
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习生存分析鉴定的蛋白质组学检测面板进行社区心血管风险分层
《Scientific Reports》:Cardiovascular risk stratification in the community based on a proteomics panel identified by machine learning survival analysis
【字体: 大 中 小 】 时间:2026年08月29日 来源:Scientific Reports 4.9
编辑推荐:
摘要蛋白质组学可提供反映与心血管(CV)结局相关的潜在病理生理过程的潜在生物标志物。我们旨在利用机器学习生存分析方法鉴定可预测心血管不良事件的蛋白质,并界定具有临床意义的蛋白质聚类。我们分析了来自FLEMENGHO研究的768名社区参与者(平均年龄:58.0 ± 10.8岁;
蛋白质组学可提供反映与心血管(CV)结局相关的潜在病理生理过程的潜在生物标志物。我们旨在利用机器学习生存分析方法鉴定可预测心血管不良事件的蛋白质,并界定具有临床意义的蛋白质聚类。我们分析了来自FLEMENGHO研究的768名社区参与者(平均年龄:58.0 ± 10.8岁;女性占49.7%)的数据,这些参与者接受了超声心动图和蛋白质组学分析。心血管事件的随访中位时间为10.9年。通过随机生存森林和梯度提升生存分析,15种蛋白质被列为预测心血管事件的最重要蛋白。它们参与了关键的心血管生物学过程,包括细胞外基质组织(MMP-12)、血管新生(ANGPT1、PlGF)、血压调节和肾功能(KIM-1、REN、ACE2、BNP)、细胞凋亡(TRAIL-R2)、自噬(CTSL1)、蛋白水解(PAPPA)、炎症和免疫反应(CD40-L、Dkk-1、Gal-9、RAGE)以及代谢(AGRP)。基于上述蛋白质水平,利用高斯混合模型鉴定出三个表型组。第3组表现出最差的基线心血管风险特征。尽管第1组和第2组由相对较年轻的个体组成,但第2组的心血管风险显著更高(HR 1.77,95% CI 1.27–2.46,p < 0.001)。心脏结构和功能在横断面和纵向随访中均存在差异。因此,我们鉴定了可预测心血管事件的蛋白质,并据此在社区人群中实现心血管风险分层。