基于尿液蛋白质组学的非侵入性生物标志物在脓毒症预后评估中的创新模型研究

本研究针对脓毒症高死亡率难题，通过数据非依赖性采集(DIA)蛋白质组学技术，首次建立基于尿液生物标志物SLC25A24、UBQLN1和CREB3L3的预后预测模型。研究人员在重症监护病房(ICU)收集46例脓毒症患者尿液样本，鉴定出255个差异表达蛋白(DEPs)，经LASSO回归和随机森林算法筛选出关键蛋白构建列线图模型，AUC达0.922。该非侵入性模型为脓毒症个体化治疗提供新工具。

　　

脓毒症作为感染引发的全身炎症反应综合征，每年造成全球近20%的死亡病例，即使在现代医疗条件下，其死亡率仍居高不下。传统血液检测虽能提供诊断信息，但频繁采血易导致医源性失血，且现有生物标志物如降钙素原(PCT)和白细胞介素-6(IL-6)对预后预测的准确性有限。这种临床困境催生了对非侵入性、高精度预后评估方法的迫切需求。

中国人民解放军联勤保障部队第908医院重症医学科的研究团队在《Scientific Reports》发表创新性研究成果。该研究突破性地选择尿液作为检测样本，利用数据非依赖性采集(DIA)蛋白质组学技术，对46例ICU脓毒症患者(死亡组14例/存活组32例)进行全蛋白质组分析。通过鉴定差异表达蛋白(DEPs)并整合临床指标，最终构建出基于三种关键蛋白的预后预测模型，为脓毒症精准医疗提供新范式。

研究采用多组学技术联合作战：1) 使用DIA技术对尿液样本进行全蛋白质组扫描，鉴定2570种蛋白质；2) 通过FASP方法进行胰酶消化和C18柱脱盐处理；3) 采用nano-flow Evosep One系统结合timsTOF质谱仪进行DDA/DIA分析；4) 运用LASSO回归和随机森林算法筛选特征变量；5) 构建包含SOFA评分等临床参数的列线图模型。所有分析均通过500次bootstrap内部验证。

研究结果部分呈现四大发现：

1. 临床特征分析显示死亡组PT(18.5 vs 13.7s)、WBC(15.15 vs 7.4×10⁹/L)和SOFA评分(11 vs 5)显著升高，而血小板(88 vs 189×10⁹/L)和纤维蛋白原(2.9 vs 3.7g/L)明显降低。

2. 蛋白质组学鉴定出255个DEPs(上调146/下调109)，GO分析显示这些蛋白主要参与止血负调控、皮质肌动蛋白细胞骨架组织等过程，KEGG分析提示Rap1信号通路和肌细胞骨架通路显著富集。

1. 特征变量筛选通过三重验证：LASSO回归确定19个特征，随机森林选出25个变量，最终锁定SLC25A24、UBQLN1和CREB3L3三个核心生物标志物，其单独预测AUC均>0.8。

2. 预测模型构建显示三蛋白联合模型的AUC达0.922(95%CI:0.846-0.998)，校准曲线显示预测与实际死亡率高度一致，决策曲线证实其临床实用价值。

讨论部分揭示该研究的双重突破：方法学上首次证实尿液蛋白质组可作为脓毒症预后监测窗口，技术上创建DIA结合机器学习的新型分析流程。三种核心蛋白各具特色：SLC25A24通过调节线粒体钙稳态影响NLRP3炎症小体激活；UBQLN1通过泛素-蛋白酶体系统维持蛋白质稳态；CREB3L3则通过NF-κB通路调控炎症反应。三者协同作用构成"线粒体-蛋白质-炎症"调控网络，为理解脓毒症病理机制提供新视角。

该研究仍存在单中心样本量有限、未进行ELISA验证等局限，但其创新价值显著：开发的非侵入性检测方案可减少ICU患者医源性失血；构建的预测模型较传统临床指标(如SOFA评分)具有更高准确性；鉴定的生物标志物为后续靶向治疗研发提供新方向。未来研究应着重动态监测这些蛋白的时序变化规律，并探索其分子机制与现有治疗方案的协同效应。