［本站讯］近日，山东大学齐鲁第二医院乳腺疾病诊疗中心、山东省癌症数字医疗重点实验室余之刚教授、郑超副教授团队，联合山东师范大学孙建德教授团队，在分析化学领域国际期刊Analytical Chemistry（中科院一区TOP，Nature Index期刊）上发表了题为“Spectral-Proteomic Integration Analysis (SPIA) Deciphers Molecular Trajectories of Breast Cancer and Enables Multi-Target Therapeutic Assessment”的研究成果。

该研究成功构建了一种基于人工智能的光谱-蛋白质组学整合分析（SPIA）多模态融合框架，为乳腺癌的早期精准预测及药物多靶点机制解析提供了全新的“数字医疗”解决方案。

山东大学第二临床学院孙山川与山东师范大学乔建苹副教授为共同第一作者，余之刚教授、郑超副教授以及孙建德教授为共同通讯作者。山东大学为第一作者单位和通讯作者单位。

研究背景：打破生化表型与分子特征的“数据孤岛”

乳腺癌是全球女性发病率最高的恶性肿瘤，早期检测是决定患者生存率的关键。拉曼光谱（Raman spectroscopy）作为一种无创、无标签的光学诊断工具，能够实时反映肿瘤微环境（TME）中的生化表型；而质谱蛋白质组学则能定量揭示具体的蛋白质效应分子。然而，如何弥合实时宏观生化表型图谱与微观分子目录之间的断层，一直是分析生物医学面临的重大挑战。作为致力于数字医疗与交叉学科创新的科研平台，山东省癌症数字医疗重点实验室团队着眼于这一痛点，力求通过人工智能算法打破数据壁垒。

核心突破：创建SPIA多模态融合预测模型

本研究创建了数据驱动的“光谱-蛋白质组学整合分析（SPIA）”框架，通过前沿的机器学习算法和稳健的统计相关性，系统性地将拉曼光谱表型与定量蛋白质组学图谱深度链接。在DMBA诱导的大鼠乳腺癌模型（结合托瑞米芬TOR干预）中，SPIA动态绘制了肿瘤微环境重塑的轨迹，精准捕捉了进行性胶原沉积和脂质代谢重编程过程。

基于拉曼光谱训练的支持向量机（SVM）分类器表现出卓越的诊断准确性（AUC ≥ 99.0%），并能成功预测TOR的治疗反应。同时，蛋白质组学分析鉴定出1350种差异表达蛋白，通过融合多种机器学习特征选择算法（LASSO、随机森林、XGBoost），研究团队精准锁定了包括Luc7l2、Nucb1、Cbx3和Csnk2a1在内的核心调控因子。关键拉曼谱带与这些核心差异表达蛋白之间的Spearman相关性分析显示出强烈的单调相关性（1533-1669 cm⁻¹区域中位数ρ~0.75），从经验上验证了SPIA的核心整合逻辑。

临床意义：解码药物机制，赋能精准肿瘤学

SPIA框架的成功构建展现出极其深远的临床转化价值，开创了癌症数字医疗的新模式。首先，该人工智能多模态模型突破了传统影像学瓶颈，通过敏锐捕捉微环境极早期的生化重塑特征，实现了高准确率（AUC ≥ 99.0%）的无创精准筛查。其次，模型搭建了“生化表型-执行蛋白”的直接映射桥梁，极大提升了新型生物标志物发现的可靠性与临床可解释性。更重要的是，该平台成功破译了托瑞米芬（TOR）同步抑制胶原沉积与纠正脂质代谢异常的多靶点预防机制，填补了临床基于早期生化改变进行无创、动态疗效监测的巨大空白。未来，该底层分析框架可自然拓展至空间多模态成像领域，将为山东省癌症数字医疗重点实验室全面解码肿瘤高时空异质性、引领个性化精准诊疗提供强有力的数字技术引擎。

山东大学齐鲁第二医院乳腺疾病诊疗中心、山东省癌症数字医疗重点实验室余之刚教授团队长期致力于乳腺疾病的综合诊疗、数字医疗开发、基础及转化等多层次研究工作。团队坚持“临床-科研-临床”的转化模式，通过医工交叉融合不断开拓疾病防诊康的新边界。本研究的成功发表，标志着实验室在癌症数字医疗、多组学人工智能分析领域迈出了坚实的一步。

该研究工作得到了国家重大科技专项以及国家自然科学基金等项目的支持。