Skip to content

Williams, Stephen A.; Ganz, Peter; Ostroff, Rachel et al. · 2022 · Sci. Transl. Med.

Metadata

Authors: Williams, Stephen A.; Ganz, Peter; Ostroff, Rachel; Coresh, Josef; Ballantyne, Christie M.

DOI: 10.1126/scitranslmed.abj9625

Tags: #causal-inference #cell-signaling

📄 Quick Note

摘要概述

本文基于 SomaScan 高通量蛋白质组学平台，在 9 项临床研究的 22,849 名受试者共 32,130 份血浆样本中测定约 5000 种蛋白质，利用机器学习构建了一个 27 蛋白质模型，预测 4 年内心肌梗死、卒中、心衰住院或全因死亡的复合终点。该模型在 11,609 人的独立验证队列中表现优于临床模型：AUC 0.73 vs 0.64，五分位最高/最低组事件比 6.7 vs 2.9，净重分类指数 +0.43，且加入临床变量后仅提升 0.01–0.02。27 个蛋白质涵盖至少 10 类生物学过程（如利钠肽、血管基质重塑、细胞免疫、脂质代谢等），其中 12 个与相关因果遗传性状关联。模型对多种已知改变心血管风险的因素（衰老、糖尿病、化疗、高血压、减重、exenatide 等）方向性一致地响应，有望成为心血管药物开发与个体化治疗的"通用"替代终点。

关键图表

  • Fig. 1（第 230 行）：展示整个研究的发现与验证框架——HUNT 与 ARIC visit 5 二级疾病亚组用于训练，BASEL VIII、CHART-2、EXSCEL、ACCORD、DiRECT、PRADA 等多队列用于独立验证，是理解本文多队列设计的核心。
  • Fig. 2（第 895 行）：蛋白质模型与临床模型在二级人群中的校准与分层动态范围对比，直观体现蛋白质模型在风险五分位上的判别优势。
  • Fig. 5（第 1172 行）：在 11 种已知升高心血管事件风险的条件下（衰老、糖尿病、癌症史、蒽环类化疗等），蛋白质预测风险与实际事件率方向性一致，是"机制敏感性"的关键证据。

与我的关联

该工作是蛋白质组学+机器学习用于心血管风险预测的标杆性研究，其多队列整合训练—验证设计与对因果遗传性状的交叉验证思路，对我自己整合多中心数据构建机制敏感的生物标志物模型有直接方法论参考价值。