多种发病疾病的蛋白质学预测:一项以机器学习为指导的生物标志物发现研究,使用前性队列研究的数据
Julia Carrasco-Zanini1, Maik Pietzner2, Mine Koprulu3
1MRC Epidemiology Unit, University of Cambridge School of Clinical Medicine, Institute of Metabolic Science, Cambridge, UK; Precision Healthcare University Research Institute, Queen Mary University of London, London, UK.
The Lancet. Digital health
|June 21, 2024
概括
血清蛋白可以显著改善疾病风险预测超出传统方法. 一项研究发现,即使是少数蛋白质也可以超过多种疾病的遗传风险得分.
科学领域:
- 蛋白质组学和生物信息学
- 生物标志物发现发现
- 疾病预测建模模型
背景情况:
- 广度捕获蛋白质组技术为改善疾病预测和管理提供了潜力.
- 之前的研究范围有限,主要关注少数疾病,并没有评估多种条件的预测性能.
- 该研究旨在评估血清蛋白质对24个不同结果的现有健康数据和多基因风险评分的风险预测增强.
研究的目的:
- 评估血清蛋白对各种疾病的预测能力.
- 为了确定血清蛋白是否能改善风险预测,除了健康信息和多基因风险评分之外.
- 在多种疾病中识别一个共同的多重疾病特征预测.
主要方法:
- 在EPIC-诺福克前性研究中设计了病例队列,利用血清样本和全基因组基因型数据.
- 机器学习被用来开发23种疾病和所有原因过早死亡的稀疏预测蛋白模型.
- 从2923个血清蛋白中得出一个单一的稀疏多病症特征.
主要成果:
- 在23个结局中的17个结局中,只有5种蛋白质的表现优于多基因风险评分 (中位数C指数差异:0.13).
- 血清蛋白对七个结果的基本模型进行了更好的预测,达到0.82.8的中位数C指数.
- 一个十种蛋白质多病症特征改善了七种结果的预测,中位数C指数为0.81.
结论:
- 广度捕获蛋白质组学对多种疾病的生物标志物发现有价值,识别出这些方法最受益的疾病.
- 常见的稀疏生物标记面板可以用于同时预测多种疾病.
- 该框架支持进一步研究蛋白质组模型的概括性和翻译潜力.
