期刊名称：Critical Care
发表时间：2024年7月
影响因子：9.3
期刊分区：JCR 1区/中科院 1区
作者单位：复旦大学公共卫生学院上海传染病与生物安全研究所
相关疾病：急性呼吸窘迫综合征
样本类型：血清
其他信息：蛋白组学、代谢组学、预后生物标志物、预后模型
今天向大家介绍一篇关于急性呼吸窘迫综合征（ARDS）的文章，该文章于2024年7月发表在《Critical Care》（IF=9.3）杂志上，标题为“Integrative multi - omics analysis unravels the host response landscape and reveals a serum protein panel for early prognosis prediction for ARDS”。文章聚焦于患者预后生物标志物的探索，通过血清蛋白质组学与代谢组学联合分析，运用LASSO回归法、倍数变化分析以及Boruta算法，在发现队列中精准确定了ARDS患者28天预后的生物标志物，并成功构建了一个经验证可靠的ARDS不良预后预测模型，为ARDS患者的预后研究开辟了新的思路，提供了宝贵的参考依据。
01
研究背景
急性呼吸窘迫综合征（ARDS）是危重症中一种极为严重的病症，通常由严重感染、外伤或吸入有害物质引发。研究显示，重症监护病房（ICU）中约有10%的患者受其影响，死亡率高达46%，在2019冠状病毒病（COVID-19）流行期间，这一数字甚至攀升至70%。因此，寻找有效的治疗方案和精准的预后方法对改善ARDS患者的预后至关重要，而新冠疫情更是加剧了这一需求。
近年来，多组学方法的整合，尤其是蛋白质组学和代谢组学的结合，为阐明生物系统间的相互作用提供了新的视角，然而，目前成人ARDS发展过程中的相互作用尚未得到充分研究。血液生物标志物在ARDS研究领域备受关注，其有望单独或与生理指标联合使用，以提升ARDS的诊断、预后和管理水平。
本研究通过多中心观察性研究，对ARDS患者初始阶段收集的血清样本、疾病控制组和健康对照组的样本进行了4D-DIA蛋白质组学和代谢组学分析。研究确定了ARDS患者28天预后的生物标志物，并在外部验证队列中通过平行反应监测（PRM）靶向质谱法对候选生物标志物进行验证，最终构建了一个经验证可靠的ARDS不良预后预测模型，为ARDS患者的治疗和预后提供了有价值的参考。
02
研究样本
该研究是一项多中心观察性研究，共纳入379名研究对象，分为发现队列和验证队列。发现队列包括ARDS组（存活ARDS：N=54，已故ARDS：N=76）、疾病控制组（DC：N=33）和健康对照组（HC：N=33）；验证队列包括ARDS幸存组（N=98）和已故组（N=85）。
03
实验设计
本研究聚焦于利用蛋白质组学和代谢组学探究ARDS的分子景观及开展预后研究。研究者首先对发现队列里的ARDS组、疾病控制组及健康对照组进行组间比较，找出差异蛋白和代谢物，然后通过富集分析锁定关键分子通路。接着，以ARDS患者28天后的存亡状况为评判标准，对比幸存者与已故患者的差异蛋白和代谢物，并进行富集分析。通过LASSO回归法、倍数变化分析与Boruta算法，确定ARDS的28天预后生物标志物，借助平行反应监测（PRM）靶向质谱法，在外部验证队列中验证出8种关键生物标志物。最终，运用朴素贝叶斯、随机森林、广义线性模型、支持向量机和梯度提升机这五种机器学习方法，构建了三类预后模型，包括单蛋白预后模型、临床风险模型，以及结合蛋白与临床预后参数的模型。通过受试者工作特征（ROC）曲线对模型的区分度进行评价，筛选出最终的预后模型。
图1 研究流程
04
实验结果
（1）ARDS组血清蛋白质组学谱改变和生物途径
本研究对196个样本中的2669个高质量蛋白进行分析，发现ARDS患者与对照组间存在显著差异。对比ARDS与健康对照（HC）、ARDS与疾病控制（DC）以及DC与HC，分别筛选出1069、319和511个差异蛋白。其中，214种差异蛋白在ARDS中表现出一致的调节模式：16种蛋白持续下调，198种蛋白显著上调。特别是胎球蛋白B（FETUB）的下调与金黄色葡萄球菌菌血症（SaB）患者的高死亡率相关，可作为潜在生物标志物。
对差异蛋白展开通路分析，成功锁定9个在ARDS中受特异性调节的通路，其中氧化磷酸化途径在ARDS与DC（NES=1.615，P=0.001）和ARDS与HC（NES=1.582，P<0.001）的比较中显著上调，凸显其在ARDS能量代谢中的关键作用。相关蛋白如SDHB、ATP6V1D、ATP5MG、ATP6V1H等在ARDS患者血清中水平上升。此外，VEGF信号通路中的MAP2K1、PIK3R1和SRC等蛋白也显著上调，揭示了ARDS发病机制背后的复杂分子网络。
图2 ARDS、疾病控制和健康对照组血清蛋白质组学分析的研究设计概述和总结
图3 ARDS中的差异表达蛋白和功能改变
（2）蛋白质组学和代谢组学表明鞘脂信号通路是ARDS的介质
PCA图显示ARDS患者具有独特的代谢特征，尤其是溶血磷脂酰胆碱（LysoPC）的变化最为显著。KEGG通路富集分析表明，与非ARDS组相比，ARDS患者的鞘脂信号通路和鞘脂代谢调节显著改变。代谢物S1P水平降低，而鞘氨醇水平升高，且S1P将鞘脂信号通路与Apelin、钙和磷脂酶D信号通路相连。
综合蛋白质组学和代谢组学分析发现，鞘脂信号通路是ARDS发病机制中的关键调节轴，影响蛋白质和代谢物水平，是重要的枢纽通路。在ARDS中，关键调节蛋白BAX、BID、PIK3R1、MAP2K1和RELA上调。MAP2K1作为枢纽蛋白，将鞘脂信号通路与甲状旁腺激素合成分泌、Apelin信号通路、胆碱代谢、磷脂酶D信号通路、FcγR介导的吞噬作用和细胞凋亡等通路联系起来。BAX和BID介导鞘脂信号通路与坏死性凋亡和细胞凋亡的联系，而RELA与细胞凋亡相关通路相关，PIK3R1则将鞘脂信号通路与FcγR介导的吞噬作用、细胞凋亡、磷脂酶D信号通路和胆碱代谢联系起来。
图4 发现队列中ARDS的代谢分析及代谢物与蛋白质组的相互作用
（3）ARDS发病时已故患者生物学功能失调和代谢物LysoPCs和S1P的改变
该研究对ARDS幸存者和非幸存者进行了蛋白质组学差异分析，锁定了40个差异蛋白（│fold change│≥1.5且FDR<0.05），其中Radixin（RDX）和Moesin（MSN）最为显著，它们在肌动蛋白连接至质膜中起关键作用。GSEA分析显示能量代谢、免疫反应等多条通路显著富集。PPI分析进一步筛选出GAPDH、HSP90AA1和ENO1等核心枢纽蛋白。
从代谢层面看，ARDS死亡组与存活组存在代谢差异，差异代谢物（DAMs）主要富集于鞘脂信号通路等关键通路，其中LysoPC（O-18:0/0:0）、LysoPC（15:0/0:0）和S1P显著富集。ARDS死亡组中，LysoPC和S1P水平明显降低，且这三种代谢物与ARDS严重程度显著相关，表明它们可能与ARDS非幸存者的死亡风险增加存在潜在关联。
图5 通过多组学分析比较已故的ARDS组与幸存的ARDS组
（4）用于ARDS预后早期预测的生物标志物面板
该研究通过LASSO、Boruta和DAP算法确定了36个候选生物标志物。在外部验证队列中，利用PRM靶向测定了31个蛋白质和174个肽段，最终保留了22个具有至少2个肽段的候选蛋白质。其中，8个蛋白质在发现队列和验证队列中均显示出显著性。在这8种蛋白中，有6种在已故患者中显著上调，具体为VCAM1、LDHB、MSN、FLG2、LMNA和LBP，另外两种蛋白TAGLN2和MBL2则在已故ARDS患者中持续下调。这8种蛋白被选为八蛋白组，用于早期识别高死亡风险的ARDS患者。
在发现队列中，研究首先比较了五个先进的机器学习分类器。Glm模型凭借其卓越的整体性能被选为最终分类器，其10倍交叉验证的ROC-AUC为0.893（95%CI：0.837–0.949），灵敏度达到0.920。相比之下，包含SOFA评分、P/F比和通过LASSO特征选择得到的PLT的临床风险模型的ROC-AUC为0.784（95%CI：0.703-0.866），灵敏度为0.885。当两个模型参数组合时，ROC-AUC为0.890（95%CI：0.834–0.946），灵敏度为0.931。蛋白质模型的表现显著优于临床风险模型（Delong检验，P<0.001），而两种模型的组合并未表现出优于单独蛋白质模型的统计优势（Delong检验，P=0.970）。在验证队列中，对Glm分类器进行验证的结果显示，蛋白质模型的ROC-AUC为0.802（95% CI：0.739–0.865），灵敏度为0.835。临床风险模型的ROC-AUC为0.738（95% CI：0.655–0.811），敏感性为0.788。两种模型组合后的ROC-AUC为0.844（95% CI：0.786–0.902）。蛋白质模型在验证队列中同样优于临床风险模型（Delong检验，P=0.008），且两种模型的组合优于单独的蛋白质模型（Delong检验，P=0.006）。
图6 ARDS的预后模型开发和验证
05
结论
本研究运用蛋白质组学和代谢组学分析手段，针对成年ARDS患者展开深入探究，旨在剖析与之相关的生物途径差异，进而揭示ARDS的分子景观。通过PRM靶向验证，精准锁定8种蛋白质，将其作为早期预测ARDS患者预后情况（死亡或存活）的候选蛋白标志物。利用五种机器学习方法构建预后模型，并在独立的外部队列中进行验证，充分展现这些标志物在临床预后应用中的潜在价值。
编者总结
本文运用多组学技术剖析ARDS的分子景观并开展预后研究，是一项多中心观察性研究，旨在挖掘血清预后生物标志物，构建预测模型，临床价值显著。
本研究涵盖蛋白质组学与代谢组学，基于两大队列进行了ARDS患者的早期预后研究。在发现队列中，通过ARDS组、疾病控制组及健康对照组两两比较，筛选出关键差异蛋白和代谢物。接着以ARDS患者28天存亡作为结局指标，采用LASSO、倍数变化分析和Boruta算法，并经验证队列验证，确定了8种ARDS的28天预后生物标志物，最终，运用贝叶斯、随机森林、广义线性模型、支持向量机和梯度提升机等机器学习方法，构建了ARDS不良预后的预测模型，为ARDS患者早期预后评估提供了新路径。
研究虽成果斐然，但也有一定的局限性。其一，虽锁定8种与ARDS预后不良相关的蛋白质，但其影响疾病结果的机制，特别是免疫和病理作用，仍待深挖。其二，ARDS的动态特征和生物标志物的时间变化需纵向多组学研究进一步探究，以完善疾病进展和干预时机的认知。其三，整合多组学数据面临协调与缺失值处理等方法学挑战，可能造成偏差，影响结果的稳健性。
以上就是今天分享的文章内容，如果您对疾病预后研究感兴趣的话，那么我们全新升级的预后二分类研究产品一定会为您带来惊喜！这款产品融合多种前沿机器学习算法，深度洞察关键预后生物标志物，精准挖掘与疾病预后紧密相连的临床变量。通过构建三大类预后预测模型，精准锁定最优方案，并进行分层分析，为疾病发展提供精准预测，为临床研究打开全新思路。我们的科研服务贯穿全程，从临床问题的提出，到样本分析、数据挖掘，直至论文撰写，每一步都给予您专业支持。赶快联系我们，开启您的科研之旅！
