血浆蛋白质组学与机器学习技术可实现对纤维化过敏性肺炎与特发性肺纤维化的无创鉴别

《Journal of Translational Medicine》：Plasma proteomics and machine learning deliver non-invasive distinction between fibrotic hypersensitivity pneumonitis and idiopathic pulmonary fibrosis

　　

摘要

背景

过敏性肺炎可表现为纤维化型（FHP）和非纤维化型（NFHP）。尽管治疗方法不同，但由于两种类型在临床表现上存在重叠，临床上仍难以将FHP与特发性肺纤维化（IPF）区分开来。本研究旨在建立一种基于血浆蛋白质组学的框架，用于这两种疾病的鉴别诊断。

方法

2018年7月至2022年6月期间，从中国间质性肺病国家队列和PORTRAY IPF队列中招募了119名受试者，其中包括32名健康对照者、31名NFHP患者、28名FHP患者以及28名IPF患者。对这些患者的血浆样本进行了定量蛋白质组学分析、加权基因共表达网络分析（WGCNA）以及生物信息学分析，以识别差异表达蛋白、核心通路及共表达模块。随后选取关键蛋白，通过七种机器学习算法构建并验证诊断模型。

结果

该研究明确了FHP和IPF的血浆蛋白质组特征，共鉴定出813种蛋白。WGCNA分析显示，糖酵解/糖异生途径以及丙酮酸代谢途径在FHP患者中显著富集，这表明代谢重编程与FHP的发病机制密切相关。差异分析共识别出9种差异表达蛋白，通过LASSO回归和递归特征消除法，最终确定了由6种蛋白组成的特征组合（H2BC12、SHBG、APCS、PTPRG、IGHV1-58和GAPDH）。在七种机器学习算法中，支持向量机在独立测试集上的准确率高达71.4%，能够有效区分FHP和IPF。这一模型为非典型间质性肺疾病的鉴别诊断提供了一种具有潜力的无创分子工具。

结论

本研究明确了FHP的血浆蛋白质组特征，揭示了代谢重编程在疾病发病机制中的作用，同时提供了基于机器学习的生物标志物导向的鉴别诊断框架。