蛋白质组学驱动的机器学习算法提升2型糖尿病患者心血管疾病预测效能

来自英国生物银行的研究团队通过整合蛋白质组学与机器学习技术，开发了针对2型糖尿病(T2DM)患者心血管疾病(CVD)风险的个性化预测模型。研究筛选了8,74例患者的2,920种Olink蛋白标志物，构建的融合模型(含临床与蛋白组特征)展现出卓越预测性能：3/5/10年AUC分别达0.81/0.74/0.74，显著优于传统Framingham等评分体系，为糖尿病并发症精准防控提供新范式。

　　

这项突破性研究将蛋白质组学(proteomics)与随机生存森林(random survival forest)算法巧妙结合，为2型糖尿病(T2DM)患者的心血管疾病(CVD)风险预测开辟了新路径。科研团队从英国生物银行(UK Biobank)中挖掘了8,74例糖尿病患者的临床数据和2,920种Olink蛋白质组学标志物，通过Cox回归和LASSO回归进行特征筛选，构建了基础临床模型和融合蛋白质组学特征的完整模型。

令人振奋的是，融合模型展现出卓越的预测效能：时间依赖性ROC曲线下面积(AUC)在3年、5年和10年预测中分别达到0.81、0.74和0.74，显著优于仅含临床特征的基础模型(0.77/0.69/0.67)。在与传统风险评估工具(Framingham、ASCVD和SCORE₂-Diabetes)的正面交锋中，该模型同样拔得头筹。更值得关注的是，通过净重分类改善指数(NRI)和综合判别改善指数(IDI)验证，新模型将高危人群识别准确率从69%提升至79%，犹如为临床医生装上了精准预测的"蛋白质雷达"。

尽管样本量限制和蛋白质组学临床应用瓶颈仍需突破，这项研究无疑为糖尿病并发症防控提供了革命性的技术路线。那些在血液中默默传递风险信号的蛋白质分子，正在机器学习算法的解码下，逐步揭开糖尿病心血管并发症的预警密码。