蛋白生物标志物新进展！JACC: 基于蛋白质组学的深度学习机器算法预测死亡

个性化风险预测是提供个性化医疗的先决条件。德国莱比锡大学心脏中心的PhilippLurzMD, PhD带领的研究团队，基于LIFE-Heart 研究中心血管危险因素患者队列的蛋白质组学，利用机器学习 (ML) 算法与经典和临床风险预测方法对入组人群的全因死亡率进行了比较，随后在 PLIC (Progressione della Lesione Intimale Carotidea) 研究中得到验证，相关研究以Proteomics-enabled deep learning machine algorithms can enhance prediction of mortality为题发表在JACC杂志上（IF 24.094）。

LIFE-Heart队列（推导）的 1,998 名个体和来自 PLIC 队列（外部验证）的 772 名受试者的队列中测量了 92 种蛋白质，我们使用 eXtreme Gradient Boosting (XGBoost) 和神经网络构建了基于蛋白质的死亡率预测模型，将预测性能与经典临床风险评分（系统性冠状动脉风险评估，Framingham）、逻辑和 Cox 回归模型进行比较。

在中位随访时间分别为 10 年和 11 年的内部验证队列中156 名 (8%) 患者和外部验证队列中的 68 名 (9%) 患者发生了全因死亡率。

传统风险预测算法：在内部和外部验证中，Framingham 风险评分的曲线下面积 (AUC) 为 0.64（95% CI：0.59-0.68）和 0.65（95% CI：0.58-0.74）；逻辑回归 AUC 为 0.65（95% CI） : 0.57-0.73) 和 0.67 (95% CI: 0.59-0.74)；Cox 回归 AUC 为 0.55 (95% CI: 0.51-0.59) 和 0.65 (95% CI: 0.57-0.73)。

基于机器学习的预测算法：XGBoost分类器的 AUC为0.83 （95% CI: 0.79-0.87) 和 0.91 (95% CI: 0.86-0.95)，XGBoost 生存估计 AUC 为 0.83 (95% CI: 0.79-0.87) 和 0.93 (95% CI: 0.88，-0.93)，神经网络 AUC 分别为 0.87（95% CI：0.83-0.91）和 0.94（95% CI：0.90-0.98）。可见机器学习比经典回归模型预测的准确率更高。

ML 驱动的多蛋白风险模型在预测心血管风险增加的患者的全因死亡率方面优于经典回归模型和临床评分。

针对大队列样本检测，吉凯基因借助新一代的timsTOF Pro开发了快速检测方法，现阶段送样，可享受1999元/样活动特价，感兴趣的老师同我们联系吧。