今天给大家解读一篇4月发表在《Communications Medicine》上的题目为“Peripheral blood mononuclear cell DNA methylation signatures guide surgical decision-making in indeterminate pulmonary nodules.”的文章。本研究针对鉴别肺结节良恶性的临床难题，基于DNA甲基化在抗肿瘤免疫中的作用，探索了PBMCs中DNA甲基化模式的应用价值。通过发现队列的全基因组甲基化分析，鉴定出56个差异甲基化位点和区域，并利用靶向测序在训练和测试队列中验证了2个甲基化特征。进一步构建了两个机器学习模型：SurgMalig模型用于区分良性和需手术切除的恶性结节；ResectGuide模型用于将恶性结节细分为MIA和eIAC以规划手术。结果证实这些甲基化特征相比常规血液标志物具有更好的区分能力，两个模型在队列中均取得较高AUC值。结论指出PBMC甲基化特征可为不确定肺结节的手术分诊提供临床可操作的工具。（请持续关注我们，每天为您解读最新见刊的文献!）想薅生信资料羊毛？直接在对话框回复 “资料”，免费领取干货大礼包！包括数据集、绘图代码、图表复现、思路总结、参考文献……0代码！鼠标点点点即可轻松完成5-10分生信SCI全文复现！
不想做实验，没数据，还想要快速发表文章，没问题的！公共数据库就是我们的数据宝藏！没思路不用担心，作为专业的生信团队，我们很乐意为你们效劳，提供研究路线设计和数据挖掘分析，扫码联系我们吧！
团队成员合影（位于上海陆家嘴中心，可随时预约参观）
题目：《外周血单核细胞DNA甲基化特征有助于指导不确定肺结节的手术决策》Peripheral blood mononuclear cell DNA methylation signatures guide surgical decision-making in indeterminate pulmonary nodules
发表期刊：Communications Medicine
影响因子：6.3
研究背景：
区分恶性与良性肺结节仍然是一个重要的临床挑战。鉴于DNA甲基化在抗肿瘤免疫中的作用，研究者旨在探究外周血单核细胞（PBMCs）中的DNA甲基化模式是否可作为肺结节分类的无创生物标志物。
研究思路：
-
对发现队列（包括良性肺结节BPN、微浸润性腺癌MIA、早期浸润性腺癌eIAC患者）的PBMCs进行全基因组DNA甲基化谱分析（Methylome-seq），通过差异分析鉴定出56个差异甲基化胞嘧啶（DMCs）和区域（DMRs）。 -
从中选取2个甲基化特征，在训练队列和测试队列中使用靶向亚硫酸氢盐测序（TBS）进行验证。 -
进一步开发两个机器学习模型，整合DNA甲基化特征和常规血液生物标志物：SurgMalig模型（手术恶性分类器，区分良性结节与需手术切除的恶性结节）和ResectGuide模型（切除指导分类器，将恶性结节细分为MIA和eIAC以指导手术规划）。
研究亮点：
-
首次利用外周血单核细胞（PBMCs）的DNA甲基化特征作为肺结节分类的非侵入性生物标志物。 -
开发了两个机器学习模型，分别用于判断结节是否需要手术切除（SurgMalig模型）以及指导手术切除范围（ResectGuide模型），将甲基化特征与常规血液指标结合，增强分类准确性。
研究结果：
-
验证的甲基化特征相较于传统血液生物标志物，对肺结节特性表现出显著区分能力。 -
SurgMalig模型在区分良性与恶性结节方面表现优异：训练队列AUC为0.926，测试队列AUC为0.806。 -
ResectGuide模型能有效分类MIA和eIAC亚型：训练队列AUC为0.862，测试队列AUC为0.843。
研究总结：
-
结论：PBMC甲基化特征为不确定肺结节的手术分诊提供了具有临床操作性的工具。 -
讨论（基于内容推演）：该研究通过无创的血液检测（PBMCs）实现了肺结节性质的精确分类和手术决策指导，弥补了传统血液标志物区分能力不足的缺陷。两个模型分别从“是否需手术”和“手术范围”两个层面提供决策支持，具有直接临床转化潜力。但研究未提及样本量、验证队列的多样性及与其他影像学方法的比较，未来需进一步扩大验证。
结果译文：
1.临床队列与参与者特征
我们建立了三个特征明确的队列，以发现和验证用于肺结节无创分类的PBMC DNA甲基化生物标志物（图1）。10名受试者因提取后DNA不足被排除。因此，47个样本（12例BPN、15例MIA、20例eIAC）作为发现队列用于Methylome-seq检测，剩余100个样本（30例BPN、37例MIA、33例eIAC）作为训练队列用于TBS检测。此外，93个样本（24例BPN、34例MIA、35例eIAC）作为测试队列用于评估机器学习构建的模型性能。关键的是，每个队列内的三个诊断组在年龄、性别和吸烟史方面均匹配良好，最大限度地减少了潜在的混杂效应（补充表1-3）。在发现队列和训练队列中，各组间的结节大小分布也具有可比性。虽然在训练队列中，MIA和BPN之间的结节类型存在显著差异，但这反映了这些疾病实体固有的影像学谱系，并强调了改善现有影像学诊断工具的必要性。所有患者均接受了手术切除，从而获得了明确的组织病理学分类。这些队列中eIAC组的绝大多数患者为IA期患者，在临床上难以与MIA和BPN患者区分。
2.全基因组甲基化谱揭示不同肺结节的PBMC甲基化景观
研究设计和方法总结于图1。为了鉴定肺结节患者PBMC中特异的DNA甲基化生物标志物，我们对发现队列中的PBMC样本进行了Methylome-seq，该队列包括12例BPN患者、15例MIA患者和20例eIAC患者。所有检测到的CpG位点均经过测序深度过滤（深度≥5）以确保甲基化水平的准确性。经过过滤后，我们检测到每个样本平均约3,200,000个CpG位点（总计4,045,187个位点），每个样本的甲基化分布详见于补充表4。这些位点被预处理成一个统一的甲基化矩阵用于下游分析。虽然BPN、MIA和eIAC组之间CpG甲基化水平的密度分布相似，但与BPN和MIA组相比，eIAC组的平均全局PBMC甲基化水平有统计学显著增加（补充图1）。
3.通过Methylome-seq鉴定肺结节亚型特异性的DMC和DMR
4.通过TBS对鉴别性甲基化生物标志物进行稳健验证
TBS是一种基于PCR的深度测序方法，用于精确的DNA甲基化定量，我们采用它来验证差异甲基化（图5A）。成功为21个DMC中的20个和35个DMR中的29个设计了亚硫酸盐测序引物，并随后用于训练队列的TBS分析（补充表7）。结果显示，在MIA vs eIAC组中，8个DMC和4个DMR存在显著差异；在MIA vs BPN组中，5个DMC和7个DMR存在显著差异；在BPN vs eIAC组中，4个DMC和5个DMR存在显著差异（图5B）。至关重要的是，只有两个特征——DMC-16和DMR-13——在所有三个两两比较中均显示出统计学显著的差异甲基化（图5B）。发现队列中的Methylome-seq结果和训练队列中的TBS结果均表明，DMC-16和DMR-13在三组之间存在显著差异（图5C-F）。此外，我们使用TBS在测试队列中检测DMC-16和DMR-13，得到了一致的结果（图5G-H）。此外，ROC曲线结果显示，DMC-16、DMR-13及其组合评分能够区分不需要手术切除的BPN患者与需要手术切除的MIA和eIAC患者，而传统的血清肿瘤标志物则无此能力（图5I-J；补充图4A-B）。此外，ROC曲线结果显示，DMC-16、DMR-13及其组合评分也能在一定程度上区分仅需亚肺叶切除的MIA患者与需行肺叶切除的eIAC患者，同样传统血清肿瘤标志物不具备这种区分能力（图5K-L；补充图4C-D）。这些ROC曲线的相关指标见补充表8-9。
5.基于PBMC甲基化特征的机器学习手术恶性肿瘤分类模型和切除指导分类模型的构建
更多结果和补充图表：doi：10.1038/s43856-026-01616-4
扫描上方二维码或登录平台官网后添加CNSknowall客服微信咨询！官网地址：https://cnsknowall.com
CNSknowall：24年最新问世的遥遥领先的颠覆性科研数据（0代码生信+统计学）分析平台，同时含有机制图模块（原创3000多素材和机制图模板）+AI一键生成高质量比国自然标书初稿+汉化版Pubmed融合Deepseek高效筛选目标文献同时一键提炼全文核心创新点+SCI文献例句/语料检索模块+全文翻译+文献求助+图片查重+期刊查询+OPenAI官方GPT接口，＞500款CNS级别图表皆可一秒内一键出图，登录即秒变数据分析大神，体验前所未有的便捷数据分析之旅，开启科研天骄之路！
可向下滑动发掘更多科研秘籍！
