蛋白质组时钟结合深度学习表型分析，可用于追踪眼睛的老化过程及相关疾病

《npj Digital Medicine》：Proteomic clocks combined with deep learning phenotypes track eye aging and diseases

　　

摘要

蛋白质组学是一种强大但尚未得到充分利用的方法，可用于研究眼睛的老化过程。在本文中，我们利用来自三个大规模、跨国性的队列的数据（这些队列共有超过55,000名跨种族参与者），展示了高通量蛋白质组学与深度学习（DL）相结合在发现新机制和外部验证中的应用能力。通过机器学习模型分析得出的蛋白质组学老化特征与眼睛老化的实际表现高度一致。我们发现了患有主要年龄相关眼病（AREDs）（包括白内障、糖尿病视网膜病变、年龄相关性黄斑变性和青光眼）的个体的蛋白质组学老化现象，并验证了这一现象的存在。研究结果表明，蛋白质组学老化加速可以作为预测这些疾病的可靠生物标志物，其适用性跨越性别和种族界限。此外，我们还开发了一种简化且成本效益高的蛋白质组学老化评估方法，该方法在保持预测性能的同时降低了检测复杂性。通过整合先进的断层扫描和血管成像技术，我们利用深度学习算法提取了结构和功能生物标志物，并将蛋白质组学老化与广州糖尿病眼病研究（GDES）和高清眼表-表型评估研究（HOPE）中的神经视网膜退化及微血管稀疏化现象联系起来，揭示了眼睛老化过程中神经与血管系统的共同衰退机制。我们的发现表明，将蛋白质组学与人工智能相结合是一种可扩展的工具，可用于监测眼睛健康和疾病状况，并为多种眼部疾病的共同老化机制提供了新的见解。