通过血浆蛋白质组学和机器学习实现尘肺病的无创早期检测与分级：PRSS3作为潜在的生物标志物

《Clinical Proteomics》：Noninvasive early detection and grading of pneumoconiosis via plasma proteomics and machine learning: PRSS3 as a potential biomarker

摘要

背景

煤尘是一种持续存在的空气污染物，会引发与暴露剂量相关的肺纤维化；然而，目前仍缺乏用于评估临床前毒性的血浆生物标志物。

方法

我们招募了158名参与者，包括28名健康对照组（HCs）、30名接触煤尘的工人（DEWs）以及100名处于不同阶段的煤工尘肺病患者（CWP）（n_CWP-I=40，n_CWP-II=30，n_CWP-III=30）。通过数据独立采集（DIA）质谱技术进行了血浆蛋白质组学分析，识别出差异表达的蛋白质并对其进行功能注释。随后选取了关键蛋白质，并运用多种机器学习算法构建和验证了预测模型。

结果

我们共鉴定出1,239种血浆蛋白，其中645种具有较高的置信度。功能分析显示，疾病进展与PPAR信号通路、胆固醇代谢、Epstein-Barr病毒感染和戊糖磷酸通路等途径存在显著关联。这些变化共同导致了脂质代谢紊乱、慢性炎症反应以及病毒诱导的免疫逃逸，表明存在一个调控早期纤维化进程的代谢-免疫轴。我们成功构建了首个基于血浆蛋白质组学的机器学习模型，用于尘肺病的分级和早期筛查。值得注意的是，单一生物标志物PRSS3在区分接触煤尘的工人（DEWs）和早期尘肺病患者（CWP-I）方面表现优异，在训练集中的曲线下面积（AUC）为1.00，准确率为1.00；在验证集中的AUC也为1.00，准确率在0.93到1.00之间。

结论

本研究建立了基于机器学习的创新模型，通过血浆蛋白质组学实现对尘肺病的分级和早期筛查。PRSS3作为潜在生物标志物的发现突显了我们方法的临床应用价值。这些发现为非侵入性诊断策略及未来职业性肺疾病的转化研究奠定了基础。