာ ထိန်းသိမ်းထားခဲ့ပါတယ်။ flow rate က 0.3 ml/min ဖြစ်ပြီး injection volume က 3 μl ဖြစ်ပါတယ်။ electrospray ionization (ESI) အရင်းအမြစ်ပါရှိသော Q-Exactive Orbitrap mass spectrometer (Thermo Fisher Scientific) ကို full scan mode တွင်လည်ပတ်ပြီး ddMS2 monitoring mode နှင့်ချိတ်ဆက်ကာ data အမြောက်အမြားစုဆောင်းခဲ့သည်။ MS parameters များကို အောက်ပါအတိုင်းသတ်မှတ်ထားသည်- spray voltage +3.8 kV/- 3.2 kV၊ capillary temperature 320°C၊ shielding gas 40 arb၊ auxiliary gas 10 arb၊ probe heater temperature 350°C၊ scanning range 70–1050 m/ h၊ resolution. 70 000။ data များကို Xcalibur 4.1 (Thermo Fisher Scientific) ကို အသုံးပြု၍ ရယူခဲ့သည်။
ဒေတာအရည်အသွေးကို အကဲဖြတ်ရန်အတွက်၊ နမူနာတစ်ခုစီမှ supernatant 10 μL aliquots များကို ဖယ်ရှားခြင်းဖြင့် စုပေါင်းအရည်အသွေးထိန်းချုပ်မှု (QC) နမူနာများကို ထုတ်ပေးခဲ့သည်။ UPLC-MS စနစ်၏ တည်ငြိမ်မှုကို အကဲဖြတ်ရန် ခွဲခြမ်းစိတ်ဖြာမှုအစီအစဉ်၏ အစတွင် အရည်အသွေးထိန်းချုပ်မှုနမူနာထိုးသွင်းမှု ခြောက်ကြိမ်ကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ထို့နောက် အရည်အသွေးထိန်းချုပ်မှုနမူနာများကို အသုတ်ထဲသို့ အခါအားလျော်စွာ ထည့်သွင်းသည်။ ဤလေ့လာမှုတွင် serum နမူနာ အသုတ် ၁၁ သုတ်လုံးကို LC-MS ဖြင့် ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ကျန်းမာသော အလှူရှင် ၁၀၀ ထံမှ serum pool ရောစပ်ထားသော အသုတ်များ၏ aliquots များကို ထုတ်ယူခြင်းလုပ်ငန်းစဉ်ကို စောင့်ကြည့်ရန်နှင့် အသုတ်မှ အသုတ်သို့ အကျိုးသက်ရောက်မှုများအတွက် ချိန်ညှိရန်အတွက် သက်ဆိုင်ရာအသုတ်များတွင် reference material အဖြစ် အသုံးပြုခဲ့သည်။ Discovery cohort၊ internal validation cohort နှင့် external validation cohort တို့၏ untargeted metabolomics analysis ကို Sun Yat-sen တက္ကသိုလ်၏ Metabolomics Center တွင် ပြုလုပ်ခဲ့သည်။ Guangdong University of Technology Analysis and Testing Center ၏ ပြင်ပဓာတ်ခွဲခန်းသည် classifier model ၏ စွမ်းဆောင်ရည်ကို စမ်းသပ်ရန် external cohort မှ နမူနာ ၄၀ ကိုလည်း ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။
ထုတ်ယူပြီး ပြန်လည်ဖွဲ့စည်းပြီးနောက်၊ သွေးရည်ကြည်ဇီဝဖြစ်စဉ်များ၏ absolute quantitation ကို multiple reaction monitoring (MRM) mode တွင် electrospray ionization (ESI) source ပါရှိသော ultra-high performance liquid chromatography-tandem mass spectrometry (Agilent 6495 triple quadrupole) ကို အသုံးပြု၍ တိုင်းတာခဲ့သည်။ ဇီဝဖြစ်စဉ်များကို ခွဲထုတ်ရန် ACQUITY BEH Amide column (2.1 × 100 mm, 1.7 μm, Waters) ကို အသုံးပြုခဲ့သည်။ mobile phase တွင် 90% (A) နှင့် 5% acetonitrile (B) တို့ပါဝင်ပြီး 10 mmol/L ammonium acetate နှင့် 0.1% ammonia solution တို့ပါဝင်သည်။ gradient program မှာ အောက်ပါအတိုင်းဖြစ်သည်- 0–1.5 min, 0% B; 1.5–6.5 min, 0–15% B; 6.5–8 min, 15% B; 8–8.5 min, 15%–0% B; 8.5–11.5 min, 0%B။ ကော်လံကို ၄၀°C တွင် ထိန်းသိမ်းထားပြီး နမူနာကို autosampler တွင် ၁၀°C တွင် ထိန်းသိမ်းထားခဲ့သည်။ စီးဆင်းမှုနှုန်းမှာ 0.3 mL/min ဖြစ်ပြီး ထိုးသွင်းပမာဏမှာ 1 μL ဖြစ်သည်။ MS parameters များကို အောက်ပါအတိုင်း သတ်မှတ်ထားသည်- capillary voltage ±3.5 kV၊ nebulizer pressure 35 psi၊ sheath gas flow 12 L/min၊ sheath gas temperature 350°C၊ drying gas temperature 250°C နှင့် drying gas flow 14 l/min။ tryptophan၊ pyruvate၊ lactate၊ hypoxanthine နှင့် xanthine တို့၏ MRM conversions များသည် အသီးသီး 205.0–187.9၊ 87.0–43.4၊ 89.0–43.3၊ 135.0–92.3 နှင့် 151.0–107.9 ဖြစ်သည်။ Mass Hunter B.07.00 (Agilent Technologies) ကို အသုံးပြု၍ အချက်အလက်များကို စုဆောင်းခဲ့သည်။ သွေးရည်ကြည်နမူနာများအတွက် ထရစ်ပတိုဖန်၊ ပိုင်ရူဗိတ်၊ လက်တိတ်၊ ဟိုက်ပိုဇန်သင်း နှင့် ဇန်သင်းတို့ကို စံအရောအနှောပျော်ရည်များ၏ ချိန်ညှိမျဉ်းကွေးများကို အသုံးပြု၍ ပမာဏသတ်မှတ်ခဲ့သည်။ ဆဲလ်နမူနာများအတွက် ထရစ်ပတိုဖန်ပါဝင်မှုကို အတွင်းပိုင်းစံနှင့် ဆဲလ်ပရိုတိန်းဒြပ်ထုသို့ ပုံမှန်ဖြစ်အောင် ပြုလုပ်ခဲ့သည်။
အမြင့်ဆုံးထုတ်ယူမှု (m/z နှင့် ထိန်းသိမ်းချိန် (RT)) ကို Compound Discovery 3.1 နှင့် TraceFinder 4.0 (Thermo Fisher Scientific) တို့ကို အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။ အသုတ်များအကြား အလားအလာရှိသော ကွာခြားချက်များကို ဖယ်ရှားရန်အတွက်၊ စမ်းသပ်နမူနာ၏ ဝိသေသလက္ခဏာ အမြင့်ဆုံးတစ်ခုစီကို တူညီသောအသုတ်မှ ရည်ညွှန်းပစ္စည်း၏ ဝိသေသလက္ခဏာ အမြင့်ဆုံးဖြင့် စား၍ ဆွေမျိုးပေါများမှုကို ရရှိရန်ဖြစ်သည်။ စံသတ်မှတ်ခြင်းမပြုမီနှင့် ပြုလုပ်ပြီးနောက် အတွင်းပိုင်းစံနှုန်းများ၏ ဆွေမျိုးစံသွေဖည်မှုများကို နောက်ဆက်တွဲဇယား 6 တွင် ပြသထားသည်။ အုပ်စုနှစ်စုအကြား ကွာခြားချက်များကို မှားယွင်းသော ရှာဖွေတွေ့ရှိမှုနှုန်း (FDR<0.05၊ Wilcoxon လက်မှတ်ရေးထိုးထားသော rank test) နှင့် fold change (>1.2 သို့မဟုတ် <0.83) တို့ဖြင့် သွင်ပြင်လက္ခဏာပြခဲ့သည်။ ထုတ်ယူထားသော အင်္ဂါရပ်များနှင့် ရည်ညွှန်း serum-corrected MS အချက်အလက်များ၏ Raw MS အချက်အလက်များကို နောက်ဆက်တွဲဒေတာ 1 နှင့် နောက်ဆက်တွဲဒေတာ 2 တွင် အသီးသီးပြသထားသည်။ အမြင့်ဆုံး မှတ်ချက်ကို ဖော်ထုတ်ထားသော metabolites၊ မှတ်ချက်ပေးထားသော ဒြပ်ပေါင်းများ၊ လက္ခဏာပေးထားသော ဒြပ်ပေါင်းအတန်းအစားများနှင့် မသိသော ဒြပ်ပေါင်းများ 22 အပါအဝင် သတ်မှတ်ထားသော ခွဲခြားသတ်မှတ်ခြင်းအဆင့်လေးဆင့်အပေါ် အခြေခံ၍ လုပ်ဆောင်ခဲ့သည်။ Compound Discovery 3.1 (mzCloud၊ HMDB၊ Chemspider) ရှိ database ရှာဖွေမှုများအပေါ် အခြေခံ၍ mzCloud (ရမှတ် > 85) ရှိ အတည်ပြုထားသော စံနှုန်းများ သို့မဟုတ် တိကျသော annotation များနှင့် ကိုက်ညီသော MS/MS ရှိသော ဇီဝဗေဒဆိုင်ရာ ဒြပ်ပေါင်းများ သို့မဟုတ် ကိုက်ညီသော annotation များ သို့မဟုတ် Chemspider ကို differential metabolome အကြားရှိ အလယ်အလတ်အဆင့်များအဖြစ် နောက်ဆုံးတွင် ရွေးချယ်ခဲ့သည်။ အင်္ဂါရပ်တစ်ခုစီအတွက် Peak annotation များကို Supplementary Data 3 တွင် ထည့်သွင်းထားသည်။ MetaboAnalyst 5.0 ကို sum-normalized metabolite ပေါများမှု၏ univariate analysis အတွက် အသုံးပြုခဲ့သည်။ MetaboAnalyst 5.0 သည် သိသိသာသာ ကွဲပြားသော metabolites များအပေါ်အခြေခံ၍ KEGG pathway enrichment analysis ကိုလည်း အကဲဖြတ်ခဲ့သည်။ Principal component analysis (PCA) နှင့် partial least squares discriminant analysis (PLS-DA) တို့ကို ropls software package (v.1.26.4) ကို အသုံးပြု၍ stack normalization နှင့် autoscaling ဖြင့် ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ nodule malignancy ကို ခန့်မှန်းရန်အတွက် အကောင်းဆုံး metabolite biomarker model ကို least absolute shrinkage နှင့် selection operator (LASSO၊ R package v.4.1-3) ပါရှိသော binary logistic regression ကို အသုံးပြု၍ ထုတ်လုပ်ခဲ့သည်။ ထောက်လှမ်းခြင်းနှင့် အတည်ပြုခြင်းအစုံများတွင် ခွဲခြားသတ်မှတ်ခြင်းပုံစံ၏ စွမ်းဆောင်ရည်ကို pROC package (v.1.18.0.) အရ ROC ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံ၍ AUC ခန့်မှန်းခြင်းဖြင့် သွင်ပြင်လက္ခဏာရပ်များ ဖော်ထုတ်ခဲ့သည်။ အကောင်းဆုံးဖြစ်နိုင်ခြေ cutoff ကို ပုံစံ၏ အမြင့်ဆုံး Youden အညွှန်းကိန်း (sensitivity + specificity – 1) အပေါ် အခြေခံ၍ ရရှိခဲ့သည်။ threshold ထက် နည်းသော သို့မဟုတ် ပိုများသော တန်ဖိုးများရှိသော နမူနာများကို benign nodules နှင့် lung adenocarcinoma အဖြစ် အသီးသီး ခန့်မှန်းလိမ့်မည်။
A549 ဆဲလ်များ (#CCL-185၊ American Type Culture Collection) ကို 10% FBS ပါဝင်သော F-12K medium တွင် ကြီးထွားစေခဲ့သည်။ SLC7A5 ကို ပစ်မှတ်ထားသော short hairpin RNA (shRNA) sequences နှင့် nontargeting control (NC) ကို lentiviral vector pLKO.1-puro ထဲသို့ ထည့်သွင်းခဲ့သည်။ shSLC7A5 ၏ antisense sequences များမှာ အောက်ပါအတိုင်းဖြစ်သည်- Sh1 (5′-GGAGAAACCTGATGAACAGTT-3′), Sh2 (5′-GCCGTGGACTTCGGGAACTAT-3′)။ SLC7A5 (#5347) နှင့် tubulin (#2148) အတွက် antibodies များကို Cell Signaling Technology မှ ဝယ်ယူခဲ့သည်။ Western blot analysis အတွက် SLC7A5 နှင့် tubulin အတွက် antibodies များကို 1:1000 dilution ဖြင့် အသုံးပြုခဲ့သည်။
Seahorse XF Glycolytic Stress Test သည် extracellular acidification (ECAR) အဆင့်များကို တိုင်းတာသည်။ assay တွင် ECAR ဖြင့် တိုင်းတာသည့်အတိုင်း ဆဲလ် glycolytic စွမ်းရည်ကို စမ်းသပ်ရန် glucose၊ oligomycin A နှင့် 2-DG တို့ကို အစဉ်လိုက် ထိုးပေးခဲ့သည်။
non-targeting control (NC) ဖြင့် transfect လုပ်ထားသော A549 ဆဲလ်များနှင့် shSLC7A5 (Sh1, Sh2) တို့ကို တစ်ညလုံး အချင်း ၁၀ စင်တီမီတာရှိသော ပန်းကန်လုံးများထဲတွင် ချထားခဲ့သည်။ ဆဲလ်ဇီဝဖြစ်စဉ်ပစ္စည်းများကို ရေခဲအေး ၈၀% ရေမီသနော ၁ မီလီလီတာဖြင့် ထုတ်ယူခဲ့သည်။ မီသနော ပျော်ရည်ရှိ ဆဲလ်များကို ခြစ်ထုတ်ပြီး ပြွန်အသစ်တစ်ခုထဲသို့ စုဆောင်းကာ ၄°C တွင် ၁၅ မိနစ်ကြာ 15,000 × g ဖြင့် centrifuge လုပ်ခဲ့သည်။ supernatant ၈၀၀ µl ကို စုဆောင်းပြီး မြန်နှုန်းမြင့် vacuum concentrator ကို အသုံးပြု၍ အခြောက်ခံခဲ့သည်။ ထို့နောက် အခြောက်ခံထားသော ဇီဝဖြစ်စဉ်ပစ္စည်းအလုံးများကို အထက်တွင်ဖော်ပြထားသည့်အတိုင်း LC-MS/MS ကို အသုံးပြု၍ tryptophan အဆင့်များကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ A549 ဆဲလ်များရှိ ဆဲလ် NAD(H) အဆင့်များကို quantitative NAD+/NADH colorimetric kit (#K337, BioVision) ကို အသုံးပြု၍ ထုတ်လုပ်သူ၏ ညွှန်ကြားချက်များအတိုင်း တိုင်းတာခဲ့သည်။ ဇီဝဖြစ်စဉ်ပစ္စည်းများ ပမာဏကို ပုံမှန်ဖြစ်စေရန် နမူနာတစ်ခုစီအတွက် ပရိုတင်းအဆင့်များကို တိုင်းတာခဲ့သည်။
နမူနာအရွယ်အစားကို ကနဦးဆုံးဖြတ်ရန် စာရင်းအင်းနည်းလမ်းများကို အသုံးမပြုခဲ့ပါ။ ဇီဝအမှတ်အသားရှာဖွေတွေ့ရှိမှုအတွက် ရည်ရွယ်သော ယခင်ဇီဝဖြစ်စဉ်ဆိုင်ရာလေ့လာမှုများ15,18 ကို အရွယ်အစားဆုံးဖြတ်ခြင်းအတွက် စံနှုန်းများအဖြစ် သတ်မှတ်ခဲ့ပြီး ဤအစီရင်ခံစာများနှင့် နှိုင်းယှဉ်ပါက ကျွန်ုပ်တို့၏နမူနာသည် လုံလောက်ပါသည်။ လေ့လာမှုအုပ်စုမှ မည်သည့်နမူနာကိုမျှ ချန်လှပ်ထားခြင်းမရှိပါ။ သွေးရည်ကြည်နမူနာများကို ပစ်မှတ်မထားသော ဇီဝဖြစ်စဉ်ဆိုင်ရာလေ့လာမှုများအတွက် ရှာဖွေတွေ့ရှိမှုအဖွဲ့ (ဖြစ်ရပ် 306 ခု၊ 74.6%) နှင့် အတွင်းပိုင်းအတည်ပြုအဖွဲ့ (ဖြစ်ရပ် 104 ခု၊ 25.4%) သို့ ကျပန်းခွဲဝေပေးခဲ့သည်။ ပစ်မှတ်ထားသော ဇီဝဖြစ်စဉ်ဆိုင်ရာလေ့လာမှုများအတွက် ရှာဖွေတွေ့ရှိမှုအစုံမှ အုပ်စုတစ်ခုစီမှ ဖြစ်ရပ် 70 ခုကိုလည်း ကျွန်ုပ်တို့ ကျပန်းရွေးချယ်ခဲ့သည်။ LC-MS အချက်အလက်စုဆောင်းခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအတွင်း စုံစမ်းစစ်ဆေးသူများသည် အုပ်စုခွဲဝေမှုကို မျက်ကွယ်ပြုခံခဲ့ရသည်။ ဇီဝဖြစ်စဉ်ဆိုင်ရာဒေတာနှင့် ဆဲလ်စမ်းသပ်မှုများ၏ စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုများကို သက်ဆိုင်ရာရလဒ်များ၊ ပုံဒဏ္ဍာရီများနှင့် နည်းလမ်းများအပိုင်းများတွင် ဖော်ပြထားသည်။ ဆဲလ်ထရစ်ပတိုဖန်၊ NADT နှင့် ဂလိုင်ကိုလိုက်တစ်လှုပ်ရှားမှု၏ ပမာဏကို သီးခြားစီ သုံးကြိမ်ပြုလုပ်ခဲ့ပြီး တူညီသောရလဒ်များ ရရှိခဲ့ပါသည်။
လေ့လာမှုဒီဇိုင်းနှင့်ပတ်သက်သည့် နောက်ထပ်အချက်အလက်များအတွက် ဤဆောင်းပါးနှင့်ဆက်စပ်နေသော Natural Portfolio Report Abstract ကိုကြည့်ပါ။
ထုတ်ယူထားသော အင်္ဂါရပ်များ၏ ကုန်ကြမ်း MS အချက်အလက်များနှင့် ရည်ညွှန်းဆီရမ်၏ ပုံမှန်ဖြစ်အောင်ပြုလုပ်ထားသော MS အချက်အလက်များကို နောက်ဆက်တွဲ အချက်အလက် ၁ နှင့် နောက်ဆက်တွဲ အချက်အလက် ၂ တွင် အသီးသီး ပြသထားသည်။ ကွဲပြားသော အင်္ဂါရပ်များအတွက် အမြင့်ဆုံး မှတ်ချက်များကို နောက်ဆက်တွဲ အချက်အလက် ၃ တွင် ဖော်ပြထားသည်။ LUAD TCGA ဒေတာစုကို https://portal.gdc.cancer.gov/ မှ ဒေါင်းလုဒ်လုပ်နိုင်ပါသည်။ ဂရပ်ကို ဆွဲရန်အတွက် အဝင်ဒေတာကို ရင်းမြစ်ဒေတာတွင် ပေးထားသည်။ ရင်းမြစ်ဒေတာကို ဤဆောင်းပါးအတွက် ပေးထားသည်။
အမျိုးသားအဆုတ်စစ်ဆေးခြင်းလေ့လာရေးအဖွဲ့ စသည်တို့။ နည်းသောဆေးပမာဏဖြင့် ကွန်ပျူတာဓာတ်မှန်ရိုက်ခြင်းဖြင့် အဆုတ်ကင်ဆာသေဆုံးမှုကို လျှော့ချခြင်း။ မြောက်ပိုင်းအင်္ဂလန်။ J. Med. 365, 395–409 (2011)။
Kramer, BS, Berg, KD, Aberle, DR နှင့် Prophet, PC နည်းသောဆေးပမာဏ helical CT ကိုအသုံးပြု၍ အဆုတ်ကင်ဆာစစ်ဆေးခြင်း- အမျိုးသားအဆုတ်စစ်ဆေးခြင်းလေ့လာမှု (NLST) မှရလဒ်များ။ J. Med. Screen 18, 109–111 (2011)။
De Koning, HJ, et al. ကျပန်းစမ်းသပ်မှုတစ်ခုတွင် volumetric CT စစ်ဆေးခြင်းဖြင့် အဆုတ်ကင်ဆာသေဆုံးမှုကို လျှော့ချခြင်း။ မြောက်ပိုင်းအင်္ဂလန်။ J. Med. 382, 503–513 (2020).
ပို့စ်တင်ချိန်: ၂၀၂၃ ခုနှစ်၊ စက်တင်ဘာလ ၁၈ ရက်