一项纵向队列研究发现预测类风湿关节炎临床发病和治疗应答的血浆蛋白生物标志物

A longitudinal cohort study uncovers plasma protein biomarkers predating clinical onset and treatment response of rheumatoid arthritis.

作者信息Siyu He, Chenxi Zhu, Yi Liu, Zhiqiang Xu, Rui Sun, Bin Yang, Xin Guo, Martin Herrmann I, Luis E Muñoz, Inger Gjertsson, Rikard Holmdahl, Lunzhi Dai, Yi Zhao
PMID40691443
发布时间2025-07-21
DOI10.1038/s41467-025-62032-1

实验完整度

包含纵向队列血浆蛋白质组学、功能通路富集、DE-SWAN非线性分析、机器学习建模预测治疗应答及独立队列ELISA验证等多层级验证。

主要模型

血浆样本(来自健康对照、风险个体、RA患者) ACPA阳性RA患者 ACPA阴性RA患者 风险个体(转化为RA者与非转化者)

重点核对

MTX+LEF治疗应答预测模型使用蛋白特征:CBR1、LGALS3BP、MYH9、COL1A1、ECI2 MTX+HCQ治疗应答预测模型使用蛋白特征:GGT1、RPL27A LASSO模型测试集平均ROC:MTX+LEF为0.88,MTX+HCQ为0.82 独立队列ELISA验证:MTX+LEF组ROC为0.90,MTX+HCQ组为0.86 DE-SWAN分析识别DAS28-CRP峰值:3.1、3.8、5.0

摘要

类风湿关节炎(RA)是一种系统性炎症性疾病,在识别其发病、严重程度和治疗应答的生物标志物方面存在挑战。在此,我们研究了一个包含278名RA患者、60名风险个体和99名健康对照的纵向队列中的血浆蛋白质组。我们观察到风险个体和RA患者中不同的蛋白质组特征,蛋白质水平的变化与疾病活动度相关,特别是在DAS28-CRP阈值3.1、3.8和5.0处。甲氨蝶呤(MTX)联合来氟米特(LEF)调节促炎通路,而MTX联合羟氯喹(HCQ)影响能量代谢。我们训练了一个用于预测应答的机器学习模型,在测试集中实现了平均受试者工作特征(ROC)分数0.88(MTX+LEF)和0.82(MTX+HCQ)。这些模型的效率在独立队列中使用酶联免疫吸附试验数据得到了进一步验证。总的来说,我们的研究揭示了RA不同阶段和亚型中不同的血浆蛋白质组特征,为预测疾病发病和治疗应答提供了有价值的生物标志物。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
血浆蛋白质组特征是否与类风湿关节炎的发病风险、疾病活动度以及不同csDMARDs联合治疗的反应相关,并可用于预测疾病发生和治疗应答。
核心机制
研究表明,RA患者和风险个体中与中性粒细胞脱颗粒、急性期反应、补体激活等免疫和炎症通路相关的蛋白上调,而涉及代谢调节、氧化还原过程的蛋白下调。此外,MTX+LEF治疗调节促炎通路,MTX+HCQ影响能量代谢。
主要证据
基于TMT质谱对278例RA患者、60例风险个体和99例健康对照的血浆蛋白质组分析,发现疾病相关差异蛋白;通过DE-SWAN识别DAS28-CRP关键峰值;通过LASSO回归构建的机器学习模型在训练和测试集中显示出较高的预测性能(平均ROC 0.88和0.82),并在独立队列中通过ELISA验证(ROC 0.90和0.86)。
研究意义
研究揭示了RA不同阶段和亚型中独特的血浆蛋白特征,为预测疾病发作和治疗反应提供了有价值的生物标志物,可能有助于制定个性化治疗策略。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

血浆蛋白质组特征分析

比较高危个体、ACPA阳性/阴性RA患者与健康对照之间的血浆蛋白质组差异。

对来自健康对照、风险个体、RA患者的血浆样本进行TMT标记定量蛋白质组学分析,通过层次聚类和差异表达分析,识别各组的差异蛋白和富集通路。

2

疾病活动度相关蛋白分析

识别与DAS28-CRP线性及非线性相关的血浆蛋白,探索疾病活动度相关的蛋白动态变化。

通过多元线性回归(校正年龄性别)分析蛋白与DAS28-CRP及其组分(VAS、SJC、TJC、CRP)的相关性;使用DE-SWAN方法识别DAS28-CRP动态变化中的局部峰值。

3

治疗应答相关蛋白差异分析

比较MTX+LEF和MTX+HCQ治疗响应者与非响应者之间的蛋白质组差异。

根据随访数据,将患者分为应答者与非应答者,进行差异蛋白分析,并比较不同治疗组合的蛋白表达谱。

4

机器学习模型构建与预测

利用差异蛋白构建预测MTX+LEF和MTX+HCQ治疗应答的机器学习模型,并进行验证。

使用LASSO回归进行特征选择,构建线性回归模型,通过交叉验证和ROC曲线评估性能,并在独立队列中使用ELISA数据进行验证。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
胰蛋白酶PromegaV5117
三乙基碳酸氢铵Sigma-AldrichT7408
三(2-羧乙基)膦Sigma-AldrichC4706
C18固相萃取柱TECAN417-0101R
串联质谱标签试剂Thermo Scientific90066
Q Exactive HF质谱仪Thermo Fisher Scientific--
EASY-nLC 1200纳升液相色谱系统Thermo Fisher Scientific--
Spursil C18捕集柱DIKMA85251
ReproSil-Pur C18-AQ毛细管柱Dr. Maischr119.aq.0001
COL1A1 ELISA试剂盒SolarbioSEKH-0401
MYH9 ELISA试剂盒Signalway AntibodyEK15634
ECI2 ELISA试剂盒EIAabE16269h
LGALS3BP ELISA试剂盒Boster Biological TechnologyEK1240
CBR1 ELISA试剂盒COIBO BIOCB16353-Hu
GGT1 ELISA试剂盒Signalway AntibodyEK14228
RPL27A ELISA试剂盒EIAabE5486h
Elecsys抗CCP检测试剂盒Roche Diagnostics--
Cobas e 801模块Roche Diagnostics--

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
血浆蛋白质组学
队列样本构成(278例RA、60例风险个体、99例健康对照),ACPA状态分组,DAS28-CRP范围
阅读提示:Methods: Study design and ethics approval
TMT标记质谱
TMT标签使用(TMT-126为内参,TMT-129或TMT-131标记样本),LC-MS/MS参数(梯度、分辨率、AGC)
阅读提示:Methods: TMT labeling, LC-MS/MS analysis
疾病活动度分析
DAS28-CRP阈值(3.1、3.8、5.0)及DE-SWAN参数(窗口20个样本,步长0.1)
阅读提示:Results: Decipher nonlinear proteomic fluctuations across DAS28-CRP; Methods: DE-SWAN
治疗应答预测模型
MTX+LEF组(n=89)和MTX+HCQ组(n=64)的应答者与非应答者定义,LASSO特征选择蛋白(CBR1、LGALS3BP、MYH9、COL1A1、ECI2;GGT1、RPL27A),模型交叉验证参数
阅读提示:Results: Proteomic signatures for predicting treatment response via machine learning; Methods: Machine learning for treatment response
ELISA验证
独立队列规模(MTX+LEF,n=19;MTX+HCQ,n=46),ELISA测量蛋白(COL1A1、MYH9、ECI2、LGALS3BP、CBR1;GGT1、RPL27A)
阅读提示:Results: Proteomic signatures for predicting treatment response via machine learning; Methods: Enzyme-linked immunosorbent assays