《Nature Aging》揭示帕金森病早期病理生理学新见解：复旦大学团队发现潜在生物标志物和治疗靶点

为解决 PD 早期病理生理学机制不明的问题，相关研究人员分析 UK Biobank 参与者血浆蛋白。结果发现 38 种 PD 相关蛋白，构建预测模型。该研究为开发 PD 早期生物标志物和精准疗法提供关键依据，值得一读。

　　

近日，复旦大学的研究团队在国际知名学术期刊《Nature Aging》上发表了一篇题为“Large-scale proteomic analyses of incident Parkinson’s disease reveal new pathophysiological insights and potential biomarkers”的研究论文。该研究通过大规模蛋白质组学分析，揭示了帕金森病（Parkinson’s disease, PD）早期的病理生理学机制，并发现了潜在的生物标志物和治疗靶点。

帕金森病是一种常见的神经退行性疾病，其早期病理生理学机制尚未完全明确。为了深入研究这一问题，复旦大学的研究人员对英国生物银行（UK Biobank）中51,804名参与者的2,920种血浆蛋白进行了分析，最终在14.45年后确定了859例帕金森病发病病例。研究团队发现38种与帕金森病相关的蛋白质，其中排名前十的蛋白质中有6种在帕金森病进展标志物倡议（PPMI）队列中得到验证。

研究结果显示，整合素αV（ITGAV）、组胺N-甲基转移酶（HNMT）和整合素αM（ITGAM）与帕金森病存在显著关联（风险比：0.11-0.57，P=6.90×10^-24至2.10×10^-11）。此外，脂质代谢功能障碍在帕金森病发病前15年就已显现，且BAG3、15-羟基前列腺素脱氢酶（HPGDS）、ITGAV和肽链内切酶D（PEPD）的水平在确诊前持续下降。这些蛋白质与帕金森病的前驱症状和脑部测量指标密切相关。

孟德尔随机化分析进一步表明，ITGAM和表皮生长因子受体（EGFR）可能是帕金森病的潜在致病因素。研究人员利用机器学习构建的预测模型结合排名前16的蛋白质和人口统计学特征，对5年内帕金森病预测的准确率较高（曲线下面积AUC=0.887），对5年以上帕金森病预测的准确率也较高（AUC=0.816），优于仅基于人口统计学特征的模型。该模型在PPMI队列中进行外部验证时（AUC=0.802）也表现良好。

复旦大学的研究人员通过这项开创性研究，揭示了帕金森病早期的外周病理生理变化，为开发早期生物标志物和精准治疗方法提供了重要依据。这一成果不仅加深了人们对帕金森病早期病理机制的理解，还为未来的诊断和治疗提供了新的方向。