《Clinica Chimica Acta》:Beyond blood pressure: AI-assisted multi-omics biomarker stratification for stroke risk in hypertension: clinical chemistry, analytical validation, and translational perspectives
编辑推荐:
•多组学方法揭示了超越血压水平的生物学异质性。•分子通路将血管损伤、炎症、代谢和中风风险联系起来。•在临床应用之前,分析验证和实验室协调是不可或缺的。•人工智能辅助整合可能改善生物标志物的解读,但需要外部验证。•临床实施需要超越生物标志物关联的实用性证据。引言高血压是缺血性卒
- •
多组学方法揭示了超越血压水平的生物学异质性。
- •
分子通路将血管损伤、炎症、代谢和中风风险联系起来。
- •
在临床应用之前,分析验证和实验室协调是不可或缺的。
- •
人工智能辅助整合可能改善生物标志物的解读,但需要外部验证。
- •
临床实施需要超越生物标志物关联的实用性证据。
引言
高血压是缺血性卒中和出血性卒中的关键且可改变的原因之一。然而,诊室血压测量仅反映了持续存在的血管、肾脏、代谢、炎症和神经血管损伤的冰山一角[1]。具有相似收缩压和舒张压水平的患者在卒中风险方面存在显著差异,即使在接受成功的降压治疗期间也可能出现这种差异[2]。这种多样性源于血压负荷与内皮功能障碍、动脉僵硬、氧化应激、促凝倾向、肾衰竭和脑小血管病等合并症之间的不同关联,而传统卒中风险模型无法评估这些因素[3]、[4]。因此,血压测量的临床相关性取决于潜在的生物学异质性,包括血管重塑、内皮功能、炎症、代谢和目标器官脆弱性方面的差异[5]、[6]。炎症和氧化通路进一步加剧了这种异质性,但由于生物学和分析变异性的原因,其循环指标需要谨慎解读[7]、[8]。
氧化应激和代谢紊乱通过改变内皮功能、细胞代谢和组织对慢性压力负荷的反应,进一步加剧了血管损伤[9]。代谢异质性还可能通过线粒体功能、脂质代谢和炎症-代谢交互作用的变化影响残余风险,而这些变化是传统风险评估无法捕捉的[10]。这些分子模式的解读需要考虑可能影响生物标志物测量的生物学变异性和分析因素[11]。同样,血栓形成和内皮激活通路可能有助于卒中易感性,但其临床解读需要仔细的分析标准化[12]。反映肾脏、心脏和神经血管损伤的生物标志物可能提供关于血压测量之外的亚临床靶器官受累情况的额外信息[13]、[14]。然而,这些分子信号的解读仍然具有挑战性,因为生物学通路相互重叠,且没有单一生物标志物能完全代表高血压性脑血管损伤的复杂性[15]。
除了这些机制之外,新兴的分子分析技术,包括基因组学、转录组学、蛋白质组学和代谢组学分析,可能为生物学异质性提供额外见解,但其临床解读需要分析验证和外部评估[16]。由于细胞特异性和循环信号生物学来源的变异性,解读基于血液的结果也颇具挑战[17]。因此,有意义的生物学分层需要整合代表血管和全身损伤多个领域的互补性生物标志物[18]。有意义的生物学分层因此需要将互补的分子信息与已建立临床评估工具相结合,而非依赖单一生物标志物[19]。人工智能辅助方法可能促进复杂生物标志物和临床数据集的整合;然而,其预测性能、外部有效性和临床实用性在实施前需要严格评估[20]。在临床化学领域,转化需要分析前标准化、检测协调、参考区间、生物学变异信息和决策阈值[11]、[17]。通过在概念性转化框架中整合基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学、脂质组学和细胞外囊泡生物标志物,这种新兴方法可能改善对高血压患者生物学理解的深入和未来风险分层策略,但在潜在实施之前需要进一步的分析学和临床验证[18]、[19]、[20]。因此,本综述遵循一个转化框架,首先定义残余风险的临床问题,然后讨论生物学机制、多组学生物标志物证据、分析验证要求、人工智能辅助整合以及未来临床实施。
章节摘要
综述方法
本叙述性综述基于对PubMed/MEDLINE、Scopus和Web of Science数据库的结构化文献检索,检索范围为2000年1月至2026年9月的英文出版物。检索策略结合了高血压、卒中、脑血管风险、生物标志物、多组学、基因组学、转录组学、蛋白质组学、代谢组学、临床化学、分析验证、人工智能、机器学习和风险分层等相关术语。相关文献的参考文献列表也
血管重塑和动脉损伤
尽管慢性压力负荷在脑血管症状临床上显现之前就会引发血管壁的早期变化,但传统临床工具难以界定从代偿性过程到失代偿性过程的转变[21]。中膜肥大生长、基质沉积、弹性蛋白降解、内皮功能障碍和慢性炎症反应以不同速度发展,导致患者在相同血压水平下卒中风险存在差异[22]。
超越血压的多组学生物标志物
虽然前一部分描述了高血压性血管损伤的生物学机制,本部分则聚焦于多组学生物标志物类别的证据成熟度、分析特征和转化局限性。
临床化学和先进实验室技术
本部分讨论临床转化所必需的分析要求,与之前描述生物学机制和生物标志物发现的部分有所不同。
用于生物标志物发现的机器学习
机器学习领域拥有许多发现高维数据中预测关系的工具,但机器学习方法在预测高血压患者卒中发病风险方面的有效性取决于其发现真实生物学信号而非研究人群特异性效应的能力[168]、[169]。在测量值(分析物)多于观察值(患者)的情况下,使用弹性网等收缩程序是合理的,因为
临床转化和精准诊断
在生物标志物表征和分析验证之后,人工智能辅助方法提供了整合异质性分子和临床信息的计算策略,但需要严格的验证和泛化性评估。
用于高血压性卒中生物学风险分层的新兴生物标志物组合
临床转化代表了超越生物标志物发现和计算性能的独立阶段,需要实施可行性、临床实用性、监管准备和患者获益的证据。
分析和临床标准化
分析和临床程序的标准化是将多组学卒中风险标志物从发现阶段过渡到高血压患者评估阶段实施的关键前提[100]、[113]。标准化应在分析前阶段实施,涉及禁食状态、时间、体位、抗凝、离心、残余血小板、储存和冻融循环等因素[69]、[100]。所有这些元素都将具有分析物特异性
结论
高血压相关的卒中风险无法仅通过血压测量来充分表征,因为具有相似血压谱的患者可能在血管、肾脏、心脏、代谢、炎症和神经血管损伤的生物学模式上表现出显著差异。现有证据表明,反映已确立生物学过程的生物标志物,包括白蛋白尿、胱抑素C、高敏心肌肌钙蛋白(hs-cTn)、N端B型
人工智能的使用
在撰写本文期间,作者使用了语言辅助工具,包括Grammarly和ChatGPT,仅用于语法检查、语言编辑、改写以及提高清晰度和可读性。未使用任何人工智能工具来生成科学内容、设计研究、分析数据、解释结果、发展科学论点或得出结论。科学内容、文献评估和结论完全
CRediT作者贡献声明
赵宏高:资源、项目管理、方法学、调查研究、资金获取。李俊峰:可视化、验证、监督、软件。蒋德友:写作 – 审阅与编辑,写作 – 初稿,数据管理,概念化。
临床试验注册
不适用。本文未报告临床试验的设计、招募或分析。
伦理批准
无需伦理批准,因为本文是基于已发表文献的叙述性综述,不涉及人类参与者、可识别的患者数据或动物实验。
资金
本研究未获得公共、商业或非营利领域资助机构的具体资助。
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文报告的工作。
Zhao Hong Gao|Jun Feng Li|De You Jiang