利用蛋白质组学技术对纵向数据和事件发生时间数据进行联合建模，以动态预测疾病风险

《Protein Science》：Joint modeling of longitudinal and time-to-event data for dynamic disease risk prediction using proteomics

摘要

生物医学研究越来越多地使用纵向数据，使我们能够在分子水平上追踪个体疾病进程，并发现分子特征与感兴趣的结果（如疾病发作）之间的关联。尽管有联合建模纵向数据和事件发生时间的统计方法，但这些方法尚未在高通量组学研究中得到广泛应用。因此，我们评估了多种联合建模纵向数据和事件发生时间的方法，并提出了一种用于纵向蛋白质组学研究的联合建模策略。重点在于评估这些方法在预测个体动态疾病风险方面的有效性。为了对这些方法进行基准测试，我们使用了一系列模拟数据集，这些数据集反映了具有不同复杂性的真实蛋白质组特征。我们的结果清楚地表明，与传统基于单时间点的Cox比例风险模型相比，纵向方法具有优势。这一点通过重新分析一项关于1型糖尿病早期预测的蛋白质组学研究的数据得到了进一步验证，在该研究中，我们发现了与疾病发作相关的新候选蛋白质，而这些蛋白质在原始研究中并未被检测到。

利益冲突声明

作者声明不存在利益冲突。

数据可用性声明

在本研究中未生成或分析任何数据集。我们使用了已发表的数据（补充材料链接：https://doi.org/10.1016/j.jprot.2017.10.004）。至于模拟数据，模拟协议可通过手稿中提供的GitHub链接获取。