基于机器学习的等离子蛋白风险评分提高了对临床和基因组模型的心房的预测
Min Seo Kim1,2, Shaan Khurshid1,2,3, Shinwan Kany1,4
1Cardiovascular Disease Initiative, Broad Institute of MIT and Harvard, Cambridge, MA (M.S.K., S. Khurshid, S. Kany, L.-C.W., S.U., C.R., L.W., S.J.J., J.T.R., P.T.E., A.C.F.).
Circulation. Genomic and precision medicine
|June 17, 2025
概括
使用血清蛋白 (Pro-AF) 的新机器学习模型显著改善了预测5年发生心房动 (AF) 风险的预测. 这种蛋白质组方法在AF检测中优于传统的临床和遗传风险评分.
科学领域:
- 心血管医学 心血管医学
- 蛋白质组学是指蛋白质组学.
- 机器学习 机器学习
背景情况:
- 临床因素和多基因风险评分在预测发生性心房动 (AF) 时提供了中度的准确性.
- 大规模蛋白质基因分析的潜力,以提高AF风险估计仍然在很大程度上未被探索.
研究的目的:
- 开发和验证一种机器学习模型 (Pro-AF),利用血清蛋白水平来预测发生的AF风险.
- 为了将Pro-AF模型的性能与已建立的临床 (CHARGE-AF) 和遗传 (多基因风险评分) 风险预测工具进行比较.
主要方法:
- 在32631名英国生物库参与者身上训练了一种机器学习模型,使用了121个血清蛋白水平.
- 模型的性能被评估使用时间依赖的区域在接收机操作特征曲线 (AUC) 下和净重新分类改进在内部和持有测试集.
- 此外,Pro-AF还以简化的5蛋白版本进行了评估.
主要成果:
- 与CHARGE-AF和多基因风险评分相比,Pro-AF在5年发生的AF中表现出更好的歧视 (AUC内部:0.761比0.719比0.686;保持:0.763比0.702比0.682).
- 该模型显示了良好的校准,并提供了与CHARGE-AF.相比的大幅度净重新分类改进.
- 一个简化的5-蛋白质Pro-AF模型保留了高的区分值 (AUC内部:0.750;保持:0.759).
结论:
- 基于机器学习的蛋白质评分 (Pro-AF) 有效地区分了5年发生的AF风险,优于临床和遗传因素.
- 大规模的蛋白质组分析有望识别患有AF高风险的个体,促进有针对性的查和预防干预.
更多相关视频
08:14MicroRNA Based Liquid Biopsy: The Experience of the Plasma miRNA Signature Classifier MSC for Lung Cancer Screening
Published on: October 26, 2017
15.8K
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
1.8K