您好，欢迎來(lai)到青莲百奥!
動脉(mai)粥樣硬化性心血(xue)管疾病（Atherosclerotic cardiovascular diseases, ACVD）是全球高死亡(wang)率(lv)的主要原因之一。其源於動脉(mai)壁中脂質和纖維物質的积累(lei)，促動脉(mai)粥樣化的脂質顆粒被(bei)氧化和聚集，並促(cu)進炎症反應、内皮损伤、血(xue)管纖維(wei)化，最終形成所谓的動脉(mai)粥樣硬化斑块（atherosclerotic plaques, AP）。晚期動脉粥樣硬化的不稳定斑块破裂會引(yin)发血栓(shuan)事件，导致心肌梗死或中(zhong)風。及早识別與動脉粥樣硬化進展相關(guan)的標志物是主要研(yan)究重點，有助(zhu)於理解AP形成的分子機製，並可用於预測斑块(kuai)破裂和嚴重致命事件的風险。
2026年4月10日，西班牙加的(de)斯大學研究團隊(dui)在Mol Biomed（IF 10.1）上发表(biao)了題(ti)為“Machine learning integrated clinical-proteomics data identifies a 6-protein panel signature for atherosclerotic severity and enhanced patient stratification”的研究(jiu)论文。研究通(tong)過血液蛋白質組檢測並采用了五種機器學習(xi)分(fen)類算法（machine learning classification algorithms, MLCA），構建了可高效识(shi)別動脉粥樣硬化患者的個(ge)6蛋白標(biao)志物panel。此(ci)外，結(jie)合臨床-蛋白質組學機器學(xue)習的方法提供了更準確的患者分層(ceng)。
研究結果
動脉粥樣(yang)硬化患者表現出(chu)差异性蛋白質組谱
通過對照組（CTRL, n=42）、血脂异常患者（DLP, n=45）和颈動(dong)脉粥樣硬化(hua)性狭窄（AT, n=40）患者的血清(qing)樣本進行蛋白質(zhi)組分析，證實AT血清蛋白質(zhi)組谱(pu)與DLP和CTRL組不同，而后兩者(zhe)几乎难以區分。此(ci)外，根據以血浆蛋白質組為背(bei)景数據库的功能富集(ji)分析，鉴定出的(de)差异蛋(dan)白主要參與血(xue)液凝固、脂質運輸(shu)/代谢和免疫反應，其中許多與ACVD密切相關。
圖1. 蛋白質(zhi)組學顯示AT患者蛋白谱(pu)差异
機器學習將(jiang)臨床数據和蛋白(bai)質組数據整合，提升预(yu)測(ce)性能和特征選擇
研究應用了五種不同的MLCA：Naive Bayes（NB）、Linear SVM（LSVM）、Random Forest（RF）、Extra Trees Classifier（ETC）、AdaBoost（AB），用以評估发現隊列中的個體或綜合蛋白質組(zu)學和臨床数據。單(dan)独區分获得13個臨床特征以及(ji)39個蛋白，整合后精(jing)煉為16個特(te)征panel：ApoAI, ApoB, LDL/ApoB比值, RDW%，蛋白質：ACTB, COR1A, FIBA, FIBB, FIBG, GPV, MMP9, PCOC1, PLF4, B2M, TSP1。
圖2. 機器學(xue)習訓練流程與功(gong)能選擇
動脉粥樣硬化(hua)生物(wu)標志物的鉴定
随(sui)后，鉴於臨床-蛋(dan)白質組學的結(jie)合，16個特(te)征panel被進(jin)一步筛選，以提供精細化的動脉粥樣硬化血(xue)清標志物。最終保留了6蛋白panel：MMP9、B2M、GPV、PLF4、TSP1和FIB，其AUC-ROC > 0.97，與全16特征panel性能相(xiang)当。其(qi)中AT患(huan)者的炎症蛋白B2M和纖維蛋白原顯著上(shang)調(diao)，而GPV、MMP9、PLF4和TSP1均下調。並且这些蛋白質(zhi)之間觀察到強烈的相關(guan)性，尤其是在AT組内(nei)趨勢更加顯著。
圖3. MLCA重點關注的蛋白質
上述panel中的蛋(dan)白質在同一发現隊列(lie)中得到驗證，同(tong)時還在独立的外部隊列(lie)中接受了測試，这(zhe)些蛋白表達與发現隊列中呈現出相(xiang)同的趨勢。这些結果表明，无论是独立(li)使用還是與檢測的脂質特征整(zheng)合使用，6蛋白panel在(zai)识別重度AT患者方面均具備较高的鉴別力(li)。因此，这些(xie)发(fa)現支持了6蛋白panel作為動脉粥樣硬化嚴重度分層血清生物(wu)標志物的潜力。
圖4.6蛋白生(sheng)物標志物panel的外部(bu)驗(yan)證
臨床-蛋白質組學的綜合(he)方(fang)法優化了患者分層
在確認MLCA模型的有效性后，文(wen)章進一步評估了它(ta)們在各研究組中的分層能力，並和AT患者的多普(pu)勒超聲結(jie)果。研究发現，綜合臨床(chuang)-蛋白(bai)質組學方法提供(gong)了最準確的分層，優於(yu)單個数據集的分析，強調了蛋白質(zhi)組學對標準臨床数據的(de)加价价值，有助於患者(zhe)進(jin)行最佳分層。並且基於臨床和蛋白(bai)質組學数據的最終分層結(jie)果（MLCA后）顯示出近97%與(yu)多普勒成像后分類結果(guo)的一致性，表明(ming)綜合方法可以作為有效的初步筛查工具，可能會减少普遍影像學的需(xu)求。
圖5. 基於臨床、蛋白質組學或整(zheng)合分析的患者分層示意圖
文章結论
本(ben)研究采用(yong)五種MLCA方法，結(jie)合了CTRL、DLP患者(zhe)及AT患者的臨床和蛋白質組學数據，提供了患者状態的完整分(fen)子圖谱，並比單靠臨床參数更準確地進行患者分層(ceng)。研究发現了一個高效的6蛋白panel（B2M、GPV、MMP9、PLF4、TSP1和FB异構體），所(suo)有應用算法的ROC-AUC>值(zhi)均為0.9，可高(gao)度區分(fen)的AT患者。这些蛋白的水(shui)平在包括急性動脉粥樣血栓(shuan)性中風患者的独立外部隊列中進一步驗證，證實(shi)该(gai)panel作為(wei)動脉粥樣硬化嚴重(zhong)程度生物標志物的潜力。此(ci)外，結(jie)合臨床-蛋白(bai)質組學機器學習的方法比單用臨床或(huo)蛋白質組分析提供了更準確的患者分層。从機製角度看，已识別的生物標(biao)志物(wu)強調了血小板活化、失控血管生成和斑(ban)块内出血在動脉粥樣硬化過(guo)程中的重要性，強調了多途径治疗以(yi)防止不良血栓事(shi)件的必要性。
參考文献
Extremera-García MJ, Rojas-Torres M, Priego-Torres B, Beltrán-Camacho L, Eslava-Alcón S, Rodríguez-Martín F, Benítez- Camacho J, Ballesteros-Ribelles A, Del Val AM, Olsen J, Lozano-Loaiza E, González-García MÁ, Sanchez-Morillo D, Fernández-Vega A, Montaner J, Doiz E, Rodriguez-Piñero M, Durán-Ruiz MC. Machine learning integrated clinical-proteomics data identifies a 6-protein panel signature for atherosclerotic severity and enhanced patient stratification. Mol Biomed. 2026 Apr 10;7(1):49.
青(qing)莲百奥體液蛋白質(zhi)組解決方案
