点击本文中加粗蓝色字体即可一键直达新药情报库免费查阅文章里提到的药物、机构、靶点、适应症的最新研发进展。
在疾病诊断过程中，因缺乏客观生物标志物，许多疾病无法得到及时诊断。精准医学面临的主要挑战之一是开发出可用于临床的工具，能够识别高风险人群，从而促进早期诊断和治疗，改善患者的预后。
尽管心脏病和中风等疾病的风险预测工具已经被广泛应用，但对其他许多疾病的风险预测工具仍不够普及。不同疾病从首次出现症状到确诊通常需要数月甚至数年的时间。近年来，通过单一血浆蛋白进行检测已成为某些疾病的特定诊断手段，如心力衰竭的B型钠尿肽（BNP）、急性冠状动脉综合征的肌钙蛋白以及创伤性脑损伤的泛素C末端水解酶L1（UCH-L1）和胶质纤维酸性蛋白（GFAP）。而现代血浆蛋白质组学技术可捕捉数千种蛋白，进行无偏发现研究，这为加速解决此类问题提供了新的契机。血浆蛋白质组特征不仅可以反映健康行为和当前健康状态，还能够整合“静态”的遗传因素与“动态”的环境风险因素。
在2023年7月22日发表在《Nature Medicine》上的一项名为“Proteomic signatures improve risk prediction for common and rare diseases”的研究中，科学家们利用英国生物银行的Pharma Proteomics项目数据，整合了来自41,931名个体的约3,000种血浆蛋白测量数据及临床信息，建立了针对218种常见和罕见疾病的10年发病率预测模型。研究发现，仅包含5至20种蛋白质的模型在67种疾病中的预测性能优于仅使用基础临床信息的模型。对于52种疾病，如多发性骨髓瘤、非霍奇金淋巴瘤、运动神经元疾病、肺纤维化和扩张型心肌病，蛋白质模型的预测能力也明显优于结合临床检测数据和基础信息的模型。
特别是多发性骨髓瘤的单细胞RNA测序结果显示，在新诊断患者骨髓中，预测模型中的四种关键蛋白质特异性表达在浆细胞中，这与它们强大的预测能力是一致的。研究团队还通过EPIC-Norfolk研究的外部验证，确认了六种疾病的预测模型具有良好的泛化能力。这些结果表明，血浆蛋白质特征不仅能够提供早期诊断的可能性，还能够对多种疾病进行有效的临床预测。
为了获取这样的结果，研究人员采用了LASSO回归分析和正则化Cox模型，开发包含5至20种蛋白质的预测模型。该模型的性能通过1,000次自助法进行估算，并与仅使用基础临床信息和37项临床检测数据模型进行了比较。外部验证结果显示，蛋白质模型在67种疾病中的预测效果优于其他模型，尤其在多发性骨髓瘤、非霍奇金淋巴瘤、运动神经元疾病等52种疾病中表现出色。
研究指出，某些蛋白质在多个疾病中作为预测因子被选，则显示出其在疾病预测中的广泛适用性，如胃泌素不仅与消化系统疾病相关，也与其他多种疾病有关。此外，一些蛋白质仅在特定疾病中被选为预测因子，如TNFRSF17是多发性骨髓瘤的特异性预测因子。外部验证进一步证实，这些蛋白质预测模型在多种疾病中具有良好的预测能力，为早期诊断和干预提供了新的可能性。
总之，这项研究强调了血浆蛋白质组学在疾病风险预测中的重要性。通过识别高风险个体和促进早期干预，蛋白质模型展示了其在临床应用中的巨大潜力，有望成为疾病早期诊断和治疗的新工具。未来，随着技术进步和数据积累，蛋白质组学有望在精准医学领域发挥更大作用。
免责声明：新药情报内容编辑团队专注于介绍全球生物医药健康研究的最新进展，本文旨在提供信息交流，不代表任何立场或治疗方案推荐。如需专业医疗建议，请咨询正规医疗机构。
