- 前言 -
1. 心血管风险评估现状
准确的心血管风险评估对于预防心血管疾病以及指导临床治疗至关重要。然而，临床常用的心血管风险评估模型都是基于传统风险因素建立，包括 Framingham 风险评分、系统性冠状动脉风险评估（SCORE）和合并队列方程（PCE），对于预测未来事件的准确性有限。尽管已经在临床风险评估中增加了 N 末端脑钠肽前体（NT-proBNP)、超敏 C 反应蛋白（hs-CRP)和肌钙蛋白 I(cTnI)的检测，但是总体改善并不明显。
2. 血液循环蛋白标志物
血液中循环蛋白主要由“分泌蛋白”（激素、细胞因子、趋化因子、脂肪因子和生长因子等）和“渗漏蛋白”（在细胞损伤期间通过“渗漏”进入血流，例如肌钙蛋白）组成，其含量受先天遗传与外源风险因素的共同调节，且蛋白质是（直接或间接）几乎所有药物的靶点。蛋白质的这种反映“先天”和“后天”的能力对于了解常见的复杂疾病并对其进行风险分层至关重要。
3. 策略：Olink+ 机器学习
心血管风险是合并症与外源风险因素互作的结果，因此同时评估大量蛋白有望进一步完善风险评估。Olink 靶向蛋白组检测平台可针对特定方向（例如心血管、炎症和代谢等）的 92/368 种相关蛋白质进行精准、低成本、快速、大通量的检测，与机器学习相配合能对临床大型数据集更好的解释，有助于生成优化的风险模型。
➡ 样本类型：EPIC-Norfolk 和 PLIC 前瞻性队列中 1524 名的嵌套病例对照血浆样本
➡ 检测平台：Olink Target 96 CV II、CV III、Cardiometabolic、Inflammation
- 结果展示 -
1. 临床信息
2. 机器学习建模
研究人员通过 Olink 检测 1524 例血浆样本中 384 种心血管相关蛋白的表达，使用临床指标校正后的检测结果进行机器学习建模（XGBoost）。其中，80% EPIC-Norfolk 队列作为训练集，剩余 20% EPIC-Norfolk 队列进行测试，PLIC 队列作为验证集：
3. 预测模型性能比较
在 EPIC-Norfolk 队列（训练 + 测试）中筛选到 50 个血浆蛋白质组成的预测模型，3 年内预测心肌梗塞的能力明显优于临床风险模型（AUC 0.803 vs 0.732，p <0.01）；在 20 年随访期间，蛋白模型预测能力依然高于临床风险模型（AUC 0.754 vs 0.730，p < 0.01）。EPIC-Norfolk 队列中验证发现，该模型预测动脉粥样硬化的能力同样显著高于临床风险模型（AUC 0.705 vs 0.609，p < 0.01）。
伯豪生物提供 Olink 超灵敏低丰度蛋白组检测服务，覆盖人心血管代谢类、炎症类、神经类、肿瘤类等多方向。有需要的老师记得联系我们哦~
参考文献：
[1] Hoogeveen RM, Pereira JPB, Nurmohamed NS, et al. Improved cardiovascular risk prediction using targeted plasma proteomics in primary prevention. Eur Heart J. 2020;41(41):3998-4007. doi:10.1093/eurheartj/ehaa648
[2] Peter Ganz, Rajat Deo, Ruth F Dubin, Proteomics for personalized cardiovascular risk assessment: in pursuit of the Holy Grail, European Heart Journal, Volume 41, Issue 41, 1 November 2020, Pages 4008–4010, https://doi.org/10.1093/eurheartj/ehaa661
