使用机器学习和血多Omics分析识别与肺动脉高血压相关的候选生物标志物和分子网络

科学领域:

• 生物化学 生物化学
• 分子生物学分子生物学
• 系统生物学 系统生物学

背景情况:

• 肺动脉高血压 (PAH) 是一种严重的疾病,研究人体组织有限,需要替代模型.
• 临床前动物模型往往无法复制人类PAH的复杂性和异质性.
• 分析患者血中循环的分子特征提供了一种独特的方法来研究PAH病理生物学并确定治疗点.

研究的目的:

• 在PAH中使用无偏向质谱学对循环中的,代谢物和脂质进行表征.
• 整合多原子数据层,以了解PAH中的分子相互作用.
• 确定PAH的新生物标志物和治疗点.

主要方法:

• 从402名PAH患者和76名健康个体收集了周围血液样本.
• 使用质谱测量测量,代谢物和脂质.
• 采用统计和机器学习方法进行差异分析,网络发现和生存建模.

主要成果:

• 鉴定了832种,45种代谢物和222种脂质在PAH患者中显著改变.
• 一个11个分子的签名实现了98.6%的PAH分类准确度.
• 发现了7个与缺氧,糖解,脂肪酸代谢和补充激活相关的分子网络.
• 一个具有155个特征的生存模型预测了患者的结果 (c指数为0.762),独立于临床参数.

结论:

• 综合的奥米克斯方法有效地揭示了人类PAH病理生物学.
• 缺氧,脂肪酸代谢中断,补体激活和炎症是PAH的核心.
• 循环分子网络显示出强大的预后能力,可与临床风险评分相提并论.
• 结果提供了关于疾病进展和PAH管理的潜在临床应用的见解.