一种基于炎症蛋白组特征并融合临床与遗传信息的冠心病风险预测模型构建方法及应用
本发明属于流行病学、生物医学数据处理、生物标志物检测、生物信息学分析和计算机辅助健康风险评估领域,更具体地,涉及一种基于炎症蛋白组特征并融合临床与遗传信息的冠心病风险预测模型构建方法及应用,得到的基于冠心病相关炎症蛋白特征评分(proteomic inflammatory signature,pis),能够与已发表临床风险模型及可选多基因风险评分(polygenic score,pgs)相融合,从而形成冠心病一级预防风险评估方法。
背景技术:
1、冠心病是全球范围内导致死亡和疾病负担的重要心血管疾病之一。尽管近年来冠心病的预防、筛查和治疗手段不断进步,但其发病率、致残率和死亡率仍然居高不下,给个人和公共卫生健康带来沉重负担。因此,在尚未发生冠心病事件的人群中开展一级预防风险评估,提前识别冠心病高风险个体并进行风险分层,对于制定个体化预防策略、优化医疗资源配置和降低疾病负担具有重要意义。
2、现有心血管疾病风险评估通常采用欧洲系统冠状动脉风险评估2(systematiccoronaryriskevaluation 2, score2)、framingham风险评分、汇总队列方程(pooledcohortequations, pce)、心血管疾病事件风险预测方程(predictingriskofcardiovasculardiseaseevents, prevent) 以及第三版 qresearch 心血管风险预测模型(qresearchriskestimatorversion 3,qrisk3)等已发表传统临床模型。这些已发表传统临床模型通常基于年龄、性别、血压、血脂水平、吸烟状态、糖尿病、体重指数、用药情况及既往疾病史等心血管疾病危险因素构建,能够在一定程度上评估个体未来发生心血管疾病的风险。然而,传统临床预测模型主要反映人口学特征、代谢危险因素和生活方式等相关信息,但是难以充分捕捉个体在基因组层面的内在风险。随着基因组学的发展,多基因风险评分(pgs)正被广泛用于冠心病风险分层,以反映个体遗传易感性。但其所代表的先天风险信息相对固定,难以反映个体当前的炎症状态和亚临床病理过程。部分中低风险但处于炎症激活状态的人群可能难以被充分识别,从而影响冠心病一级预防中的精准风险分层。
3、炎症反应在冠心病发生发展过程中发挥重要作用,贯穿血管内皮功能障碍、动脉粥样硬化斑块形成、斑块进展以及血栓事件发生等多个阶段。冠心病相关的炎症过程并非由单一炎症因子驱动的,而是涉及细胞因子、趋化因子、补体系统、免疫细胞活化和内皮功能异常等多层次、多通路的复杂炎症网络。因此,临床因素和遗传风险、或单一炎症指标如c反应蛋白,难以直接、系统地反映个体当前的多维炎症状态,也难以满足冠心病风险精准评估的需求。
4、现有技术仍缺乏一种能够在不破坏成熟临床风险模型设置的前提下,将冠心病相关炎症蛋白组学特征作为可固定的增量分子特征嵌入不同临床风险框架,并进一步与遗传风险评分联合使用的冠心病风险评估手段。
5、因此,现有的技术存在以下不足:(1)缺乏反映冠心病复杂炎症网络、且具有人体炎症状态客观依据的炎症蛋白组合。(2)缺乏将已有临床模型、遗传风险评分、炎症分子状态进行分层融合的预测模型技术,从而多维度地评估个体的冠心病风险。
技术实现思路
1、针对现有技术中单一炎症指标对冠心病相关复杂炎症网络的表征维度有限、既有临床预测模型通常未直接纳入对多维炎症信息、且pgs难以反映后天多维炎症状态的技术局限,本发明的目的在于提供一种基于炎症蛋白组特征并融合临床与遗传信息的冠心病风险预测模型构建方法及应用,通过筛选与冠心病风险密切相关的炎症蛋白组合,得到了冠心病相关的61种炎症蛋白标志物。基于本发明还可基于这61种炎症蛋白标志物构成炎症蛋白特征评分pis(pis可进一步与临床风险模型和pgs融合),从而实现对评估对象未来冠心病事件风险的辅助评估和风险分层。
2、为实现上述目的,按照本发明的第一方面,提供了检测蛋白质标志物组合的试剂在制备预测冠心病发病风险试剂盒中的应用,所述蛋白质标志物组合同时包括与冠心病发病风险呈正相关的c-x-c基序趋化因子17(cxcl17)、胎盘生长因子(pgf)、胃蛋白酶原a4(pga4)、c-c基序趋化因子11(ccl11)、吸引素(atrn)、肿瘤坏死因子受体超家族成员11b(tnfrsf11b)、wnt家族成员9a(wnt9a)、丝氨酸蛋白酶8(prss8)、sparc相关模块化钙结合蛋白2(smoc2)、黏附型g蛋白偶联受体d1(adgrd1)、胃动素(mln)、补体因子d(cfd)、胶原凝集素家族成员12(colec12)、c-c基序趋化因子17(ccl17)、血管内皮生长因子a(vegfa)、富含半胱氨酸跨膜bmp调节因子1(crim1)、肿瘤坏死因子受体超家族成员4(tnfrsf4)、平滑肌调蛋白-1(lmod1)、髓系细胞触发受体2(trem2)、补体成分7(c7)、钙调蛋白2(clstn2)、核糖核酸酶1(rnase1)、白细胞介素6(il6)、醛脱氢酶3家族成员a1(aldh3a1)、c-x-c基序趋化因子10(cxcl10)、bcl2/腺病毒e1b 19kda相互作用蛋白3样蛋白(bnip3l)、富含半胱氨酸egf样结构域蛋白1(creld1)、c型甘露糖受体1(mrc1)、肿瘤坏死因子(tnf)、促肾上腺皮质激素释放激素结合蛋白(crhbp)、血管生成素样蛋白4(angptl4)、半乳糖凝集素4(lgals4)、含血小板反应蛋白基序的解整合素金属蛋白酶4(adamts4)、红细胞膜相关蛋白(ermap),以及与冠心病发病风险呈负相关的外核苷酸焦磷酸酶/磷酸二酯酶5(enpp5)、isthmin-1蛋白(ism1)、音猬因子(shh)、粒细胞集落刺激因子(csf3)、cd5抗原样蛋白(cd5l)、整合素α11(itga11)、细胞外基质金属蛋白酶诱导因子(bsg)、丝氨酸蛋白酶抑制剂a3(serpina3)、肝素辅因子ii(serpind1)、cd48抗原(cd48)、妊娠区带蛋白(pzp)、细胞骨架相关蛋白4(ckap4)、富含egf样结构域半胱氨酸蛋白2(creld2)、roundabout导向受体1(robo1)、ment蛋白(ment)、赖氨酸去甲基化酶3a(kdm3a)、刺鼠相关蛋白(agrp)、paxx蛋白(paxx)、基质蛋白2(matn2)、t细胞抗原cd7(cd7)、对氧磷酶3(pon3)、对氧磷酶1(pon1)、富含亮氨酸重复神经元蛋白1(lrrn1)、c-型凝集素域家族3成员b(clec3b)、ras相关蛋白rab-6a(rab6a)、层粘连蛋白α4链(lama4)、slit和ntrk样蛋白1(slitrk1)。
3、按照本发明的第二方面,本发明提供了一种基于炎症蛋白标志物的用于预测冠心病发病风险的预测模型的构建方法,包括以下步骤:
4、s1. 准备数据集,所述数据集针对基线时未患心血管疾病的群体,包括每位受试者个体基线时通过检测获得的61种特定炎症蛋白标志物的标准化蛋白表达值、随访期间的冠心病发生状态及相应随访时间;
5、s2. 在数据集中,以随访期间的冠心病发生状态及相应随访时间作为结局信息,根据所述61种特定炎症蛋白标志物的标准化蛋白表达值,得到用于表征受试者冠心病相关炎症状态的炎症蛋白特征评分(pis),并基于所述炎症蛋白特征评分构建冠心病发病风险预测模型;
6、其中,所述61种特定炎症蛋白标志物同时包括pgf、cxcl17、pga4、prss8、rnase1、slitrk1、trem2、lgals4、mln、pon3、colec12、rab6a、crhbp、smoc2、ment、pzp、atrn、creld1、c7、ccl11、ccl17、cfd、itga11、il6、ermap、tnfrsf4、pon1、adgrd1、lmod1、cd48、lama4、angptl4、tnfrsf11b、cd7、robo1、bsg、bnip3l、cxcl10、crim1、agrp、cd5l、serpina3、aldh3a1、vegfa、lrrn1、ism1、csf3、mrc1、wnt9a、paxx、shh、clec3b、serpind1、ckap4、creld2、adamts4、kdm3a、clstn2、enpp5、matn2、tnf。
7、作为本发明的进一步优选,与所述数据集中第i位受试者相对应的炎症蛋白特征评分是以标准化后的炎症蛋白特征评分(pis)形式给出的;
8、与所述数据集中第i位受试者相对应的原始炎症蛋白特征评分的计算公式如下:
9、
10、其中,为与该受试者相对应的、第k种特定炎症蛋白标志物的标准化蛋白表达值;为第k种特定炎症蛋白标志物的预设权重系数;其中,对于cxcl17、pgf、pga4、ccl11、atrn、tnfrsf11b、wnt9a、prss8、smoc2、adgrd1、mln、cfd、colec12、ccl17、vegfa、crim1、tnfrsf4、lmod1、trem2、c7、clstn2、rnase1、il6、aldh3a1、cxcl10、bnip3l、creld1、mrc1、tnf、crhbp、angptl4、lgals4、adamts4、ermap,取正值;对于enpp5、ism1、shh、csf3、cd5l、itga11、bsg、serpina3、serpind1、cd48、pzp、ckap4、creld2、robo1、ment、kdm3a、agrp、paxx、matn2、cd7、pon3、pon1、lrrn1、clec3b、rab6a、lama4、slitrk1,取负值;
11、所述标准化后的炎症蛋白特征评分(pis)满足:
12、
13、其中,和为所述数据集中全部受试者的原始炎症蛋白特征评分的均值与标准差;
14、优选的,取值如下:
15、
16、
17、步骤s1中,心血管疾病包括冠心病、房颤、心衰和中风。
18、作为本发明的进一步优选,所述数据集还包括群体中的每位受试者个体在获取检测61种特定炎症蛋白标志物所用生物样本时的临床变量数据;
19、相应的,步骤s2还包括根据所述临床变量数据得到预设临床风险模型对应的临床风险评分,并将所述临床风险评分和所述炎症蛋白特征评分(pis)共同用于构建冠心病发病风险预测模型;
20、所述预设临床风险模型选自score2、framingham、prevent、pce和qrisk3中的一种;
21、优选的,所述临床变量同时包括年龄、性别、血压、血脂水平、吸烟状态、糖尿病、体重指数、用药情况及既往疾病史。
22、作为本发明的进一步优选,所述数据集还包括每位受试者的多基因风险评分(pgs);
23、相应的,步骤s2还包括将所述临床风险评分、所述炎症蛋白特征评分(pis)和所述多基因风险评分(pgs)共同用于构建冠心病发病风险预测模型;
24、优选的,所述多基因风险评分(pgs)的具体种类为pgs003356或pgs003726,不同种类的多基因风险评分(pgs)不同时纳入同一冠心病发病风险预测模型。
25、按照本发明的第三方面,本发明提供了通过上述构建方法构建得到基于炎症蛋白标志物的用于预测冠心病发病风险的预测模型的使用方法,该使用方法全部步骤由计算机实施,包括以下步骤:
26、(1)接收待评估对象的:
27、(a)61种特定炎症蛋白标志物的标准化表达值,
28、和(b)临床变量数据,
29、和可选的(c)多基因风险评分(pgs)或用于计算多基因风险评分(pgs)的基因数据;
30、(2)将步骤(1)得到的数据输入如权利要求2-5任意一项所述构建方法构建得到基于炎症蛋白标志物的用于预测冠心病发病风险的预测模型,输出待评估对象在预设时间窗内发生冠心病的预测绝对风险概率。
31、按照本发明的第四方面,本发明提供了一种炎症蛋白特征评分系统,包括蛋白表达数据输入模块和炎症蛋白特征评分(pis)计算模块;其中,所述蛋白表达数据输入模块用于待评估对象的61种特定炎症蛋白标志物的标准化表达值;所述炎症蛋白特征评分(pis)计算模块用于根据待评估对象的61种特定炎症蛋白标志物的标准化蛋白表达值,得到该待评估对象的炎症蛋白特征评分(pis);
32、所述61种特定炎症蛋白标志物同时包括pgf、cxcl17、pga4、prss8、rnase1、slitrk1、trem2、lgals4、mln、pon3、colec12、rab6a、crhbp、smoc2、ment、pzp、atrn、creld1、c7、ccl11、ccl17、cfd、itga11、il6、ermap、tnfrsf4、pon1、adgrd1、lmod1、cd48、lama4、angptl4、tnfrsf11b、cd7、robo1、bsg、bnip3l、cxcl10、crim1、agrp、cd5l、serpina3、aldh3a1、vegfa、lrrn1、ism1、csf3、mrc1、wnt9a、paxx、shh、clec3b、serpind1、ckap4、creld2、adamts4、kdm3a、clstn2、enpp5、matn2、tnf。
33、作为本发明的进一步优选,所述炎症蛋白特征评分(pis)计算模块是先根据待评估对象的61种特定炎症蛋白标志物的标准化蛋白表达值计算原始炎症蛋白特征评分,再经过标准化处理得到标准化后的炎症蛋白特征评分;所述原始炎症蛋白特征评分的计算公式如下:
34、
35、其中,为待评估对象第k种特定炎症蛋白标志物的标准化蛋白表达值;为第k种特定炎症蛋白标志物的预设权重系数;其中,对于cxcl17、pgf、pga4、ccl11、atrn、tnfrsf11b、wnt9a、prss8、smoc2、adgrd1、mln、cfd、colec12、ccl17、vegfa、crim1、tnfrsf4、lmod1、trem2、c7、clstn2、rnase1、il6、aldh3a1、cxcl10、bnip3l、creld1、mrc1、tnf、crhbp、angptl4、lgals4、adamts4、ermap,取正值;对于enpp5、ism1、shh、csf3、cd5l、itga11、bsg、serpina3、serpind1、cd48、pzp、ckap4、creld2、robo1、ment、kdm3a、agrp、paxx、matn2、cd7、pon3、pon1、lrrn1、clec3b、rab6a、lama4、slitrk1,取负值;
36、记标准化后的炎症蛋白特征评分为pis,则:
37、
38、其中,和的取值均为预先设定,分别用于表示群体中原始炎症蛋白特征评分分布的均值与标准差;
39、优选的,取值如下:
40、
41、
42、所述群体为尚未发生心血管疾病的群体;心血管疾病包括冠心病、房颤、心衰和中风。
43、11、作为本发明的进一步优选,所述评分系统还包括临床风险信息计算模块和风险整合计算模块,并可选的包括多基因风险评分(pgs)计算/获取模块;其中,
44、所述临床风险信息计算模块用于根据临床变量数据得到预设临床风险模型对应的临床风险评分;
45、所述多基因风险评分(pgs)计算/获取模块用于根据基因数据计算多基因风险评分(pgs)或是获取预先计算得到的多基因风险评分(pgs);
46、所述风险整合计算模块用于以所述临床风险评分作为基础预测信息,融入所述炎症蛋白特征评分(pis)以及可选的多基因风险评分(pgs),并按照与所述临床风险模型相对应的统计模型框架进行扩展风险计算,获得预设时间窗内的冠心病预测绝对风险;
47、优选的,所述预设临床风险模型选自score2、framingham、prevent、pce和qrisk3中的一种;
48、所述临床变量同时包括年龄、性别、血压、血脂水平、吸烟状态、糖尿病、体重指数、用药情况及既往疾病史;
49、所述多基因风险评分(pgs)的具体种类为pgs003356或pgs003726。
50、作为本发明的进一步优选,待评估对象第k种特定炎症蛋白标志物的标准化蛋白表达值按照下式获得:
51、
52、其中,为待评估对象第k种蛋白的检测表达值;和的取值均为预先设定,用于分别表示群体中第k种蛋白检测表达值分布的均值与标准差;
53、所述群体为尚未发生心血管疾病的群体;心血管疾病包括冠心病、房颤、心衰和中风。
54、通过本发明所构思的以上技术方案,与现有冠心病风险评估方法相比,具有以下有益效果:
55、(1)形成了具有冠心病疾病特异性的多蛋白炎症分子表型。
56、本发明并非采用单一炎症因子,而是由61种涉及细胞因子、趋化因子、补体、免疫调节、血管生成、细胞黏附及组织重塑等多个生物学过程的炎症相关蛋白按照训练阶段确定的方向和权重形成pis。该评分能够将高维炎症蛋白信息压缩为可用于个体风险评估的连续分子特征,并在独立内部验证人群中表现出稳定的冠心病风险梯度,从而较单一炎症指标更系统地表征冠心病相关炎症状态。
57、值得注意的是,本发明并非从覆盖全部生物学通路的全蛋白组中进行无差别筛选,而是以冠心病炎症机制为导向限定于炎症相关蛋白空间。在该较为聚焦的检测维度下,本发明pis在成熟临床模型上的增量预测幅度与既往采用更广泛血浆蛋白组构建的冠心病蛋白预测特征所报道的幅度处于相近范围,提示疾病机制导向的炎症蛋白组合能够在降低无关蛋白检测维度的同时保留有效的冠心病预测信息。
58、(2)保持与既有临床模型的兼容性并实现模块化扩展。
59、基于本发明得到冠心病相关的61种炎症蛋白标志物构成的炎症蛋白特征评分pis,尤其可得到融合临床风险信息(即,临床风险评分)、pgs和pis的冠心病风险评估方法及相应系统。本发明并不重新拆解score2、framingham、prevent、pce或qrisk3中的临床变量并重新构建统一的临床预测模型,而是按照各模型公开方程及其规定的计算规则,首先获得模型特异性的临床风险线性预测值,再将pis作为独立增量分子特征嵌入相应模型。因而,同一pis可在不同成熟临床风险模型框架下进行模块化扩展,同时保留原有临床风险模型所包含的信息结构。
60、(3)实现临床风险、遗传易感性与当前炎症分子状态的互补融合。
61、临床风险模型、pgs和pis分别反映不同层面的冠心病风险信息,其中成熟临床模型综合表征传统临床危险因素,pgs反映相对稳定的遗传易感性,pis则反映检测时点的循环炎症分子状态。本发明并非将三类原始变量简单混合后重新筛选,而是保留成熟临床模型形成的综合临床风险信息,并分别引入可选pgs和固定pis进行模型扩展。内部验证结果显示,在五种成熟临床模型中加入pis后,5年auc、10年auc及c-index均得到改善;在模型已经包含冠心病pgs的情况下进一步加入pis,仍可获得额外的判别及风险重分类增益,说明pis所表征的炎症信息与既有临床及遗传风险信息具有互补性。
62、(4)提供常规炎症指标难以替代的多维炎症风险信息。
63、本发明pis由多个冠心病相关炎症通路中的蛋白按照固定方向和权重综合形成,不同于采用单一炎症蛋白或血细胞炎症指标进行风险评估。在内部验证分析中,在已经包含常规炎症蛋白或炎症指标的临床风险模型中进一步加入pis后,模型区分度仍得到改善;而在已经包含pis的模型中进一步加入常规炎症指标时,进一步改善相对有限,说明pis能够捕获常规炎症指标未能充分反映的冠心病相关炎症信息。
64、(5)支持风险概率输出。
65、通过固定标准化参数、回归系数及相应基线风险参数,可对新的待评估对象计算5年或10年冠心病绝对风险。便于在体检、慢病管理和心血管疾病一级预防场景中部署。
66、本发明并非简单地在现有预测模型中增加若干蛋白变量。一方面,冠心病相关炎症过程涉及多个相互关联的炎症及免疫通路,候选蛋白数量较多且相互之间存在相关性,单一蛋白难以充分表征疾病相关炎症状态,而单次高维特征筛选又容易受到样本扰动和随机噪声影响。为此,如后文实施例所详细说明的,本发明首先将筛选空间限定于炎症相关蛋白,并依次采用多变量cox关联筛选、fdr校正、重复子抽样lasso-cox以及随机噪声负对照阈值,在200次独立子抽样中评价各候选蛋白的稳定选择信号,以超过随机噪声最大选择评分作为保留条件,从而获得61种能够稳定组成pis的炎症蛋白。
67、另一方面,现有成熟心血管风险模型之间的变量处理和风险结构存在明显差异。例如,相关模型分别涉及性别或种族分层、非线性转换、交互项、地区再校准、竞争风险、年龄时间尺度及左截断等。如果简单将各模型的原始临床变量与蛋白变量重新组合并采用统一算法拟合,不仅会破坏原有临床模型的信息结构,也难以在不同成熟模型之间形成可复用的蛋白增量模块。对此,本发明可以直接依据各成熟临床模型的公开方程及其规定的计算规则,获得模型特异性的临床风险线性预测值,并将其作为整体临床风险信息(即,临床风险评分),再分别将固定pis和可选pgs作为增量预测项,根据不同临床模型的原始风险结构采用相应的cox、fine–gray或原因别cox框架进行模型特异性扩展。
68、此外,临床危险因素、遗传易感性及检测时点的循环炎症状态反映的是不同层面的风险信息。为避免将不同来源的高维原始变量简单混合而导致模型结构难以解释,本发明采用分层融合方式,分别保留成熟临床模型、pgs和pis所代表的信息层级。内部验证结果显示,在已有临床风险信息甚至已经包含pgs的情况下,加入pis后模型判别和风险重分类仍得到改善;在模型已包含常规炎症指标的情况下,pis仍可提供额外预测信息,从而验证了本发明融合方式所利用的多层风险信息具有互补性。
69、综上,本发明开发了一种基于炎症蛋白组的融合了临床模型及遗传风险评分的临床预测模型构建方法,能够实现“临床因素-遗传因素-炎症水平”的多维度冠心病风险评估,为潜在炎性标志物的筛查及冠心病的分层管理提供了新途径。本发明已知及潜在的技术应用领域包括但不限于:
70、(1)疾病一级预防领域:对尚未发生冠心病的个体进行长期风险分层,辅助医师确定随访频率和进一步检测需求。
71、(2)炎症标志物检测领域:所筛选的61种炎症蛋白可形成全部或预定组合的检测面板、检测试剂、分析程序及报告模板。
72、(3)数字医疗领域:将预测模型参数包部署于服务器、工作站、体检终端或健康管理软件中,与检测结果相连接,自动完成输入、校验、风险计算、风险分层和报告整理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com