《VIEW》：Prostate cancer diagnosis using plasma extracellular vesicles isolated via aqueous two-phase systems
编辑推荐：
前列腺癌（PCa）是男性中第二常见的癌症，早期检测和精确分期对于改善预后至关重要。虽然前列腺特异性抗原（PSA）检测和活检被广泛使用，但它们存在特异性低的问题，常导致不必要的手术。细胞外囊泡（EVs）已成为一种有前景的无创生物标志物，但其广泛应用受到从生物流体
前列腺癌（PCa）是男性中第二常见的癌症，早期检测和精确分期对于改善预后至关重要。虽然前列腺特异性抗原（PSA）检测和活检被广泛使用，但它们存在特异性低的问题，常导致不必要的手术。细胞外囊泡（EVs）已成为一种有前景的无创生物标志物，但其广泛应用受到从生物流体中分离和纯化困难的阻碍。在此，研究人员提出了一种基于水相两相系统（ATPS）的EV纯化方法以支持PCa的检测和分期。研究人员利用ATPS从患者血浆中分离血浆EVs（pEVs），这是一种无需专用设备、简单且快速的方法。单EV分析证实了其能有效去除血浆杂质，并提高了EV表面生物标志物谱的可及性。基于pEV衍生标志物联合PSA的机器学习分析显示，每个标志物的贡献随诊断目标而变化：PSA在区分良性前列腺增生（BPH）与癌症病例时信息量最大，而CD81和PSMA在肿瘤分期中信息量更大。基于这些发现，研究人员开发了一种包含筛查步骤（BPH vs. PCa）和分期步骤（局限性PCa vs.局部晚期PCa）的两步机器学习模型。每个步骤均采用针对其诊断目标优化的选定标志物。这种步骤优化的序贯模型在使用更少生物标志物的同时减少了诊断错误，支持了模型的简化和临床可扩展性。研究人员的方法为PCa诊断提供了一种实用的替代方案，特别是在资源有限的地区。
论文解读：基于ATPS分离血浆细胞外囊泡与序贯机器学习的前列腺癌诊断研究
本研究发表于《VIEW》期刊，针对前列腺癌（PCa）临床诊断中面临的挑战，提出了一种结合水相两相系统（ATPS）分离技术与序贯机器学习模型的创新诊断框架。
研究背景与现状
前列腺癌是男性第二大常见恶性肿瘤。尽管前列腺特异性抗原（PSA）检测和穿刺活检是临床常规手段，但PSA检测特异性低，导致大量良性前列腺增生（BPH）患者接受不必要的活检，造成医疗负担。细胞外囊泡（EVs）作为携带亲本细胞特征的无创生物标志物极具潜力，然而传统的超速离心或尺寸排阻色谱等方法操作繁琐、耗时长且依赖昂贵设备，限制了其临床转化。因此，开发一种简便、高效且适用于资源有限环境的EV分离策略迫在眉睫。
关键技术方法
研究人员采用了多项核心技术完成本研究。首先，利用韩国前列腺癌生物样本库提供的血浆样本，构建了包含BPH、T2期（局限性）及T3期（局部晚期）患者的队列。其次，应用聚乙二醇（PEG）/葡聚糖（DEX）体系的水相两相系统（ATPS）从血浆中分离纯化血浆EVs（pEVs）。随后，结合纳米颗粒追踪分析（NTA）、透射电子显微镜（TEM）、蛋白质印迹（Western blot）及总内反射荧光显微镜（TIRFM）对pEVs进行表征。在标志物检测方面，采用酶联免疫吸附试验（ELISA）量化表面标志物，并最终利用集成决策树算法（Bagging）构建并优化了两步式机器学习分类模型。
研究结果
3.1 Isolation and purification of pEVs
研究人员通过PEG/DEX基ATPS实现了pEVs的高效分离。热力学分析表明，该系统基于尺寸选择性界面进行分离，大粒径的EVs被截留在DEX富集相，而小分子杂质则进入PEG富集相。实验数据显示，该系统对白蛋白、纤维蛋白原等血浆蛋白的回收率极低（<6%），而细胞来源的EVs回收率高。Western blot和TIRFM结果证实，分离后的pEVs中经典EV标志物（CD9、CD63、CD81）显著富集，而人血清白蛋白（HSA）大幅减少，纯度较原始血浆提升了10倍以上。
3.2 Evaluation of EV purification efficacy by TIRFM-based single EV analysis
利用TIRFM进行单EV分析发现，ATPS纯化后的pEVs样本中，HSA的背景信号降低了约80%。同时，CD9、CD81、CD105、PSMA及PD-L1等标志物阳性颗粒的数量和单颗粒平均荧光强度均显著增加。这表明ATPS有效去除了干扰抗体结合的蛋白冠，提高了表面标志物检测的灵敏度和可及性。
3.3 Statistical analysis of marker expression
通过对27例BPH、31例T2及18例T3患者的标志物表达统计分析发现，除CD9外，大多数标志物在各组间的差异未达到统计学显著性。层次聚类显示PSA与EV标志物聚类分离。火山图分析进一步揭示，不同标志物对不同诊断目标的判别能力各异：CD81在多个比较组中表现稳定；PSA在区分BPH与PCa时能力强，但在T2与T3分期时作用有限；PSMA则更擅长区分T2与T3。
3.4 Marker selection for screening and staging
基于集成决策树模型，研究人员分别构建了筛查模型（BPH vs. PCa）和分期模型（T2 vs. T3）。受试者工作特征（ROC）曲线下面积（AUC）均达到0.85。SHapley Additive exPlanation（SHAP）分析量化了标志物贡献度：在筛查模型中，PSA贡献最大，CD81次之；而在分期模型中，PSA贡献降低，CD81和PSMA成为主要贡献者。据此，研究人员剔除了贡献度最低的两个标志物，优化了各步骤的标志物组合。
3.5 Performance improvement by step-optimized marker selection
采用级联分类框架（序贯模型）比较了“非选择模型”（使用所有标志物）与“选择模型”（使用优化标志物）。结果显示，选择模型在整合筛查与分期步骤后，混淆矩阵表现更佳，且在准确率、召回率、F1分数及马修斯相关系数（MCC）等多项指标上均显示出统计学显著的性能提升，有效减少了误诊。
结论与讨论
本研究提出了一种实用的诊断框架，将ATPS基础的EV纯化与序贯分类方法相结合。首先，ATPS平台克服了传统EV分离的瓶颈，实现了pEVs的快速简易纯化。其次，通过量化PSA与多种EV表面蛋白，研究发现生物标志物的贡献随诊断目标变化：PSA最擅长区分良恶性，而CD81和PSMA在肿瘤分期中作用更大。这证明了生物标志物的效用具有步骤特异性。最后，步骤优化的序贯策略显著降低了误分类，避免了不必要的下游程序。尽管受限于样本量（n=76）且缺乏T1期及转移病例，但该框架的稳健性和可及性为在包括资源有限环境在内的常规临床环境中利用无创EV诊断提供了坚实基础。
