期刊：Eur Heart J.（IF：35.855）
技术：Olink
导语
目前的风险评分不能准确识别复发性动脉粥样硬化性心血管疾病（ASCVD）风险最高的患者，需要更强化的预测方法。用机器学习技术分析高通量血浆蛋白质组学的进展，可能为进一步改善这些患者的风险分层提供新的机会。
研究样本
Olink靶向蛋白组学
实验设计
结语
在预测ASCVD复发事件方面，50个蛋白质的小组优于临床风险模型。在推导和验证队列中，蛋白质组学模型在区分方面表现更好，并提供显著的NRI，而校准与临床风险模型相比具有可比性。此外，在低CRP患者亚群中发现了中性粒细胞相关通路的参与，表明炎性ASCVD的残留风险超出了传统的NLRP3通路。此外，在常规临床实施之前，大型前瞻性研究必须确认基于蛋白质组的风险评分在二级预防中的价值。
研究结果
1. 蛋白质组学风险模型的鉴别价值
在衍生队列中，使用蛋白质模型预测ASCVD复发事件的ROC AUC为0.810（图1）。蛋白质及其相对重要性如图2所示。相比之下，临床风险模型的ROC AUC为0.750。两种模型的组合导致ROC AUC为0.824。蛋白质模型的表现明显优于临床风险模型，而两种模型的组合仅略优于单独的蛋白质模型。
在对所有模型进行重新校准后，在验证队列中检验鉴别值。使用蛋白质模型预测ASCVD复发事件的验证，结果显示，ROC AUC为0.801。相比之下，临床风险模型的ROC AUC为0.765。两种模型的组合导致ROC AUC为0.792。在验证队列中，蛋白质模型也优于临床风险模型，而两种模型的组合并不优于单独的蛋白质模型。
Table 1. 病人特性
Fig 1.推导和验证队列的鉴别值
Table 2. 性能度量
Fig 2. 蛋白质模型的重要性图
2. 蛋白质组学风险模型的校准和重新分类
衍生队列和验证队列（重新校准后）的蛋白质组学、临床和组合模型的校准图如图3所示。虽然在风险最高的类别中，风险被略微低估了，但这六个模型都得到了很好的校准。通过比较蛋白质模型和临床风险模型来计算净重分类改善指数（NRI）和综合判别指数（IDI）。在衍生队列中，NRI为0.152，IDI为0.098，而在验证队列中，NRI为0.173，IDI为0.085（95% CI 0.068-0.101）。
Fig 3. 在推导和验证队列中进行校准
3. 高和低C反应蛋白亚群的预测价值
高、低C反应蛋白（CRP）组的网络通路分析，高CRP组显示了IL-6的核心作用，这在低CRP蛋白模型中不存在。相反，在低CRP组的前10个预测蛋白中，发现了四种不同的炎症蛋白，它们既不在初始模型中，也不在高CRP组中(表3)。
Table 3. 在整体，高，低C反应蛋白组中最重要的蛋白质
参考文献：
Nurmohamed NS, Belo Pereira JP, Hoogeveen RM, Kroon J, Kraaijenhof JM, Waissi F, Timmerman N, Bom MJ, Hoefer IE, Knaapen P, Catapano AL, Koenig W, de Kleijn D, Visseren FLJ, Levin E, Stroes ESG. Targeted proteomics improves cardiovascular risk prediction in secondary prevention. Eur Heart J. 2022 Apr 19;43(16):1569-1577. doi: 10.1093/eurheartj/ehac055IF: 35.855 Q1 . PMID: 35139537IF: 35.855 Q1 ; PMCID: PMC9020984IF: 35.855 Q1 .