OBJECTIVES Specific microRNA (miRNA) signatures in biological fluids can facilitate earlier detection of the tumors being then minimally invasive diagnostic biomarkers. Circulating miRNAs have also emerged as promising diagnostic biomarkers for colorectal cancer (CRC) screening. In this study, we investigated the performance of a specific signature of miRNA in plasma samples to design a robust predictive model that can distinguish healthy individuals from those with CRC or advanced adenomas (AA) diseases. METHODS Case control study of 297 patients from 8 Spanish centers including 100 healthy individuals, 101 diagnosed with AA, and 96 CRC cases. Quantitative real-time reverse transcription was used to quantify a signature of miRNA (miRNA19a, miRNA19b, miRNA15b, miRNA29a, miRNA335, and miRNA18a) in plasma samples. Binary classifiers (Support Vector Machine [SVM] linear, SVM radial, and SVM polynomial) were built for the best predictive model. RESULTS Area under receiving operating characteristic curve of 0.92 (95% confidence interval 0.871-0.962) was obtained retrieving a model with a sensitivity of 0.85 and specificity of 0.90, positive predictive value of 0.94, and negative predictive value of 0.76 when advanced neoplasms (CRC and AA) were compared with healthy individuals. CONCLUSIONS We identified and validated a signature of 6 miRNAs (miRNA19a, miRNA19b, miRNA15b, miRNA29a, miRNA335, and miRNA18a) as predictors that can differentiate significantly patients with CRC and AA from those who are healthy. However, large-scale validation studies in asymptomatic screening participants should be conducted.

中文翻译：

---

用于大肠癌早期检测的血浆MicroRNA签名验证。

目的在生物体液中特异的微RNA（miRNA）签名可以促进肿瘤的早期检测，然后将其作为微创诊断生物标记物。循环miRNA也已成为大肠癌（CRC）筛查的有前途的诊断生物标志物。在这项研究中，我们调查了血浆样品中miRNA特异标记的性能，以设计一个可靠的预测模型，该模型可以区分健康个体与CRC或晚期腺瘤（AA）疾病的个体。方法病例对照研究来自西班牙8个中心的297例患者，包括100名健康个体，101例诊断为AA的患者和96例CRC病例。定量实时逆转录用于定量血浆样品中的miRNA（miRNA19a，miRNA19b，miRNA15b，miRNA29a，miRNA335和miRNA18a）的特征。二进制分类器（线性支持向量机[SVM]，支持向量机径向和支持向量机多项式）可用于最佳预测模型。结果获得了灵敏度为0.85，特异性为0.90，阳性预测值为0.94，阴性预测值为0.76的模型，获得了接受0.92（95％置信区间0.871-0.962）的工作特征曲线的区域。和AA）与健康个体进行比较。结论我们鉴定并验证了6种miRNA（miRNA19a，miRNA19b，miRNA15b，miRNA29a，miRNA335和miRNA18a）的签名，可以将CRC和AA患者与健康患者区分开来。但是，应在无症状筛查参与者中进行大规模验证研究。和SVM多项式）是为最佳预测模型而建立的。结果获得了灵敏度为0.85，特异性为0.90，阳性预测值为0.94，阴性预测值为0.76的模型，获得了接受0.92（95％置信区间0.871-0.962）的工作特征曲线的区域。和AA）与健康个体进行比较。结论我们鉴定并验证了6种miRNA（miRNA19a，miRNA19b，miRNA15b，miRNA29a，miRNA335和miRNA18a）的签名，可以将CRC和AA患者与健康患者区分开来。但是，应在无症状筛查参与者中进行大规模验证研究。和SVM多项式）是为最佳预测模型而建立的。结果获得了灵敏度为0.85，特异性为0.90，阳性预测值为0.94，阴性预测值为0.76的模型，获得了接受0.92（95％置信区间0.871-0.962）的工作特征曲线的区域。和AA）与健康个体进行比较。结论我们鉴定并验证了6种miRNA（miRNA19a，miRNA19b，miRNA15b，miRNA29a，miRNA335和miRNA18a）的签名，可以将CRC和AA患者与健康患者区分开来。但是，应在无症状筛查参与者中进行大规模验证研究。当与健康个体比较晚期肿瘤（CRC和AA）时，获得了灵敏度为0.85，特异性为0.90，阳性预测值为0.94，阴性预测值为0.76的模型，获得了92（95％置信区间0.871-0.962）。 。结论我们鉴定并验证了6种miRNA（miRNA19a，miRNA19b，miRNA15b，miRNA29a，miRNA335和miRNA18a）的签名，可以将CRC和AA患者与健康患者区分开来。但是，应在无症状筛查参与者中进行大规模验证研究。当与健康个体比较晚期肿瘤（CRC和AA）时，获得了灵敏度为0.85，特异性为0.90，阳性预测值为0.94，阴性预测值为0.76的模型，获得了92（95％置信区间0.871-0.962）。 。结论我们鉴定并验证了6种miRNA（miRNA19a，miRNA19b，miRNA15b，miRNA29a，miRNA335和miRNA18a）的签名，可以将CRC和AA患者与健康患者区分开来。但是，应在无症状筛查参与者中进行大规模验证研究。76当将晚期肿瘤（CRC和AA）与健康个体进行比较时。结论我们鉴定并验证了6种miRNA（miRNA19a，miRNA19b，miRNA15b，miRNA29a，miRNA335和miRNA18a）的签名，可以将CRC和AA患者与健康患者区分开来。但是，应在无症状筛查参与者中进行大规模验证研究。76当将晚期肿瘤（CRC和AA）与健康个体进行比较时。结论我们鉴定并验证了6种miRNA（miRNA19a，miRNA19b，miRNA15b，miRNA29a，miRNA335和miRNA18a）的签名，可以将CRC和AA患者与健康患者区分开来。但是，应在无症状筛查参与者中进行大规模验证研究。