壹生资讯-【2023 ESOC 华山特约】基于血浆蛋白指纹图谱诊断脑淀粉样血管病的研究

您已通过HCP身份认证和信息审核

(

【2023 ESOC 华山特约】基于血浆蛋白指纹图谱诊断脑淀粉样血管病的研究

2023-06-04作者：论坛报沐雨资讯

原创

作者：复旦大学附属华山医院神经内科血管组徐佳洁

脑淀粉样血管病（CAA）是一种老龄相关的脑小血管病（CSVD），现有的波士顿诊断标准主要基于临床表现与影像标志物，其诊断准确性仍有待提高。随着检测技术发展，生物标志物显现出其潜在应用价值。因此，本研究旨在利用蛋白质组学技术探索脑淀粉样血管病的血浆蛋白标志物，利用机器学习算法构建疾病的诊断模型，并探究模型与脑小血管病影像标志物间的相关性。博士研究生徐佳洁代表华山团队在此次ESOC上汇报了研究的初步结果，并作为主要研究者荣获Young Investigator Award。

图片2.png

研究前瞻性地从诊断很可能的CAA患者的连续队列中招募患者，并从同期的上海老年队列中招募年龄和性别相匹配的正常人群，并对入组人群的血浆样本进行蛋白质组学检测。研究首先将人群分为产生队列和验证队列，在产生队列中筛选疾病相关差异蛋白，通过多种机器学习算法对核心差异蛋白构建模型，并利用受试者工作曲线评价模型对疾病的诊断效能。此外，研究基于机器学习算法建立个体的疾病风险评分，并评估风险评分与脑小血管病影像标志物差异。最后，研究将结果在验证队列中进行了验证。

研究最终纳入116例很可能的CAA患者和98例正常对照。与对照组相比，CAA组有150种蛋白的表达水平发生显著改变，主要富集于代谢途径、补体激活、凝血调节与血小板活化等通路。研究根据相关性聚类筛选出6种核心差异蛋白，基于此构建的7种机器学习模型均能有效区分CAA患者和对照（Logistic回归：AUC=0.9375；弹性网络回归：AUC=0.9782；随机森林：AUC=0.9841；支持向量机：AUC=0.9722；神经网络：AUC=0.9802；决策树：AUC=0.9077；XGBoost：AUC=0.9732）。此外，所构建的个体疾病风险评分与所有脑小血管病影像标记物的严重程度均显著相关（白质高信号，p <0.001；半卵圆中心扩大的血管周围间隙，p <0.001；脑叶微出血计数，p <0.001；皮层表面铁沉积，p <0.001；小血管病总负担，p <0.001）。核心差异蛋白在验证队列中得到了相似的诊断效能，所构建的个体疾病风险评分同样与小血管病标志物的严重程度显著相关。

因此，研究结果表明CAA患者的血浆蛋白表达存在差异，提示血浆生物标志物在疾病诊断与风险分层方面的重要潜力，有望为疾病的早期识别和预后评估提供新的手段。

原创文章，转载须授权

200 评论

知情同意书

【2023 ESOC 华山特约】基于血浆蛋白指纹图谱诊断脑淀粉样血管病的研究

热门资讯

关于我们

中国医学论坛报微信矩阵

助力乡村振兴帮扶行动

友情链接