Nature Medicine|无创蛋白质组学寻找生物标志物
发布日期：2022-07-08 浏览次数：1506
2022年06月02日，生物类顶级期刊NatureMedicine（IF=53.440）在线发表题为“Noninvasive proteomic biomarkers for alcohol-related liver disease（酒精相关肝病的无创蛋白质组学生物标志物）”。这篇工作提出了一种配对的肝-血浆蛋白质组学方法来推断分子病理生理学，并探索血浆蛋白质组学对596名个体的诊断和预后能力，为酒精性肝病的检验提供了一个新思路。
（背景）
酒精相关肝病(ALD)是一种常见的慢性肝病，依循肝炎、纤维化、肝硬化的发展进程，并导致一半以上的肝脏相关死亡。目前约有75%的ALD患者在发生失代偿期肝硬化后被诊断出来，因为错过最佳治疗时间而延误治疗；在早期阶段检测出来ALD则可以通过强化酒精康复治疗和代谢合并症的治疗来减缓或预防疾病进展。肝脏的准确诊断需要活检，这一过程会导致出现1%的严重并发症；而其他的无创检测方法准确度又较低。在复杂疾病的背景下，基于MS的蛋白质组学可以将重点转移到生物标志物组而不是单个蛋白质上。作为一个有效的临床生物标志物发现平台，基于MS的蛋白质组学必须以稳健和准确的方式进行，并应用于大型患者群体。
（研究思路）
高通量、基于MS的蛋白质组学技术用于分析来自459名ALD患者和137名匹配的健康对照的配对肝脏和血浆样本。整合肝脏和血浆中的蛋白质组失调以捕获血流中与肝脏一致的疾病阶段相关蛋白质特征。最后，建立了一个机器学习模型来识别肝纤维化、炎症活动和脂肪变性的早期阶段。
（结果）
01 患者、数据收集和研究设计
研究人群由来自三个队列的参与者组成，肠道和肝轴-酒精相关肝病（GALA-ALD）、肠道和肝轴-健康参与者、独立ALD验证队列。通过质朴质谱获得了所有参与者(n=659)的血浆蛋白质组谱光谱仪，同时使用DIA方法推导队列中的79个肝活检蛋白质组，总共量化了5,515种蛋白质，通过机械学习识别了肝纤维化、炎症、脂肪变性的变化趋势。
02 肝脏病变对肝脏和血浆蛋白质组的影响
肝脏蛋白质组的差异丰度分析揭示了658种蛋白质在纤维化阶段、135种炎症活动阶段和68种脂肪变性阶段显着失调；随着纤维化阶段的增加，大多数失调的蛋白质上调（63％（454种蛋白质）与37％（263种蛋白质）下调；87%的注释为“肝脏特异性”被下调，“分泌”的蛋白质中有80%被上调（图c）。在与纤维化阶段最相关的前20种蛋白质中，主要是肝脏分泌的蛋白质（图2d），它们在细胞-ECM相互作用中发挥作用，与每个组织学评分相关的前四种蛋白质如图所示。
03肝脏和血浆蛋白质组学的整合
总共有420种蛋白质在肝脏和血浆中被定量，在二维空间中的水平呈现出双峰模式（相关和不相关），例如，肝酶ALDOB和DPP4在肝脏中的丰度差异约为1,000倍，而它们在血浆中的水平很低且非常相似，112种在成对的肝脏和血浆样本之间具有显着相关性。肝组织和循环中的C反应蛋白(CRP)水平也高度相关，总共有46种蛋白质在肝脏和血浆蛋白质组的ANCOVA中通常差异丰富（g），可能是由于免疫细胞浸润和整体全身炎症增加、ECM重塑和肝纤维化中的瘢痕组织形成以及组织渗漏引起的。
ALD早期病理学的生物标志物组。首先比较了22个最先进的机器学习分类器，其中一个逻辑回归模型因为具有整体优越的性能、简单性和可解释性作为最终分类器，基于所选标记组的逻辑回归模型的平均交叉验证ROC-AUC为0.90、0.85和0.91分别用于预测显着的纤维化、轻度炎症活动和任何脂肪变性，蛋白质组学模型用于后续验证和评估其预后能力。
04在独立队列中验证模型性能
蛋白质组学模型正确排除了健康匹配对照组（n =136）中的显着纤维化、晚期纤维化和轻度炎症，准确度分别为99%、100%和98%；尽管大约15%的健康个体因为BMI被归类为脂肪变性阳性。在独立的ALD验证队列（n =63）中，F2和I2蛋白质组学模型产生的ROC-AUC值高于队列中可用的十个同类比较中的任何一个，ROC-AUC分别为0.87和0.81（图b、c）。
将蛋白质组学模型与竞争的商业生物标志物和肝纤维化的组织学分期进行了比较，F2蛋白质组学模型对LRE的预测具有最高的判别准确性，Harrell的C =0.900和AUC=0.945（3年）和AUC=0.933（5年），显着高于F3和I2蛋白质组学模型，具有瞬态弹性成像第二高。
(结果)
使用基于质谱(MS)的蛋白质组学工作流程分析了所有血浆样本(596名个体)和79份肝活检，在血浆和肝活检组织中，代谢功能下调/而纤维化相关信号和免疫反应上调。机器学习模型确定了检测到显着纤维化和轻度炎症的蛋白质组学生物标志物组,一个独立的验证队列重现了诊断模型的性能，为基于MS的常规肝病检测奠定了基础。
（评价）
酒精相关肝病(ALD)是全球肝脏相关死亡的主要原因，但对该疾病的三个关键病理特征——纤维化、炎症和脂肪变性——的了解仍然不完整。本研究整合了临床大队列肝脏样本和血浆样本配对的蛋白质组学分析，并通过机器学习建立预测模型来识别肝纤维化、炎症和脂肪变性的早期阶段。通过模型验证表明，基于生物标记物群组的机器学习模型优于现有的测试方法，为蛋白质组学肝脏健康评估奠定了基础。
（DOI）：10.1038/s41591-022-01850-y
