盡管使用了基于指南的預防性藥物，但動脈粥樣硬化性心血管疾?。?/span>ASCVD）的殘余負擔仍然很大。目前的風險評分不能準確地識別出高風險的需要更多強化治療干預的復發性動脈粥樣硬化性心血管疾?。?/span>ASCVD）患者。
基于蛋白質的風險評分對于改善ASCVD風險預測具有重要意義，因為蛋白質不僅受個體遺傳背景的影響，而且還可以反映由于生活方式改變和導致ASCVD風險的特定途徑而引起的不利變化，顯示出了在二級預防環境中的預測價值。近期，來自荷蘭阿姆斯特丹大學的研究團隊在兩個大型二級預防隊列中進行了血漿蛋白質組學研究，使用機器學習分析血漿蛋白質組的進展可能為進一步改善這些患者的危險分層提供新的機會。相關研究結果以“Targeted proteomics improves cardiovascular risk prediction in secondary prevention”為題發表在European Heart Journal（IF 30分）雜志上。
研究結果
1派生隊列和驗證隊列的患者特征
SMART隊列870名參與者作為衍生隊列（可理解為發現隊列/建模隊列），Athero-Express隊列700名參與者作為驗證隊列。在派生隊列中，263名（30.2%）參與者在中位隨訪8.0（4.6–12.2）年期間經歷了復發性ASCVD事件。主要復發事件包括48例（5.5%）患者的心肌梗死，105例（12.1%）患者缺血性卒中和110例（12.6%）患者死于心血管原因。在驗證隊列中，130名（18.6%）參與者在中位隨訪3.0（2.2-3.1）年期間經歷了復發性ASCVD事件。在該隊列中，原發性復發性ASCVD事件是39例（5.6%）患者心肌梗死，而53例（7.5%）患者有缺血性卒中，38例（5.4%）患者死于心血管原因。采用Olink蛋白質組技術檢測心血管II，心血管III和心臟代謝panel的276種蛋白質的水平，其中9種蛋白質因低于檢測限值被排除。
2蛋白質組學風險模型的判別價值
在派生隊列中，使用蛋白質模型預測復發性ASCVD事件的ROC AUC為0.810（95%CI 0.797-0.823）。相比之下，臨床風險模型的ROC AUC為0.750（95%CI 0.734-0.765）。兩種模型組合ROC AUC為0.824（95%CI 0.812-0.835）。蛋白質模型的表現明顯優于臨床風險模型，而兩種模型的組合僅略優于單獨的蛋白質模型。
重新校準所有模型后，在驗證隊列中使用蛋白質模型驗證對復發性ASCVD事件的預測結果ROC AUC為0.801（95%CI 0.785-0.817）。相比之下，臨床風險模型的ROC AUC為0.765（95%CI 0.743-0.784）。兩種模型組合的ROC AUC為0.792（95%CI 0.771-0.811）。在驗證隊列中，蛋白質模型也優于臨床風險模型，而兩種模型的組合均不優于單獨的蛋白質模型。
3 蛋白質組學風險模型的校準和重新分類
對派生隊列和驗證隊列的蛋白質模型、臨床風險模型以及組合模型進行校準，結果顯示這六個模型校準良好，盡管在風險最高的類別中風險略有低估。
我們通過比較蛋白質模型和臨床風險模型來計算NRI和IDI。在派生隊列中，NRI為0.152（95%CI為0.110-0.196），IDI為0.098（95%CI為0.073-0.122），驗證隊列中NRI為0.173（95%CI為0.133-0.211），IDI為0.085（95%CI為0.068-0.101）。
備注：在診斷試驗中，我們比較兩個模型的優劣時，除了可以比較兩個模型ROC曲線下面積外，還可以用定量的指標來比較一個模型比另外一個模型診斷準確率改進的程度。NRI(Net Reclassification Improvement，重分類改善指標)主要用于在設定好的切點水平下，來判斷和比較新、舊模型的預測能力是否有所提高。但是NRI的不足之處在于它只考慮了設定某個切點時的改善情況，不能考察模型的整體改善情況，此時就需要用到另一個指標NRI的孿生兄弟--綜合判別改善指數（Integrated Discrimination Improvement，IDI）。NRI、IDI與0進行比較，若所得到的NRI大于0則為正改善，小于則為負改善，等于0則為無改善。
4
在臨床實踐中，C反應蛋白(CRP)用于識別具有“殘余炎癥風險”的患者。我們根據SMART隊列中的CRP水平對患者進行了分類，結果有373名患者被歸類為低CRP(≤2 mg/L）與463例分類為高CRP（＞2 mg/L）的患者。34名疑似急性炎癥發作（CRP＞20 mg/L）的患者被排除在分析之外。在低CRP組中，27.3%的患者在隨訪期間發生ASCVD事件，而高CRP組為32.0%（P=0.13）。與低CRP組相比，高CRP組的白細胞介素6水平要高得多，證實NLRP3-IL6途徑的參與導致CRP升高。相反，在低CRP組的前10個預測蛋白中鑒定出四種不同的炎癥蛋白（表格中加粗蛋白），其既不在初始模型中也不在高CRP組中，均與嗜中性粒細胞信號傳導有關，這意味著在獨立于NLRP3-IL6炎性體途徑的低CRP組中存在促炎先天免疫激活的作用。
在1570名已確定動脈疾病的患者的兩個隊列中使用靶向的Olink蛋白質組學，研究顯示一組50種蛋白質在預測復發性ASCVD事件方面優于臨床風險模型。在派生和驗證隊列中，蛋白質組學模型在區分方面表現更好，同樣校準良好，優于臨床風險模型?？偟膩碚f，這些數據證實了在二級預防環境中蛋白質組支持的風險分層的潛力。在低CRP患者中發現了中性粒細胞相關的途徑，這意味著在傳統的NLRP3途徑之外還存在著殘余的炎癥風險。
editorial 評論
心血管領域專家哈佛醫學院布萊根婦女醫院心血管疾病預防中心的Paul M Ridker教授針對本文發表editorial評論如下：
從基因組轉移到轉錄組到蛋白質組揭示了理解動脈粥樣硬化疾病及其進展途徑的生物學復雜性增加。編碼DNA鏈轉錄成mRNA并翻譯成特定蛋白質的基因表達過程只是理解隨后在蛋白質內發生的日益復雜的生物相互作用的第一步。反過來，蛋白質對細胞，組織，器官和生物體的結構和功能具有不同的影響，包括細胞間信號傳導，代謝控制以及生長和衰老的調節。與遺傳數據和相關的多基因風險評分（本質上是靜態的）不同，蛋白質數據和相關的基于蛋白質的風險評分是動態的，并且對各種環境和行為刺激有反應，包括例如生活方式改變，運動和營養。因此，從基因組學重點轉向蛋白質組學重點不僅可以為晚期藥物開發（二級預防）提供治療見解，還可以為早期原始和一級預防提供治療見解。
吉凱基因可提供“Olink蛋白質組學+機器學習算法”打包產品，助力臨床標志物發現，助力臨床疾病的一級二級預防以及藥物開發，更多詳情請咨詢當地銷售工程師！
吉凱基因憑借多年在靶標篩選及驗證服務領域的技術積累，建立的標準化 、工程化 、系統化的GRP平臺，為中國研究型醫生提供科研服務，加快科研成果轉化。其中，多組學平臺包含蛋白質組學平臺和單細胞測序平臺：
·蛋白質組學平臺擁有多臺timsTOF Pro、Exploris 480高精度質譜儀，專業的Spectronaut Plusar、Mascot等分析軟件，提供專業的4D、DIA、TMT、PRM、磷酸化修飾組等檢測服務，強大的機器學習算法、IPA分析、蛋白基因組分析服務，系統的生物標志物、分子分型、藥物靶點、基因功能研究等解決方案，真正讓廣大研究型醫生的科研工作更省心、更省力、更高效；
·單細胞測序擁有10x和BD兩個平臺，提供單細胞RNA-seq、單細胞核測序、單細胞混樣RNA-seq、單細胞（RNA+ATAC）、空間轉錄組測序等服務。