AI联合多组学鉴定MIF为泛癌种血液诊断标志物

原文：Artificial Intelligence-Driven Multiomics and Clinical Investigation Identify Macrophage Migration Inhibitory Factor as a Pan-Cancer Biomarker.
期刊：Phenomics (Cham, Switzerland)（影响因子 6.2） |  PubMed | PMC 全文（含 PDF）

癌症的早期发现一直是临床医学的重大挑战。目前，多数恶性肿瘤在早期没有明显症状，而现有筛查手段往往只针对单一癌种，缺乏可靠、通用的血液检测指标。临床上常用的甲胎蛋白（AFP）、CA125等标志物虽然在特定癌症中有一定价值，但灵敏度和适用范围有限，难以满足泛癌种（pan-cancer）大规模筛查的需求。因此，寻找一种成本低、可普及、且能在多种癌症中稳定检出的血液生物标志物，成为肿瘤早诊领域的迫切任务。

核心发现：MIF在多种癌症中显著升高

近日，发表于《Phenomics》的一项研究通过人工智能驱动的多组学与临床验证，将巨噬细胞迁移抑制因子（Macrophage Migration Inhibitory Factor, MIF）推向了泛癌种筛查的舞台中央。研究团队发现，MIF在21种癌症的转录水平以及12种癌症的蛋白水平上均呈现一致性上调，提示其参与多种肿瘤的共性病理过程。

在独立临床队列（共4,269人）中，血清MIF蛋白水平能够有效区分癌症患者与健康对照，中位曲线下面积（AUC）达到0.994；在区分癌症与良性病变时，中位AUC为0.881。更值得注意的是，与传统单癌种标志物相比，MIF表现更优或相当：在肝细胞癌中，MIF的AUC为0.885，优于AFP的0.744–0.887；在卵巢癌中，MIF的AUC为0.831，也高于CA125的0.58–0.71。对28个队列（5,347人）的荟萃分析进一步确认了MIF的诊断效力，合并AUC为0.782。

方法亮点：三层验证框架

该研究的创新之处在于采用了“三层验证框架”。首先，研究者利用人工智能对1950年至2024年间PubMed收录的18万篇文献进行深度挖掘，从海量文本中锁定候选分子；其次，整合多个大型数据库开展多组学交叉分析，在转录组和蛋白质组层面验证候选标志物的泛癌特征；最后，通过大规模独立临床样本进行血清学验证。这种“文献挖掘—多组学整合—临床实证”的闭环策略，显著提升了生物标志物发现的效率和可靠性。

应用意义：低成本血液筛查的新工具

研究指出，基于酶联免疫吸附测定（ELISA）的血清MIF检测成本低廉、操作成熟，易于在常规医疗场景中推广。这意味着MIF有望成为一种广谱的癌症筛查工具，不仅可用于高危人群的初步排查，也能辅助鉴别肿瘤与良性病变。对于生物医学科研读者而言，该工作展示了AI文献挖掘与多组学融合在标志物发现中的实用路径；对临床而言，它为开发“一管血查多癌”的早筛方案提供了扎实的证据基础。

论文补充材料已在线发布，详见：https://doi.org/10.1007/s43657-026-00322-4。

本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。