血浆蛋白GDF15在预测2型糖尿病的肾脏并发症方面具有较好的潜力

《Frontiers in Endocrinology》：Plasma protein GDF15 has a good predictive potential for the kidney complications of type 2 diabetes

　　摘要
引言与目的：2型糖尿病的并发症是糖尿病领域中公共卫生挑战的主要原因。代谢组学和蛋白质组学的出现为揭示代谢疾病的机制提供了直接视角。我们的研究旨在探索组学成分与并发症之间的关系，以及它们的临床预测性能。

材料与方法：这项前瞻性研究使用了来自英国生物银行（UK Biobank）的数据，其中包括超过1,400种蛋白质和280多种代谢物，以分析2型糖尿病、微血管并发症、大血管并发症、神经并发症、肾脏并发症、视网膜并发症、心血管并发症、外周血管并发症、代谢紊乱并发症以及全因死亡率等结果。分析共纳入了50,021名没有2型糖尿病的参与者。基线时间跨度为2006年至2010年，平均随访时间为12.0至12.03年。研究人员使用LASSO Cox和LightGBM方法寻找新的并发症标志物，并采用SHAP方法解释这些标志物在机器学习模型中的贡献。随后，建立了一个综合预测模型，以揭示新标志物在非线性模式下早期诊断并发症的潜力，使用了九种特定的机器学习方法（CatBoost、LightGBM、随机森林、XGBoost、逻辑回归、多层感知器、单层神经网络、朴素贝叶斯和支持向量机）。

结果：GDF15单独使用时比血糖和HbA1c更能准确反映未来的肾脏并发症，尤其是在区分那些在接下来的五年内发病的人（GDF15的AUC=0.94，血糖的AUC=0.68，HbA1c的AUC=0.85）。在综合预测模型框架内，GDF15模型提高了早期筛查肾脏并发症的准确性，优于使用传统指标构建的模型（5年最大AUC=0.92，10年最大AUC=0.88）。总之，机器学习和统计方法都支持GDF15与肾脏并发症之间的相关性，反映了其稳健性。

结论：研究结果强调了GDF15在各种并发症早期无症状阶段的相关性，特别是在肾脏并发症方面，揭示了GDF15在疾病进展过程中的潜在作用。在区分基线期后出现并发症的参与者时，综合GDF15模型为各种并发症，特别是肾脏并发症的早期预警提供了一种方法。

1. 引言
2型糖尿病（T2D）是一种以血糖水平升高、胰岛素敏感性降低和相对缺乏胰岛素为特征的糖尿病形式。据估计，2024年有5.89亿20-79岁的成年人患有糖尿病。超过340万20-79岁的患者死于糖尿病相关原因。到2050年，糖尿病患者的总数预计将达到8.53亿（1）。全球数据显示，每年约有200万人死于糖尿病及其并发症。通常认为并发症是死亡的根本原因（2, 3）。早期干预可以显著延缓并发症的进展或减轻其对患者的影响，从而最终改善他们的生活质量。在糖尿病前期阶段，HbA1c受到缺铁性贫血、脾肿大、严重高胆红素血症和严重高甘油三酯血症等病理因素的影响，这可能导致其水平的不准确升高（4-7）。口服葡萄糖耐量测试和糖化白蛋白水平也可能受到饮食、压力水平、肝病和炎症等非糖尿病因素的影响（8, 9）。因此，开发更具体和敏感的指标以识别早期糖尿病并发症是一个亟需解决的重要问题。目前，大多数基于蛋白质组学和代谢组学的糖尿病并发症研究采用横断面设计，其局限性在于缺乏长期跟踪。由于疾病的异质性、组学技术的复杂性以及各种实际和伦理考虑，专门针对糖尿病引起的肾脏损伤的大规模前瞻性纵向队列仍然相对较少（10）。英国生物银行（UKB）项目为研究人员提供了来自5万多名个体的血浆蛋白质组学和代谢组学数据，同时记录了丰富的疾病随访结果和人口统计特征。几项最近使用UKB数据的研究展示了蛋白质生物标志物在预测2型糖尿病风险方面的潜力（11-13）。基于这些数据，我们进行了这项原创研究，旨在识别能够指示2型糖尿病相关并发症早期无症状阶段的宝贵标志物。我们使用了来自UKB的50,021名个体的血浆蛋白质组学和代谢组学数据，并采用多变量统计分析和机器学习方法来探索不同并发症的共有和特异性标志物，包括大血管并发症（MaVC）、微血管并发症（MiVC）、心血管并发症（DCVD）、肾脏并发症（DKD）、神经并发症（DN）、外周血管并发症（DPVD）、视网膜并发症（DR）和代谢紊乱并发症（MetD）。最终，这些关键标志物被用于构建一个综合的并发症预测模型。本研究旨在揭示蛋白质和代谢物在糖尿病并发症中的潜在病理机制，为并发症的早期预警和风险分层提供新的工具。

2. 方法
2.1 研究设计与队列
UKB是一个大型基于人群的前瞻性队列。2006年至2010年间，来自英格兰、苏格兰和威尔士的22个评估中心的50多万名39至70岁的参与者参与了研究。其中约5万人同意提供血液样本（14）。这项研究包括50,021名符合以下标准的参与者：1）同意提供血液样本；2）特征丢失率<30%；3）ICD-10代码中的结果事件不包含特殊值（字段ID=130708 Notes）；4）基线期之前没有2型糖尿病病史。图1A和B显示了研究流程图。
图1 研究设计。（A）参与者排除过程。（B）研究过程。

2.2 参与者特征
使用的特征主要可以分为人口统计和临床特征、蛋白质组学特征、代谢组学特征、血液抗原以及少量的血液细胞特征（补充表2）。共有53,014名参与者同意提供血液样本。这些样本被送往瑞典的Olink分析服务中心进行蛋白质成分检测。蛋白质组学数据经过严格的质量控制（资源ID=4658），共检测到1,463种独特的蛋白质。参与者的特征和临床数据已被匿名处理，以便研究人员使用。在分析蛋白质组学数据后，UKB使用标准化方法处理数据以获得NPX值。蛋白质组学数据的收集、检测和质量控制的详细信息已在先前的出版物中披露（类别ID=1839），因此假设蛋白质组学数据服从正态分布（15-17）。代谢物和种族特征已适当简化；详情请参阅补充信息。缺失率超过50%的特征被排除，缺失值使用mice R包进行了插补。

2.3 结果事件
定义疾病的代码、疾病之间的关系以及使用的缩写包含在补充表5中。只有那些被确诊为2型糖尿病并随后记录有相关并发症的参与者才会被归类为2型糖尿病并发症患者。那些没有2型糖尿病诊断记录但记录有并发症的参与者不包括在此类别中。在确定2型糖尿病发病日期后，随后发生的并发症的代码被用来确定这些并发症的发生日期。存在任何一种并发症的情况被定义为“总并发症”（补充表5）。生存状态的数据处理方法可以在补充信息中找到。处理后，获得了基线日期、2型糖尿病发病日期、并发症日期和全因死亡日期。对于某些参与者，这四个日期有重叠。为了区分不同的日期节点，在轨迹中较晚出现的日期上加了一天。

2.4 统计分析
参与者队列被随机分为训练集（n=25,010）和测试集（n=25,011），并检查了两个数据集之间的特征分布差异（补充表3）。采用多状态模型来分析多个特征与2型糖尿病轨迹的风险关联，并利用这些特征来估计未来2型糖尿病进展阶段的风险概率（18）（见补充信息）。多状态模型研究了与2型糖尿病和总并发症相关的风险因素。随后进行了进一步分析，以确定哪些特征影响特定类型的并发症。精确的正样本和负样本数量记录在补充表1中。队列被分为并发症人群和非并发症人群。使用Cox比例危险回归模型来确定特征与并发症之间的关联（补充表8）。此外，还添加了面板1来调整模型（面板1和2的详细信息见补充信息）（补充表18, 19）。采用Bonferroni方法来校正多重假设检验的p值（补充表8）。接下来的部分讨论了通过机器学习建模识别出的蛋白质的重要性。在Bonferroni校正后显示显著的特征被整合到一个LightGBM模型中，该模型有助于对并发症和非并发症进行二分类预测。二分类结果根据发病时间框架分为：5年内、10年内和所有发病年份（最长约为17年）。注意，当某个时间范围内的阳性案例数量少于20个时，则不进行进一步分析。最初，校正后的特征被输入到一个初步的LightGBM模型中，然后根据重要性顺序逐步添加特征以训练LightGBM模型。计算了每个添加特征的模型AUC值。我们使用了一种拟合分段回归曲线的方法来确定AUC升高的断点和关键特征（19）。然后，我们使用了一种能够在多项式时间内计算基于树的模型的SHAP值的方法，以确定每个特征对预测结果的贡献及其效应方向（20）。为了增强关键特征的可靠性，我们使用LASSO-Cox回归处理了训练队列（21）。然后使用这些特征构建了一个多变量Cox比例危险回归模型。接受者操作特征（ROC）分析和Kaplan-Meier（KM）生存曲线被用来探索特征的性能（见补充信息）。在识别出相互关联的特征后，我们旨在使用其中的一小部分特征来提高临床预测性能并探索其临床应用潜力。我们选择了几种方法，包括基于树的模型（CatBoost、LightGBM、随机森林和XGBoost）、逻辑回归、人工神经网络（多层感知器和单层神经网络）、朴素贝叶斯和支持向量机（见补充信息）。这些方法包括擅长处理非线性关系的机器学习模型和提供清晰可解释性的统计模型。选择这些方法是因为它们在临床预测建模中表现可靠（22-30）。双尾P < 0.05被视为统计显著。用于数据处理的工具列在补充表20中。

3. 结果
3.1 参与者特征
前瞻性研究队列包括来自UKB的50,021名个体。人群被分为训练子队列和测试子队列。基线时间跨度为2006年至2010年。平均随访时间分别为12.00 ± 3.20年和12.03 ± 3.16年。训练组和测试组的平均年龄分别为56.7 ± 8.19岁和56.7 ± 8.25岁；HbA1c分别为35.8 ± 5.89 mmol/mol和35.9 ± 6.24 mmol/mol；BMI分别为27.4 ± 4.68和27.3 ± 4.69；血糖（生化）分别为5.08 ± 1.10 mmol/L和5.09 ± 1.12 mmol/L。女性人数分别为13,558人（54.2%）和13,694人（54.8%）。在随访期间被记录发展为2型糖尿病的个体分别为1,775人（7.1%）和1,792人（7.2%）。经历任何并发症的个体分别为798人（44.96%）和800人（44.64%），其中最常见的并发症是DCVD和DKD。两个子队列中的死亡率分别为2,594人（10.4%）和2,476人（9.9%）（补充表1）。研究发现，93个特征的p值<0.05，占所有1,824个特征的5.1%。两个子队列之间的主要特征分布没有差异（补充表3）。因此，继续使用这两个子队列。

3.2 蛋白质组学估计2型糖尿病及其并发症的风险
采用多状态模型来表征参与者的完整2型糖尿病疾病进展过程。CCL22（风险比[95%置信区间] = 1.78 [1.52-2.07]）、ADS（1.77 [1.46-2.15]）、CXCL10（1.79 [1.53-2.09]）、GRPEL1（2.16 [1.84-2.54]）、CD164（1.54 [1.32-1.79]）、CEISLDL（1.22 [1.03-1.45]）和CARHSP1（1.2 [1.05-1.38]）增加了2型糖尿病（T2D）的风险。同样地，在过渡期第3阶段的第4象限（Q4），ADS（1.51 [1.15-1.97]）也显示出统计学上的显著效应，与第1象限（Q1）相比（见补充图1B）。以CXCL10为例，在基线期后的16年，第4象限患者的健康状态概率为65.66%，而患T2D、总并发症和死亡的概率分别为2.45%、5.10%和26.79%。第4象限的T2D风险是第1象限的1.37倍，总并发症风险高出1.49倍（见补充图2）。

3.3 GDF15与糖尿病肾病（DKD）之间存在強相关性。多状态模型研究了与T2D和总并发症相关的风险因素。随后进行了更详细的分析，以了解蛋白质和代谢物如何影响特定并发症。在调整了面板1的数据并应用Bonferroni校正后，我们发现特定并发症分别具有235、135、49、316、24、105、48和14个显著特征（见图2A和补充表8）。在这些并发症中，DKD相关的特征数量最多，共计316个。DKD中的高风险值更为普遍，且显著特征的最小p值明显更低（见图2A和补充表8）。这些发现表明，血液标志物有可能反映DKD的进展。值得注意的是，CD276蛋白对所有八种类型的并发症都显示出显著影响。除了代谢性肾病（MetD）外，GDF15对其他所有并发症都有显著的风险影响（见图2B）。GDF15与DKD的调整后p值为8.52×10^-38，风险比[95%置信区间]为1.76 [1.62 - 1.91]。GDF15的调整后p值仅低于IGFBP4和CysC（分别为4.66×10^-44和5.89×10^-43）。GDF15的风险比略低于排名最高的ADM（风险比[95%置信区间] = 2.23 [1.91 - 2.60）（见补充表8）。总体而言，GDF15在初步分析中显示出与DKD的强关联。

图2：与并发症相关的蛋白质和代谢物。(A) 并发症和特征的火山图。(B) 并发症相关特征的交集。

3.4 GDF15与DKD之间的独立关联得到了可解释的机器学习方法和统计分析的支持。LightGBM模型的AUC值的重要性分析显示，两种关键蛋白质（RTN4R和GDF15）存在于动脉闭塞性血管疾病（DCVD）中，四种蛋白质（REN、CDH15、SPINK4和HAVCR1）存在于糖尿病视网膜病变（DR）中，五种蛋白质（GDF15、RTN4R、BCAN、NFASC和PON3）存在于微血管并发症（MaVC）中，两种蛋白质（GDF15和REN）存在于糖尿病性肾病（MiVC）中，五种蛋白质（TFF2、REN、NTF3、KLK4和GDF15）存在于糖尿病性足病（DPVD）中，两种蛋白质（LGALS4和GDF15）存在于DKD中，三种蛋白质（MMP12、CLE7A和PLXNB2）存在于代谢性肾病（MetD）中，以及六种蛋白质（GDF15、HAVCR1、OXT、CDH15、PTPN2和PTPNB2）存在于糖尿病神经病变（DN）中（见图3A、B和补充图3、4）。除了DR和MetD外，GDF15还被确认为所有类型并发症的关键特征。观察发现，REN是DR、MiVC和DPVD的常见关键特征。CDH15、SPINK4和HAVCR1也是DR和DN的常见关键特征。此外，GDF15是DCVD、MaVC、MiVC和DKD在5年内的唯一共同关键特征。在10年内，GDF15被确认为所有并发症的常见关键特征，除了MetD和DR。在所有发病期间，GDF15被确认为常见关键特征，除了MetD。REN也被确认为常见关键特征，除了MetD和DN。SPINK4和HAVCR1被确认为DR、MiVC、DN和DKD的共同关键特征（见补充表9-16）。在SHAP群体图中，GDF15在所有发病期间对DKD和MiVC的预测范围最广（见图3B和补充图4F），这表明其对这些疾病的预测性能优异。同时，GDF15散点颜色的变化表明它可能对这些并发症有风险增加的作用（见图3B和补充图4F）。

图3：通过两种方法进一步筛选出的与并发症相关的特征。(A, B) 机器学习方法筛选出的DCVD和DKD事件的关键特征。条形图显示了被赋予最高重要性得分的特征，而SHAP群体图示出了关键特征对并发症预测的贡献。通过依次添加特征所带来的模型AUC变化以散点图和折线图的形式呈现。(C, D) 统计方法筛选出的DCVD和DKD的关键特征。“*”表示p值<0.05，“**”表示p值<0.01，“0”表示p值<0.001。为了进一步确认，使用LASSO Cox回归统计方法分析了与并发症相关的特征（见图3C、D和补充图5、6）。除了MetD和DPVD外，GDF15和HAVCR1与其他并发症显示出显著的正面关联（见补充图5A–C和6A、B、D）。REN被发现在DKD、DPVD、MiVC和DR中具有显著关联（见补充图5B、D和6AD），这与机器学习方法的结果一致（见补充图3DF和4D-J）。CDH15与DN、MiVC和DR相关（见补充图5C和6AD），SPINK4与DN、MaVC和DR相关（见补充图5C和6B、D）。统计和机器学习方法都指出BCAN和PON3是DCVD和MaVC的保护因素（见补充图3A、C、E、4A-C、5A和6B）。在两种方法下，NELL1也是DKD的保护因素（见补充图3BD和5B）。

3.5 GDF15对DKD患者的鉴别能力优于传统指标。在常见临床指标中，HbA1c已被证明是并发症的强预测因子，其AUC值始终超过0.83（见图4A、C和补充图7）。除了DPVD、10年内的DR和MetD外，GDF15在其他关键交集特征中表现出最佳预测性能（见图4A、C和补充图7）。GDF15对DKD、5年内的MiVC和10年内的DN的AUC值超过0.85，其中5年内的DKAUC值达到0.94（见图4C和补充图7D、G）。对于DPVD、10年内的DR和MetD，表现出最高性能的关键交集特征分别是REN（AUC=0.81）、ASGR1（0.79）、HAVCR1（0.76）和PLXNB2（0.79）（见补充图7I、J、K、M）。比较关键交集特征和常见临床指标的AUC值显示，GDF15预测DKD的AUC值高于HbA1c（见图4C）。GDF15在5年时间范围内对DKD的预测性能最为突出，AUC值为0.94，而HbA1C为0.85（见图4C）。在大多数其他情况下，GDF15的预测性能次于HbA1c。此外，所有并发症的最大短期预测AUC值都高于最大长期值。

图4：交集特征的预测性能。(A, C) 比较DCVD和DKD特异性特征与未来并发症事件的临床特征的ROC分析。AUC值以条形图显示。ROC曲线通过颜色对应AUC值。(B, D) 高组和低组特定特征的DCVD和DKD的KM生存曲线。两组的风险比和p值是使用带有二分类特征的Cox分析计算的。此外，生存分析得出了基本一致的结果。除了ACP5-DR和OXT-DN外，其余70对特征-并发症组合都显示出显著关联（见补充表17）。除了DPVD和MetD外，GDF15对所有其他并发症的风险比都大于3（见图4B、D和补充表8A、B、C、E）。对DKD（风险比[95%置信区间] = 6.116 [4.569-8.187]）、MiVC（4.574 [3.51-5.96]）和DN（4.082 [2.413-6.906]）的影响最为明显（见图4D和补充表8C、E）。RTN4R（2.232 [1.862-2.676]和NFASC（2.18 [1.826-2.603）也显示出DCVD的风险显著增加（见图4B）。COL6A3（5.094 [3.885-6.681]）、CysC（4.473 [3.455-5.79]）、HAVCR1（3.71 [2.879-4.78]）、CD302（3.578 [2.803-4.569]）和RTN4R（3.54 [2.659-4.713）对DKD的影响也非常显著（见图4D）。ADGRG2-DCVD、BCAN-DCVD、PON3-DCVD、NELL1-DKD、PON3-MaVC、ADGRG2-MaVC和BCAN-MaVC的并发症风险显著降低（见图4B、D和补充图8B、C）。

3.6 使用新标志物构建的模型提高了并发症早期筛查的效率。在使用GDF15单独构建的综合模型预测DCVD事件时，其预测准确性高于任何其他单一交集特征。5年、10年和所有发病期间的最大AUC值分别为0.83、0.80和0.79。在预测所有发病期间的DCVD时，全特征组合的预测性能（最大AUC=0.85）比单独使用GDF15（最大AUC=0.79）有了显著提升。此外，全特征+Panel2的组合在所有时间帧中的性能也得到了提高。具体来说，其最大AUC高于仅包含全特征或Panel2的模型（见图5A）。

图5：通过交集特征构建的综合模型的性能评估。(A, B) 综合模型在不同疾病发作阶段对DCVD和DKD的AUC值计算。平方数字表示AUC值。在预测DKD事件时，GDF15单独的预测准确性高于任何其他单一交集特征。5年、10年和17年模型的最大AUC值分别为0.94、0.80和0.79。值得注意的是，在5年时间范围内，GDF15单独的准确性（0.94）超过了全特征（0.93）。这与Panel的预测准确性（0.94和0.92）相当。此外，GDF15 + Panel1模型的最大AUC值为0.97，相比GDF15（0.94）和Panel1（0.94）有所提高。特别是，CysC + Panel1和COL6A3 + Panel2的最大AUC值都达到了0.97，而GDF15 + Panel2和CysC + Panel2的组合最大AUC值为0.96。与Panel2（0.92）相比，这是一个显著的性能提升。显然，全特征+ Panel2模型在所有时间帧中的准确性都高于Panel2模型。研究结果表明，GDF15和全特征单独具有提高DKD临床预测准确性的能力。相反，将常见临床指标与GDF15或全特征结合使用，其性能超过了常见临床指标（见图5B）。在考虑DR和DN的预测时，GDF15仍然是表现最好的单一交集特征。在全发病期间预测DPVD时，全特征的最大AUC为0.87，高于单一交集特征。在全发病期间预测MetD时，全特征的最大AUC为0.80，高于单一交集特征（见补充图9E）。

4. 讨论与结论 我们的研究确定了与2型糖尿病及其并发症相关的血浆蛋白质组学和代谢组学成分。我们发现GDF15蛋白是2型糖尿病多种并发症的关键蛋白。除了DPVD和MetD外，GDF15的预测准确性超过了其他蛋白质组学和代谢组学成分。在构建预测DKD的综合模型时，基于GDF15的模型可以提供足够高的准确性。其准确性超过了或相当于使用临床指标（如HbA1c）构建的模型。当GDF15与常见临床指标结合使用时，其在预测结果方面的有效性显著提高。在DKD的背景下，我们识别出几个额外的关键蛋白（COL6A3、CysC和HAVCR1）。DCVD的额外关键蛋白还包括RTN4R、NFASC和PON3。DN的额外关键蛋白是HAVCR1。DR的额外关键蛋白是HAVCR1、SPINK4和REN。DPVD的关键蛋白是REN和ASGR1。MetD中的PLXNB2蛋白也值得考虑。先前的研究表明，GDF15是DKD中肾脏损伤的信号，而不是致病因素（31, 32）。Mazagova等人发现，在DKD发展之前，肾脏组织中的GDF15表达显著增强（32）。李等人进行了一项研究，比较了正常蛋白尿阶段、糖尿病肾病（DKD）早期阶段和明显DKD阶段患者的血清中GDF15的浓度。他们发现，在DKD的早期和明显阶段，GDF15的水平显著升高；随着DKD的持续和发展，GDF15的升高变得更加明显（33）。Mazagova等人也发现，在18周龄时，敲除GDF15基因的2型糖尿病（T2D）小鼠比没有基因缺失的T2D小鼠表现出更严重的肾小管损伤（32）。这些直接证据清楚地表明了GDF15的重要作用，即其在糖尿病背景下对肾脏的保护作用。机制上，GDF15抑制AGE/RAGE轴和下游炎症因子，从而抑制TLR4/MyD88通路的激活，并防止IKK的激活。另一方面，GDF15抑制NEDD4L的表达，后者抑制IKK的泛素化降解和磷酸化激活，最终导致NF-κB向核内的转位受到抑制（34–36）。这些证据表明，GDF15是高血糖引起的肾损伤的组织保护修复因子，而NF-κB是介导这一机制的下游核心节点。Mazagova等人指出，“尽管GDF15作为生物标志物和保护因子的作用看起来可能具有矛盾性，但这些在GDF15敲除小鼠中的研究分别展示了GDF15对肾脏和心脏的保护作用。”总的来说，我们假设高血糖会损害肾脏组织，而这些组织会上调GDF15的表达以修复损伤。这不仅解释了GDF15的保护作用，也解释了GDF15作为肾脏损伤严重程度标志物的特性。受损组织中GDF15的广泛分泌也解释了我们观察到的其血浆水平的显著升高。这项研究的结果表明，血浆中的GDF15在预测未来五年的DKD方面表现良好。上述研究还检测到了DKD症状出现之前和期间的异常GDF15水平（32, 33）。基于这些证据，可以得出结论，GDF15在反映肾脏损伤方面具有极高的敏感性。我们的结果为DKD的早期识别提供了一个具体的时间窗口。此外，我们的研究涵盖了超过1,400种血浆蛋白。其中，只有GDF15对DKD表现出极高的预测能力，证明它具有足够的特异性来诊断DKD。不同种族群体和样本量的观察研究一致表明，循环中的GDF15水平是2型糖尿病（T2D）中心血管疾病（DCVD）的独立预测因子（37, 38）。GDF15与心血管损伤呈正相关，并在诸如压力 overload、心力衰竭、缺血-再灌注损伤和动脉粥样硬化等心血管疾病期间表现出一致的上调（39, 40）。然而，GDF15对动脉粥样硬化的影响既有保护作用也有风险作用，而在心力衰竭和缺血-再灌注损伤等心血管疾病中则表现出明显保护作用（41）。Tian等人认为，GDF15对动脉粥样硬化的矛盾效应可能是由于实验条件的差异以及缺乏对整个血管系统中动脉粥样硬化病变严重程度的系统评估（41）。心肌梗死后，受损的心肌细胞会释放GDF15。这种物质会干扰由白细胞整合素激活的信号通路，直接抑制炎症细胞（包括中性粒细胞和单核细胞/巨噬细胞）的募集，从而通过抑制过度炎症和防止心脏破裂来实现核心保护作用（42）。Zhang等人发现，GDF15通过激活AMPK来保护肾脏免受糖尿病引起的内皮功能障碍和氧化应激损伤（43）。内皮功能障碍是与糖尿病相关的血管疾病最早的病理事件之一（44）。我们的结果表明，GDF15在DCVD发作前就表现出显著的预测能力，这可能归因于其对内皮功能障碍的保护作用。这也表明GDF15有潜力诊断DCVD的早期病理变化。Chan等人发现，在糖尿病背景下，GDF15在心肌病中具有间接的抗炎作用，这种作用不依赖于体重减轻。这种间接作用体现在使用GDF15直接治疗成年小鼠心肌细胞和分化的THP-1人巨噬细胞未能缓解脂多糖诱导的炎症（45）。现有证据表明，在糖尿病背景下，GDF15可能是心血管损伤后释放的修复因子。Chan等人指出，在高血糖引起的心血管损伤过程中，GDF15表现出抗炎作用，但具体机制尚不清楚，特别是因为其典型受体GFRAL的表达主要局限于中枢神经系统的后部（45）。这一矛盾也是解释GDF15在其他糖尿病并发症中作用的关键。我们发现的循环GDF15与DCVD之间的强相关性可能为解释这一矛盾提供新的证据；具体来说，GDF15以内分泌形式从受损细胞中释放，并通过与位于大脑后部的GFRAL受体结合来传递组织修复信号。此外，研究表明，HAVCR1在DKD中过度表达，尤其是在受损的近端肾小管细胞中。它参与了免疫、炎症、凋亡和基质重构等多种途径，这些途径可能触发DKD。HAVCR1已被视为一个早期的无创生物标志物，并可能是促进肾小管损伤的潜在机制（46–48）。这项研究的优势在于使用了多种机器学习方法来分析来自涉及超过50,000人的大规模前瞻性队列的1,400多种蛋白质组学数据和280多种代谢组学数据。这种方法通过利用SHAP技术提高了研究结果的临床适用性。然而，需要注意的是，这项研究存在一些局限性。主要问题在于缺乏独立前瞻性队列中的结果验证。其次，尽管当前最大的血浆蛋白质组学图谱已经捕获了超过2,900种蛋白质（49），但由于UKB收集的固有限制，所考虑的数据集并未包括所有可测量的蛋白质组分。此外，代谢组学数据仅包含超过270种代谢物。总体而言，这些血浆组分为基础，有助于提高2型糖尿病并发症的临床预测性能，并有助于更高效和具体地预测和诊断各种并发症。此外，GDF15对DKD和DCVD的高度特异性和敏感性为早期预警和风险分层提供了依据。根据我们的结果和现有证据，将循环中的GDF15作为快速无创检测方法是可行的。对于未来的研究，解决受损组织分泌GDF15与GFRAL受体分布之间的矛盾对于更好地理解其病理机制至关重要。对于临床实践而言，验证GDF15在更大规模、地理和种族多样的人群中的诊断性能，确认其普遍性，并建立可靠的临床临界值将是一个紧迫的优先事项。