Eur J Heart Fail（15.53）|Olink+机器学习助力区分心力衰竭患者的亚群转自Olink Proteomics 心力衰竭疾病背景 心力衰竭（HF）是一种渐进性的复杂疾病，患者心脏无法向身体输送足够的血液。随着人口老龄化严重，目前全球约2600万心力衰竭患者和几百万尚未确诊病例，且患病率正在增加。以患病风险统计，每5个人中就会产生1个心力衰竭患者[1]。  心力衰竭分两种类型：射血分数保留的心力衰竭（HFpEF）和射血分数降低的心力衰（HFrEF）。两种类型比例各占一半。HFpEF病症复杂且高度病变，可能是多因素作用导致，包括心脏、血管或肾脏的结构变化，甚至血液携氧的效率。HFpEF与住院率高、生活质量差和死亡率增加相关，正在逐渐成为HF的主要类型,目前尚无特效药物，被医学界称为「心血管医学中**的未满足需求」。 今年2月份，诺华（Novartis）宣布已上市心衰治疗药物Entresto获FDA批准扩大适应症用于HfpEF成人患者治疗，是目前**获批的用于HfpEF治疗的药物。临床研究数据显示，左心室射血分数（LVEF）低于正常值的患者使用Entresto治疗后获益最为明显，可作为当前Entresto用药的预测指标[2]。 但当前HFpEF的「异质性」仍被认为是临床试验对HFpEF患者无效的一个原因，这表明“一刀切”的方法可能不适用于复杂疾病HFpEF的诊疗。虽有技术及指标可识别出相似表型特征但结果不同的患者亚群，但基于临床特征的亚群并不一定代表病理机制的差异。因此，基于人群队列研究和大数据分析，开发针对HFpEF患者的诊断标志物，对推动心力衰竭患者的精准医疗进程至关重要。  今年初，格罗宁根大学医学中心心脏医学系团队在European Journal of Heart Failure（IF=15.53）杂志上发表最新研究结果，通过BIOSTAT-CHF人群队列研究和363种生物标志物分析， 并借助Machine Learning机器自学习，发现4个以生物标志特征为基础HFpEF患者亚群，不同亚群患者具有独立临床特征和治疗结果，进一步揭示HFpEF疾病的病理生理学通路及治病机制[3]。 通过对429名HFpEF患者的363种生物标志物进行了无监督聚类分析，评估类簇之间生物标志物表达谱的相对差异，用于信号通路过度表达分析，并根据它们的生物标志物特征确定了四个不同的患者亚群（如下图）：（1）糖尿病和肾病患病率最高；（2）年龄**，且年龄相关的合并症频繁；（3）年龄最小、体型**、症状最少，且血浆中NT-proBNP含量最低；（4）具有最高的缺血性病因、吸烟和慢性肺病患病率、大多数症状，且血浆中NT-proBNP 和肌钙蛋白含量最高。
信号通路过度表达分析显示，亚群1患者的生物标志物谱与炎症通路的激活相关，而亚群4患者的生物标志物谱与细胞增殖调节和细胞存活相关的通路特别相关。这些亚群的共病模式和结果不同，“肾脏疾病/糖尿病”和慢性阻塞性肺病（COPD）亚群的不良结果风险最高，而“老年人”和“年轻/肥胖”亚群的风险较低。 生物标志物检测采用Olink 公司的提供的四组生物标志物Panel，包括 Cardiovascular II、Cardiovascular III、Immune Response和Oncology II。四组生物标志物Panel去重后，最终使用了363个非冗余蛋白质生物标志物进行后续数据分析。  数据分析目标为使用363种生物标志物来确定相互独立的患者亚群。使用主成分分析以减少生物标志物维度和共线性；使用层次聚类算法对特征值为1或以上的主成分进行聚类；使用R包中的NbClust包，利用不同索引的数组确定**亚群数，然后选择这些索引最常选择的数量作为**亚群数量。使用单向方差分析(ANOVA)、Kruskal-Wallis检验或卡方检验比较聚类的临床特征之间的差异。在Z标准化后使用热图绘制各亚群生物标志物平均值之间的差异。使用Kaplan-Meier曲线和时序检验研究亚群成员与全因死亡率和心力衰竭住院之间的关联。对于多变量分析，进行了Cox回归模型分析，校正了年龄、性别和既往心力衰竭住院史和纽约心脏协会（NYHA）级别。使用R包中的Limma包评估簇之间蛋白质生物标志物水平的相对差异。差异表达的蛋白质将用于进一步信号通路过度表达的分析。使用ClueGo评估了过度表达。这是使用超几何测试和默认的Bonferroni step down方法进行的多次测试校正。
四个亚群的基线特征如表所示。亚群1患者患有慢性肾病（CKD，73.7％）和糖尿病（53.4％）的发生率最高，并且伴随最高浓度的肌酸酐（Creatinine）、葡萄糖（Glucose）、伽马谷氨酰转移酶（Gamma-GT）和生长分化因子15（GDF-15）。亚群2患者的年龄**（平均年龄80岁），与年龄相关并发症的发生频率很高，例如心房颤动(46.5%)和高血压(72.3%)，但这些并没有达到显着性。亚群3患者最年轻（平均年龄74岁），除肥胖外，大多数并发症的患病率最低（平均体重指数30.4kg/m2，平均体表面积2.02m2)，症状最少，血浆N端B型利钠肽前体（NT-proBNP）的水平最低（中值591pg/L）。亚群4患者的慢性阻塞性肺疾病(COPD)(41.9%)、吸烟(65.1%)和缺血性病因(72.1%)的患病率最高，症状最严重，N端B型利钠肽前体（NT-proBNP）（中值2175pg/L）和肌钙蛋白（中值46.2ng/L）水平最高。
如上图临床结果显示，中位随访21个月后，大约44%的患者要么因心力衰竭住院，要么死亡，两者的发生率在亚群1和亚群4中最高（分别为62.1%和62.8%），在亚群3中最低（25.6%）。仅心力衰竭住院率在亚群1中最高（36.2%），而亚群2为23.3%，亚群3为17.7%，亚群4为20.9%。校正年龄、性别、既往 心力衰竭住院史和NYHA分级后，与亚群1相比，亚群2和亚群3患者的死亡或心力衰竭住院风险较低。 以往的研究通常基于临床特征、超声心动图和实验室数据，难于评估这些临床表型背后的病理生理学机制。文中使用对HFpEF亚群进行血浆蛋白生物标志物差异表达分析和通路研究，并基于无监督机器自学习确定了四个不同的HFpEF亚群，这四个亚群在临床特征和结果上有显着差异，可能反映了潜在病理生理学的差异。这些数据为先前研究中观察到的HFpEF临床表型的蛋白质组学水平提供了病理生理学基础，从而为特定HFpEF亚群基于机制的病理生理学干预打开了大门。 参考资料： 1. https://world-heart-federation.org/cvd-roadmaps/whf-global-roadmaps/heart-failure/ 2. https://www.novartis.com/news/media-releases/novartis-entresto-granted-expanded-indication-chronic-heart-failure-fda 3. Machine learning based on biomarker profiles identifies distinct subgroups of heart failure with preserved ejection fraction. European Journal of Heart Failure (2021) 23, 983–991
文章分类：
Olink+机器学习/pQTL
|
