用于预测抗结核药物诱导的肝损伤的等离子体蛋白质组学生物标志物：一项全面评估

《British Journal of Clinical Pharmacology》：Plasma proteomics biomarkers for predicting anti-tuberculosis drug-induced liver injury: A comprehensive assessment

抗结核药物性肝损伤的血浆蛋白生物标志物及机器学习预测模型研究。通过回顾性 nested 案例对照设计，发现5个差异蛋白（抗凝血酶III、载脂蛋白D、羧肽酶B2、铬粒素A、视黄醇结合蛋白4），其功能涉及炎症、氧化应激和药物代谢。随机森林模型在测试集表现优异（AUC=0.94），多算法验证显示稳定性和泛化性。

　　

摘要

研究目的

本研究旨在识别抗结核药物引起的肝损伤（ATB-DILI）的预测性血浆蛋白生物标志物，并开发用于治疗前风险分层的机器学习模型。

方法

在这项回顾性嵌套病例对照研究中，通过对24名患者（12例ATB-DILI，12例对照组）的治疗前血浆进行蛋白质组学分析，发现了差异表达的蛋白质，并通过ELISA在独立队列（35例ATB-DILI，37例对照组）中进行了验证。采用了多种机器学习算法来构建临床预测模型，并评估所识别蛋白生物标志物的预后价值。

结果

对探索性队列中治疗前样本的蛋白质组学分析发现5种差异表达显著的蛋白质：抗凝血酶III、载脂蛋白D、羧肽酶B2、嗜铬粒蛋白A和视黄醇结合蛋白4。这些蛋白质在炎症反应、氧化应激和药物代谢途径中具有功能作用。使用独立队列的基线血浆进行验证，确认了这5种蛋白质的一致表达模式（p < 0.01），其方向性变化与发现阶段的结果一致。基于这些治疗前生物标志物构建的随机森林模型在测试集中的预测性能表现出色（AUC = 0.94，敏感性 = 90.0%，特异性 = 90.0%，准确性 = 90.0%）。重要的是，多种机器学习方法（GBDT、SVM、GBM等）的共识结果证实了该蛋白特征的预测稳定性和泛化能力（模型间AUC范围：0.85–0.96）。

结论

本研究成功识别出了5种治疗前的血浆蛋白特征，将其纳入机器学习模型后，可以预测ATB-DILI的风险，为结核病治疗的早期干预提供了可能性。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可向通讯作者索取。由于隐私或伦理限制，这些数据不对外公开。