人工智能与SHAP解析揭示卵巢癌蛋白质组学特征：基于生物标志物的残余病灶预测新策略

这篇研究通过整合蛋白质组学与机器学习技术（RF/SVM/BaggedCART），首次利用SHAP可解释性人工智能（XAI）鉴定了5个关键蛋白（P48637/O43491/O95302/Q96CX2/P49189），成功预测高级别浆液性卵巢癌（HGSOC）患者新辅助化疗（NACT）后残余病灶状态（R0/R1）。随机森林模型表现最优（AUC 0.955），揭示了谷胱甘肽合成酶（GSH）等蛋白通过化疗耐药通路影响临床结局，为个体化治疗提供新靶点。

1 引言
高级别浆液性卵巢癌（HGSOC）占卵巢癌病例的70%，其5年生存率在晚期患者中骤降至25-30%。残余病灶状态（R0/R1）是影响预后的关键因素，但现有临床手段难以在术前准确预测。蛋白质组学技术能系统性分析肿瘤特异性蛋白，而人工智能（AI）为挖掘复杂数据提供了新工具。本研究首次将SHAP解释性AI与蛋白质组学结合，旨在建立可预测NACT疗效的生物标志物体系。

2 材料与方法
研究纳入20例HGSOC患者的术前肿瘤组织样本，通过质谱检测4360种蛋白后筛选97个差异表达靶点。采用BORUTA算法进一步锁定18个关键蛋白，并构建随机森林（RF）、支持向量机（SVM）和装袋决策树（BaggedCART）三种模型。为解决样本不平衡问题（R0=14 vs R1=6），采用ROSE算法进行过采样与欠采样处理。

3 结果
RF模型展现出最优性能：AUC达0.955，灵敏度0.904，特异性0.763。SHAP分析揭示前5位核心蛋白：

• P48637（谷胱甘肽合成酶）：通过清除铂类药物诱导的活性氧（ROS）促进耐药
• O43491（EPB41L2）：与拓扑替康耐药显著相关（p<0.05）
• O95302（FKBP9）：使紫杉醇耐药细胞对长春新碱产生交叉抗性
• Q96CX2（KCTD12）：在胃肠道间质瘤（GIST）中显示预后价值
• P49189（ALDH9A1）：首次在HGSOC残余病灶中发现高表达

4 讨论
这些蛋白涉及三大耐药机制：

1. 氧化应激调控：GSH合成酶通过维持细胞内还原态抵消铂类药物的细胞毒性
2. 微管稳定性破坏：FKBP9过表达导致紫杉醇靶点β-微管蛋白构象改变
3. 干细胞特性维持：ALDH9A1可能通过Wnt/β-catenin通路促进肿瘤干细胞存活

值得注意的是，EPB41L2在人类蛋白质图谱中显示与不良预后相关，而KCTD12突变已被发现于其他浆液性癌中。

5 结论
该研究开创性地将XAI应用于卵巢癌蛋白质组学分析，不仅构建出高精度预测模型，更鉴定出具有临床转化潜力的生物标志物群。未来需扩大样本验证这些靶点，并探索其与BRCA突变/HRD状态的协同效应，为实现"化疗敏感性图谱"奠定基础。