基于蛋白质组学的心力衰竭分型新策略：超越临床特征的风险分层与精准医疗前景

《Communications Medicine》：Proteomics-based clustering outperforms clinical clustering in identifying people with heart failure with distinct outcomes

本研究针对心力衰竭（HF）异质性高、传统临床分型预后预测能力有限的问题，通过蛋白质组学（SomaScan）技术对HFrEF患者进行无监督聚类分析。研究成功识别出三个具有显著不同临床结局（包括心衰住院、心血管死亡和全因死亡率）的蛋白质组学分型，并在独立队列中验证了其优越性。该研究为HFrEF的精准分型、风险分层及潜在新药靶点（如GDF-15、IGFBPs）的发现提供了重要依据，推动了心力衰竭的个性化治疗发展。

　　

心脏就像一台不知疲倦的泵，日夜不停地为全身输送血液。但当这个泵出现故障时，就会导致心力衰竭（Heart Failure, HF），一种严重影响生活质量和生存率的复杂临床综合征。目前，医生们主要依据左心室射血分数（Left Ventricular Ejection Fraction, LVEF）将心衰分为不同类型，其中射血分数降低的心力衰竭（HF with reduced Ejection Fraction, HFrEF）是常见且预后较差的一种。然而，即使在同一类HFrEF患者中，疾病的进展速度和治疗反应也存在巨大差异。这种“同病不同命”的现象提示，基于LVEF的简单分类可能掩盖了患者体内复杂的、各不相同的生物学过程。传统的、基于年龄、病因、并发症等临床特征的患者分组方法，往往难以准确预测个体患者的命运，这或许是许多心衰新药在临床试验中折戟沉沙的重要原因之一——药物可能只对具有特定生物学背景的患者亚群有效。因此，如何深入疾病的“内脏”，从分子层面揭示HFrEF的内在异质性，从而识别出真正同质化的患者亚型，是实现精准医疗、改善患者预后的关键挑战。

在这一背景下，Marion van Vugt、Ruicong She、Isabella Kardys等研究人员在《Communications Medicine》上发表了一项重要研究。他们独辟蹊径，将目光投向了生命活动的直接执行者——蛋白质。研究人员提出假设：通过分析血液中数千种蛋白质的表达谱，能够比传统临床特征更精准地识别出具有不同疾病进展风险的HFrEF患者亚型。这项研究的意义在于，它试图打开HFrEF的“黑箱”，从分子水平上理解疾病的异质性，为未来的个性化治疗和新药研发提供全新的视角和工具。

为了回答上述问题，研究人员主要运用了几项关键技术。首先是利用高通量蛋白质组学技术（SomaScan平台）对两个独立的心力衰竭患者队列（荷兰的Bio-SHiFT队列，n=379；美国的HFPGR队列，n=511）的血浆样本进行了大量蛋白质（>4,000种）的检测。其次，他们采用了潜类别分析（Latent Class Analysis, LCA）这一多元统计方法，分别基于临床变量和蛋白质组学数据（以前20个主成分代表）对患者进行无监督聚类，以发现内在的患者亚群。此外，生存分析（Cox比例风险模型）被用来评估不同聚类与临床结局（如心衰住院、心血管死亡等）的关联。最后，通过生物信息学方法（如差异表达分析、通路富集分析）来阐释驱动聚类的生物学机制，并探讨了关键蛋白的成药潜力。

Deriving HFrEF patient clustering models（推导HFrEF患者聚类模型）

研究人员首先利用来自Bio-SHiFT队列的379名HFrEF患者的数据，分别建立了基于临床特征和基于蛋白质组学的聚类模型。临床聚类模型依据年龄、病因、冠心病史等6个关键变量，将患者分为三个临床意义明确的集群：缺血性病因集群、高血压性病因集群和心肌病病因集群。然而，基于4,210种血浆蛋白质表达水平（以前20个主成分概括）的蛋白质组学聚类模型，同样将患者划分为三个集群，但其患者特征分布与临床集群截然不同。蛋白质组学集群1的患者相对年轻，并发症负担最轻；集群3的患者年龄最大，房颤和肾功能衰竭的患病率最高；集群2则处于中间状态。值得注意的是，不同蛋白质组学集群间的药物治疗方案没有差异，提示当前的标准治疗并未针对这些生物学上不同的亚型进行优化。联合使用临床和蛋白质组学数据的聚类模型，其效果反而不如单独使用蛋白质组学数据。

Associating cluster membership with outcomes（关联集群成员身份与临床结局）

对患者进行为期中位2.24年的随访后，分析显示，基于临床特征的集群划分与任何临床结局（主要心血管事件、心衰住院、心血管死亡和全因死亡率）均无显著关联。与之形成鲜明对比的是，蛋白质组学聚类显示出强大的预后预测能力。以进展缓慢的集群1为参照，集群2患者发生主要心血管事件和心衰住院的风险显著升高（风险比[Hazard Ratio, HR]约为2.30），但其死亡风险并未增加。而进展迅速的集群3患者的所有不良结局风险均急剧增高，其发生主要心血管事件的HR为5.84，心衰住院的HR为6.50，心血管死亡的HR高达8.58，全因死亡的HR为5.07。模型的区分度（c-statistic）在0.69-0.74之间，表明其预测准确性良好。

Externally validating the proteomics-based clustering model（外部验证蛋白质组学聚类模型）

为确保模型的可靠性和普适性，研究人员将基于Bio-SHiFT队列建立的蛋白质组学聚类模型直接应用于来自美国HFPGR队列的511名HFrEF患者中进行外部验证。结果成功地重复了在推导队列中观察到的趋势：与集群1相比，集群3患者发生所有不良结局的风险均显著增高（例如，全因死亡率HR=6.65），集群2患者则表现出中等程度的风险增加（例如，全因死亡率HR=2.37）。这一验证有力地证明了该蛋白质组学分型策略的稳健性和潜在临床转化价值。

Interpreting clustering model and identifying potentially druggable proteins（解读聚类模型并识别潜在可成药蛋白）

为深入理解聚类背后的生物学，研究团队识别了在三个蛋白质组学集群间差异表达的蛋白质。他们发现共有12种蛋白质显著差异表达。其中，ABO和TP53I11在预后良好的集群1中高表达；而与免疫反应、细胞外基质组织、代谢等相关的10种蛋白质，如PXDN、NBL1、RNase1、IGFBP-2、GDF-15、IGFBP-1和CD2等，在预后较差的集群3中高表达（在集群2中呈中等水平）。通路分析进一步揭示，集群1与脂质代谢相关，集群2与能量代谢和葡萄糖利用相关，而集群3则富集于免疫炎症和纤维化过程。尤为重要的是，当将集群成员身份与单个蛋白质对疾病的预测能力进行比较时，发现集群身份的风险比远高于任何单个蛋白质（例如NT-proBNP或GDF-15），强调了综合多种蛋白质信息的聚类方法在风险分层上的优越性。最后，对12个关键蛋白的成药性分析发现，其中6个（CD2、GDF-15、ABO、IGFBP-1、IGFBP-2和RNase1）是目前已上市药物靶点或正处于临床试验阶段的候选药物靶点，为针对特定亚组患者开发新疗法提供了直接线索。

综上所述，这项研究有力地证明，基于大规模血浆蛋白质组学的无监督聚类分析能够有效揭示HFrEF中隐藏的、具有显著不同预后风险的生物学亚型，其性能远超传统的临床特征聚类。研究不仅在一个队列中建立了分型模型，更在另一个独立队列中成功验证，凸显了模型的稳健性。所识别的三个亚型（缓慢进展型、住院风险型、快速进展型）具有鲜明的临床和分子特征，且在当前标准化治疗下仍面临不同的风险，这强烈暗示了进行个性化治疗的必要性和可能性。研究所揭示的差异蛋白及其相关通路（如免疫炎症、纤维化、代谢紊乱）为了解不同亚型的发病机制提供了新视角。更重要的是，多个驱动聚类的关键蛋白本身就是“可成药”靶点或已有靶向药物，为未来针对高风险亚组患者开发精准疗法指明了方向。研究人员已将聚类算法公开，旨在促进其进一步验证和潜在临床应用。尽管存在样本来源单一、单时间点测量等局限性，这项研究无疑为心力衰竭的精准分型和新药研发奠定了坚实的一步，标志着我们向理解心力衰竭复杂异质性和实现真正个性化医疗迈出了关键一步。