高通量CSF蛋白质组学和机器学习以识别帕金森病发展和进展的蛋白质组签名
Kazuto Tsukita1, Haruhi Sakamaki-Tsukita2, Sergio Kaiser2
1From the Department of Neurology (K.T., H.S.-T., R.T.), Graduate School of Medicine, Kyoto University; Advanced Comprehensive Research Organization (K.T.), Teikyo University, Itabashi; Division of Sleep Medicine (K.T.), Kansai Electric Power Medical Research Institute, Osaka, Japan; Translational Medicine Department (S.K., P.S.-F.), Novartis Institutes for Biomedical Research, Basel, Switzerland; and Cardiovascular and Metabolism Department (L.Z.), and Neuroscience Department (M.M.), Novartis Institutes for Biomedical Research, Cambridge, MA. kazusan@kuhp.kyoto-u.ac.jp.
Neurology
|August 16, 2023
概括
研究人员使用机器学习识别了帕金森病 (PD) 特定的大脑脊髓液 (CSF) 蛋白质签名. 这种PD蛋白质评分 (PD-ProS) 有助于诊断PD和预测患者的疾病进展.
科学领域:
- 神经科学是一个神经科学.
- 蛋白质组学是指蛋白质组学.
- 生物标志物发现发现
背景情况:
- 帕金森病 (PD) 诊断和进展监测需要可靠的生物标志物.
- 脑脊液 (CSF) 蛋白质组分析为识别这些生物标志物提供了潜力.
研究的目的:
- 为了识别帕金森病 (PD) 的特征的CSF蛋白质特征.
- 评估这些特征在诊断PD和预测疾病进展方面的临床实用性.
主要方法:
- 使用来自帕金森病进展标志物倡议 (PPMI) 和LRRK2队列联盟 (LCC) 的数据的观察性研究.
- 分析了基于aptamer的CSF蛋白质数据,量化了4,071种蛋白质.
- 使用差异表达蛋白质 (DEP) 分析和最小绝对收缩和选择运算符 (LASSO) 来推导PD蛋白质积分 (PD-ProS).
- PD-ProS在内部和外部得到了验证,并对其与临床进展的关联进行了检查.
主要成果:
- 来自14个DEP的PD-ProS证明了在区分非遗传PD与健康对照 (HC) 中的良好诊断性能 (AUC0.83).
- 在外部队列中的验证显示了持续的诊断能力 (AUC 0.75),即使是蛋白质的子集.
- PD-ProS有效地将遗传性PD与遗传性前兆区分开来,并独立预测PD患者的认知和运动衰退.
结论:
- 高通量蛋白质组学与机器学习相结合,可以识别PD的CSF蛋白质组签名.
- 开发的PD-ProS显示出作为帕金森病的诊断和预后工具的潜力,无论遗传状况如何.
