基于代谢组学和机器学习的预测模型，用于评估急性肾损伤（AKI）向慢性肾病（CKD）进展的风险

《Scientific Reports》：A metabolomics and machine learning-based predictive model for AKI-to-CKD progression risk

　　

摘要

从急性肾损伤（AKI）进展为慢性肾病（CKD）会增加死亡风险，但目前可靠的早期风险分层工具仍然有限。我们对74名参与者进行了基于非靶向液相色谱-质谱（LC–MS）的血浆代谢组学研究，其中包括44名肾功能恢复的AKI非CKD患者、19名从AKI进展为CKD的患者以及11名健康对照组。通过两步差异分析，我们确定了104种在AKI非CKD组和AKI进展为CKD组中方向变化一致的同源代谢物。这些代谢物随后被用作预测模型的候选代谢物池，进一步通过Boruta筛选和LASSO建模进行评估，整个过程在嵌套交叉验证框架内完成。最终基于LASSO保留频率和模型简洁性分析，选出了由2-福尔酸、1H-吡咯-2-羧醛、LPE(18:0)、环戊基胺和甘油磷酸胆碱组成的5种代谢物组合作为预测标志物。该5种代谢物的模型的区分能力与4种代谢物模型的区分能力相当（AUC分别为0.981和0.957），而添加第六种代谢物并未进一步改善模型的区分效果。在嵌套交叉验证中，仅包含临床数据的模型区分能力有限；而仅包含代谢物数据或结合LASSO模型的模型的组合AUC显著更高（分别为0.999）。标签置换阴性对照分析表明，观察到的区分效果并非仅由重采样过程产生。这些发现表明，血浆代谢组学标志物可能为早期AKI向CKD的风险分层提供潜在的预测指标，但在临床应用之前还需在多中心队列中进行外部验证。