高通量DeepPRM-Stellar蛋白质组学与机器学习相结合,可以精确量化动脉样硬化-中风进展生物标志物和风险预测

科学领域:

• 生物标志物 生物标志物
• 蛋白质组学是指蛋白质组学.
• 机器学习 机器学习

背景情况:

• 预测大动脉动脉样硬化 (LAA) 到急性缺血性中风 (AIS) 的进展,仅仅使用解剖狭窄是具有挑战性的.
• 在识别高风险中风进展的个体方面存在临床差距.
• 血清蛋白质学和机器学习为动脉样硬化疾病的生物标志物发现提供了一种新的方法.

研究的目的:

• 识别和验证循环血清蛋白生物标志物,用于预测无症状大动脉动脉样硬化 (LAA) 到急性缺血性中风 (AIS) 的进展.
• 开发一种蛋白质学驱动的框架,用于动态监测LAA的进展,并支持早期中风预防策略.

主要方法:

• 综合发现阶段血清蛋白质组与机器学习 (XGBoost) 使用双队列设计 (n=43,n=39).
• 建立了1484种蛋白质的血清蛋白候选生物标志物银行 (SPCBB),包括质谱识别的差异表达蛋白 (DEP).
• 使用DeepPRM和ELISA测定对关键蛋白质候选者的目标验证.

主要成果:

• 蛋白质组学揭示了LAA (胆固醇代谢) 和AIS (补充/凝固级联) 的不同的途径.
• 确定了一个三种蛋白质面板 (RNASE4,HBA1,ATF6B),区分AIS和LAA (AUC 0.917),以及一个六种蛋白质面板,区分AIS/LAA和对照 (AUC 0.971).
• 在AIS和LAA患者中,ELISA证实了高高的GUCA2A和FLNA;内部和外部验证证明了强大的性能.

结论:

• 经过验证的血清蛋白质面板提供了一种新的蛋白质学驱动的方法来监测LAA的进展.
• 这些生物标志物可以帮助临床决策,以优化无症状个体的早期中风预防.
• 这种方法提高了动脉样硬化疾病进展的预测,超出了解剖狭窄.