文献信息
标题：Inaugurating High-Throughput Profifiling of Extracellular Vesicles for Earlier Ovarian Cancer Detection
日期及杂志：23 July 2023, Advanced Science
作者及单位：Ala Jo, Center for Systems Biology Massachusetts General Hospital Harvard Medical School
文献概述(这篇文献的结论是什么？)
本文针对高级别浆液性卵巢癌（HGSOC）系统地开发了一种基于酶联免疫反应的囊泡信号放大芯片检测技术（SAViA）。HGSOC被认为是由输卵管（FT）内的前体病变引起的，因此来自FT前体病变的循环EV可以作为早期HGSOC的生物标志物。本研究鉴定了FT癌特异性的EV标记物，并在HGSOC患者的血液样本中进行了检测，通过分析FT衍生的EV的表面标记物，可以区分早期（I期和II期）和晚期（III期和IV期）HGSOC患者。该方法成功实现了少量的输卵管来源EV的检测，并获取了5种EV生物候选物，将HGSOC与非癌区分开来，得到了89%的灵敏度和93%额特异性；也实现了将非癌、早期HGSOC和晚期HGSOC区分开来。
文章亮点(这篇文献的优点在哪？)
开发了一种高通量、高灵敏度的EV筛选平台（SAViA），通过物理吸附的方式直接固定EVs，同时使用增酪胺辅助信号增强技术，实现对EV的无偏倚、高灵敏度分析。
通过分析来自致癌小鼠FT细胞的EV来定义HGSOC分子标记物，标记物选择是基于HGSOC可能来自远端输卵管（FT）内的前体病变。
本文中液体活检（循环生物标志物的分析）为早期诊断HGSOC提供前景。
我的疑问(这篇文献的不足在哪？)
- SAViA使用微孔板（386孔）中检测到少量EV（≈600个囊泡），其通量小于PBA
和我相关(我从这篇文献里学到了什么？)
- 使用临床组织来源EV来确定潜在marker，然后用动物模型和临床血浆样本进行验证，用这种方式替代动物模型确定marker，临床血浆样本进行验证，能够减少因为外泌体异质性带来的分析难度
统计分析部分：
（1）HGSOC诊断的marker选择：使用lasso回归从EV表达谱中选择候选marker。具体来说，计算了交叉验证误差(CVE)，使用R包glmnet确定了最小化CVE的调优参数(λ)
（2）HGSOC诊断评估：采用pROC包进行ROC分析，考虑到单个EV和EV组合，通过逻辑回归确定最佳权重，采用Delong test比较两个ROC曲线的性能
（3）线性判别分析（LDA）：使用MASS和Boot两个R包，分别对不同数量的EV marker组合进行线性判别分析，计算混淆矩阵，用以区分非癌症、早期HGSOC、晚期HGSOC
