期刊：Eur Heart J.（IF：35.855）
技術：Olink
?
導語
目前的風險評分不能準確識別復發性動脈粥樣硬化性心血管疾病（ASCVD）風險最高的患者，需要更強化的預測方法。用機器學習技術分析高通量血漿蛋白質組學的進展，可能為進一步改善這些患者的風險分層提供新的機會。
?
研究樣本
Olink靶向蛋白組學
?
實驗設計
?
結語
在預測ASCVD復發事件方面，50個蛋白質的小組優于臨床風險模型。在推導和驗證隊列中，蛋白質組學模型在區分方面表現更好，并提供顯著的NRI，而校準與臨床風險模型相比具有可比性。此外，在低CRP患者亞群中發現了中性粒細胞相關通路的參與，表明炎性ASCVD的殘留風險超出了傳統的NLRP3通路。此外，在常規臨床實施之前，大型前瞻性研究必須確認基于蛋白質組的風險評分在二級預防中的價值。
?
研究結果
1.?蛋白質組學風險模型的鑒別價值
在衍生隊列中，使用蛋白質模型預測ASCVD復發事件的ROC AUC為0.810（圖1）。蛋白質及其相對重要性如圖2所示。相比之下，臨床風險模型的ROC AUC為0.750。兩種模型的組合導致ROC AUC為0.824。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。
在對所有模型進行重新校準后，在驗證隊列中檢驗鑒別值。使用蛋白質模型預測ASCVD復發事件的驗證，結果顯示，ROC AUC為0.801。相比之下，臨床風險模型的ROC AUC為0.765。兩種模型的組合導致ROC AUC為0.792。在驗證隊列中，蛋白質模型也優于臨床風險模型，而兩種模型的組合并不優于單獨的蛋白質模型。
Table?1. 病人特性
Fig?1.推導和驗證隊列的鑒別值
Table?2.?性能度量
Fig?2.?蛋白質模型的重要性圖
2.?蛋白質組學風險模型的校準和重新分類
衍生隊列和驗證隊列（重新校準后）的蛋白質組學、臨床和組合模型的校準圖如圖3所示。雖然在風險最高的類別中，風險被略微低估了，但這六個模型都得到了很好的校準。通過比較蛋白質模型和臨床風險模型來計算凈重分類改善指數（NRI）和綜合判別指數（IDI）。在衍生隊列中，NRI為0.152，IDI為0.098，而在驗證隊列中，NRI為0.173，IDI為0.085（95% CI 0.068-0.101）。
Fig?3. 在推導和驗證隊列中進行校準
3.?高和低C反應蛋白亞群的預測價值
高、低C反應蛋白（CRP）組的網絡通路分析，高CRP組顯示了IL-6的核心作用，這在低CRP蛋白模型中不存在。相反，在低CRP組的前10個預測蛋白中，發現了四種不同的炎癥蛋白，它們既不在初始模型中，也不在高CRP組中(表3)。
Table 3.?在整體，高，低C反應蛋白組中最重要的蛋白質
?
參考文獻：
Nurmohamed NS, Belo Pereira JP, Hoogeveen RM, Kroon J, Kraaijenhof JM, Waissi F, Timmerman N, Bom MJ, Hoefer IE, Knaapen P, Catapano AL, Koenig W, de Kleijn D, Visseren FLJ, Levin E, Stroes ESG. Targeted proteomics improves cardiovascular risk prediction in secondary prevention. Eur Heart J.?2022 Apr 19;43(16):1569-1577. doi: 10.1093/eurheartj/ehac055IF: 35.855 Q1 . PMID: 35139537IF: 35.855 Q1 ; PMCID: PMC9020984IF: 35.855 Q1 .
?