Background: The presence of lymph node metastasis (LNM) affects treatment strategy decisions in T1NxM0 colorectal cancer (CRC), but the currently used clinicopathological-based risk stratification cannot predict LNM accurately. In this study, we established a classifier for predicting LNM in T1 CRC. Methods: We detected proteins in formalin-fixed paraffin-embedded (FFPE) tumor samples from 143 LNM-negative and 78 LNM-positive patients with T1 CRC and revealed changes in molecular and biological pathways by label-free LC-MS/MS. An effective prediction model was built and validated in a training cohort (N=132) and two validation cohorts (VC1, N=42; VC2, N=47) by machine learning. We further built a simplified classifier with 9 proteins. The expression patterns of 13 proteins were confirmed by immunohistochemistry, and the IHC score of 5 proteins were used to build a IHC predict model. Result: Patients with or without LNM have different molecular signatures. The 55-proteins prediction model achieved an impressive AUC of 1.00 in the training cohort, 0.96 in VC1 and 0.93 in VC2. The 9-protein classifier achieved an AUC of 0.824, and the calibration plot was excellent. We found that 5 biomarkers could predict LNM by the IHC score, with an AUC of 0.825. RHOT2 silence significantly enhanced migration and invasion of colon cancer cells. Conclusions: Our study explored the mechanism of metastasis in T1 CRC and can be used to facilitate the individualized prediction of LNM in patients with T1 CRC, which may provide a guidance for clinical practice in T1 CRC.

中文翻译：

---

蛋白质组学特征揭示 T1 结直肠癌转移至淋巴结的风险

背景：淋巴结转移 (LNM) 的存在影响 T1NxM0 结直肠癌 (CRC) 的治疗策略决策，但目前使用的基于临床病理学的风险分层无法准确预测 LNM。在这项研究中，我们建立了一个分类器来预测 T1 CRC 中的 LNM。方法：我们检测了来自 143 例 LNM 阴性和 78 例 LNM 阳性 T1 CRC 患者的福尔马林固定石蜡包埋 (FFPE) 肿瘤样本中的蛋白质，并通过无标记 LC-MS/MS 揭示了分子和生物学途径的变化。通过机器学习在一个训练队列（N=132）和两个验证队列（VC1，N=42；VC2，N=47）中建立并验证了一个有效的预测模型。我们进一步构建了一个包含 9 种蛋白质的简化分类器。免疫组化证实了 13 种蛋白质的表达模式，并使用5种蛋白质的IHC评分建立IHC预测模型。结果：有或没有 LNM 的患者具有不同的分子特征。55 种蛋白质预测模型在训练队列中实现了令人印象深刻的 AUC 为 1.00，在 VC1 中为 0.96，在 VC2 中为 0.93。9 蛋白分类器的 AUC 为 0.824，校准图非常好。我们发现 5 种生物标志物可以通过 IHC 评分预测 LNM，AUC 为 0.825。RHOT2沉默显着增强了结肠癌细胞的迁移和侵袭。结论：本研究探讨了T1期结直肠癌转移的机制，可用于促进T1期结直肠癌患者LNM的个体化预测，可为T1期结直肠癌的临床实践提供指导。55 种蛋白质预测模型在训练队列中实现了令人印象深刻的 AUC 为 1.00，在 VC1 中为 0.96，在 VC2 中为 0.93。9 蛋白分类器的 AUC 为 0.824，校准图非常好。我们发现 5 种生物标志物可以通过 IHC 评分预测 LNM，AUC 为 0.825。RHOT2沉默显着增强了结肠癌细胞的迁移和侵袭。结论：本研究探讨了T1期结直肠癌转移的机制，可用于促进T1期结直肠癌患者LNM的个体化预测，可为T1期结直肠癌的临床实践提供指导。55 种蛋白质预测模型在训练队列中实现了令人印象深刻的 AUC 为 1.00，在 VC1 中为 0.96，在 VC2 中为 0.93。9 蛋白分类器的 AUC 为 0.824，校准图非常好。我们发现 5 种生物标志物可以通过 IHC 评分预测 LNM，AUC 为 0.825。RHOT2沉默显着增强了结肠癌细胞的迁移和侵袭。结论：本研究探讨了T1期结直肠癌转移的机制，可用于促进T1期结直肠癌患者LNM的个体化预测，可为T1期结直肠癌的临床实践提供指导。我们发现 5 种生物标志物可以通过 IHC 评分预测 LNM，AUC 为 0.825。RHOT2沉默显着增强了结肠癌细胞的迁移和侵袭。结论：本研究探讨了T1期结直肠癌转移的机制，可用于促进T1期结直肠癌患者LNM的个体化预测，可为T1期结直肠癌的临床实践提供指导。我们发现 5 种生物标志物可以通过 IHC 评分预测 LNM，AUC 为 0.825。RHOT2沉默显着增强了结肠癌细胞的迁移和侵袭。结论：本研究探讨了T1期结直肠癌转移的机制，可用于促进T1期结直肠癌患者LNM的个体化预测，可为T1期结直肠癌的临床实践提供指导。