蛋白质组学与机器学习分析可预测重症肌无力的治疗反应特征

《Journal of Translational Medicine》：Proteomic and machine learning analysis predicts treatment response signatures in Myasthenia Gravis

　　

摘要

背景

重症肌无力是一种典型的抗体介导的自身免疫性疾病，其治疗反应存在差异，因此需要生物标志物来指导治疗决策。蛋白质组分析结合机器学习，能够以无假设的方式识别与治疗反应相关的多蛋白特征。

方法

我们使用液相色谱-质谱技术分析了在一项3期随机试验中，参与胸腺切除术加泼尼松治疗组与单纯泼尼松治疗组的受试者以及匹配对照组的入院（基线）血清样本。我们确定了该疾病特有的蛋白质组特征，并通过多种机器学习方法及内部验证，分析了基线蛋白与6个月临床结果之间的关联。

结果

基线血清蛋白质组可区分重症肌无力患者与对照组，路径分析显示涉及补体激活、免疫球蛋白生成和T细胞受体信号传导。不同的蛋白质组合可预测各治疗组中6个月的临床改善情况。在胸腺切除术加泼尼松治疗组中，模型捕捉到了预测蛋白之间的非线性关系，而单纯泼尼松治疗组则主要呈现线性叠加模式。预测蛋白多与T细胞信号传导和白细胞迁移功能相关，这为了解该疾病的特定治疗机制提供了依据。

结论

基线血清蛋白质组分析能够反映重症肌无力的核心疾病特征，并以特定于治疗方式的方式预测短期临床反应。虽然我们的结果需要在独立队列中得到验证，但这些发现有望帮助根据生物标志物选择胸腺切除术，优化风险分层，同时为未来的重症肌无力试验和临床治疗提供机制层面的参考。我们计划未来使用组学方法进一步验证这些基线预测生物标志物以及重症肌无力患者的治疗反应路径。