- 前言 -
1. 心血管風險評估現(xiàn)狀
準確的心血管風險評估對于預防心血管疾病以及指導臨床治療至關重要。然而，臨床常用的心血管風險評估模型都是基于傳統(tǒng)風險因素建立，包括 Framingham 風險評分、系統(tǒng)性冠狀動脈風險評估（SCORE）和合并隊列方程（PCE），對于預測未來事件的準確性有限。盡管已經(jīng)在臨床風險評估中增加了 N 末端腦鈉肽前體（NT-proBNP)、超敏 C 反應蛋白（hs-CRP)和肌鈣蛋白 I(cTnI)的檢測，但是總體改善并不明顯。
2. 血液循環(huán)蛋白標志物
血液中循環(huán)蛋白主要由“分泌蛋白”（激素、細胞因子、趨化因子、脂肪因子和生長因子等）和“滲漏蛋白”（在細胞損傷期間通過“滲漏”進入血流，例如肌鈣蛋白）組成，其含量受先天遺傳與外源風險因素的共同調(diào)節(jié)，且蛋白質(zhì)是（直接或間接）幾乎所有藥物的靶點。蛋白質(zhì)的這種反映“先天”和“后天”的能力對于了解常見的復雜疾病并對其進行風險分層至關重要。
3. 策略：Olink+ 機器學習
心血管風險是合并癥與外源風險因素互作的結果，因此同時評估大量蛋白有望進一步完善風險評估。Olink 靶向蛋白組檢測平臺可針對特定方向（例如心血管、炎癥和代謝等）的 92/368 種相關蛋白質(zhì)進行精準、低成本、快速、大通量的檢測，與機器學習相配合能對臨床大型數(shù)據(jù)集更好的解釋，有助于生成優(yōu)化的風險模型。
?? 樣本類型：EPIC-Norfolk 和 PLIC 前瞻性隊列中 1524 名的嵌套病例對照血漿樣本
?? 檢測平臺：Olink Target 96 CV II、CV III、Cardiometabolic、Inflammation
- 結果展示 -
1. 臨床信息
2. 機器學習建模
研究人員通過 Olink 檢測 1524 例血漿樣本中 384 種心血管相關蛋白的表達，使用臨床指標校正后的檢測結果進行機器學習建模（XGBoost）。其中，80% EPIC-Norfolk 隊列作為訓練集，剩余 20% EPIC-Norfolk 隊列進行測試，PLIC 隊列作為驗證集：
3. 預測模型性能比較
在 EPIC-Norfolk 隊列（訓練 + 測試）中篩選到 50 個血漿蛋白質(zhì)組成的預測模型，3 年內(nèi)預測心肌梗塞的能力明顯優(yōu)于臨床風險模型（AUC 0.803 vs 0.732，p <0.01）；在 20 年隨訪期間，蛋白模型預測能力依然高于臨床風險模型（AUC 0.754 vs 0.730，p < 0.01）。EPIC-Norfolk 隊列中驗證發(fā)現(xiàn)，該模型預測動脈粥樣硬化的能力同樣顯著高于臨床風險模型（AUC 0.705 vs 0.609，p < 0.01）。
伯豪生物提供 Olink 超靈敏低豐度蛋白組檢測服務，覆蓋人心血管代謝類、炎癥類、神經(jīng)類、腫瘤類等多方向。有需要的老師記得聯(lián)系我們哦~
參考文獻：
[1] ?Hoogeveen RM, Pereira JPB, Nurmohamed NS, et al. Improved cardiovascular risk prediction using targeted plasma proteomics in primary prevention. Eur Heart J. 2020;41(41):3998-4007. doi:10.1093/eurheartj/ehaa648
[2] ?Peter Ganz, Rajat Deo, Ruth F Dubin, Proteomics for personalized cardiovascular risk assessment: in pursuit of the Holy Grail, European Heart Journal, Volume 41, Issue 41, 1 November 2020, Pages 4008–4010, https://doi.org/10.1093/eurheartj/ehaa661
