蛋白质组学和脂质组学在动脉粥样硬化性心血管疾病风险预测中的应用进展

蛋白质组学和脂质组学在动脉粥样硬化性心血管疾病风险预测中的应用进展

白小龙1牛瑞龙2∗

内蒙古医科大学附属医院（内蒙古 呼和浩特）  邮编：010050

[摘要]动脉粥样硬化性心血管疾病是全球范围内主要的致死性疾病之一，其发病率和相关死亡率持续上升。为了更好地预测和管理该疾病的风险，研究人员一直在寻找新的生物标志物和预测模型。蛋白质组学和脂质组学作为两个重要的组学领域，近年来在动脉粥样硬化性心血管疾病的风险预测中得到了广泛应用。这些技术可以帮助我们深入了解疾病的分子机制，发现新的生物标志物，从而提高风险预测的准确性和个体化管理的效果。本文综述了蛋白质组学和脂质组学在动脉粥样硬化性心血管疾病风险预测中的最新进展，包括生物标志物的发现、预测模型的构建和临床应用等方面，同时探讨了相关的挑战和未来的发展方向。

[关键词] 动脉粥样硬化性心血管疾病；蛋白质组学；脂质组学；风险预测

动脉粥样硬化性心血管疾病（atherosclerotic cardiovascular disease，ASCVD）是一种慢性炎症性疾病，其发展过程涉及多种生物学过程和分子信号通路。目前已使用的临床风险算法主要包括Framingham风险评分、系统性冠状动脉风险（SCORE2）评分和动脉疾病第二表现（SMART2）风险评分，基于心血管疾病的传统风险因素，如年龄、性别、血压、血脂、糖尿病等，在预测未来事件的准确性方面依旧有限。因此，寻找新的生物标志物和预测模型成为研究的重点。蛋白质组学是研究蛋白质组在细胞、组织或生物体水平上的全面表达和功能的科学领域。通过使用质谱和蛋白质芯片等技术，可以鉴定和定量大量蛋白质，从而揭示动脉粥样硬化性心血管疾病的潜在机制和生物标志物[1]。脂质组学则是研究脂质组在生物体内的组成、结构和功能的领域。脂质组学技术可以定量分析多种脂质类别，如甘油三酯、胆固醇和磷脂等，为动脉粥样硬化性心血管疾病的风险评估提供重要信息。近年来，蛋白质组学和脂质组学在动脉粥样硬化性心血管疾病风险预测中取得了显著进展[2, 3]。通过整合大规模的蛋白质和脂质数据，研究人员已经发现了许多与动脉粥样硬化相关的生物标志物，并建立了预测模型。这些生物标志物可以反映炎症状态、氧化应激、血管功能和脂质代谢等病理过程，为动脉粥样硬化性心血管疾病的早期诊断和个体化治疗提供了新的可能性。

1、蛋白质组学和脂质组学的概述

蛋白质组学是一个发展迅速的研究领域。“蛋白质组学”这一词汇最早由Wilkins和Williams两位科学家于1994年提出。蛋白质组学是以蛋白质组为研究对象，研究细胞、组织或生物体蛋白质组成及其变化规律的科学。本质上是大规模水平上研究蛋白质的特征，包括蛋白质的表达水平，翻译后的修饰，蛋白与蛋白相互作用等，由此获得蛋白质水平上的关于疾病发生，细胞代谢等过程的整体而全面的认识[2]。蛋白质组学领域中技术和生物信息学不断进步，特别是当通过各种新的预分馏技术增强时，质谱仍然是发现、综合蛋白质分析和翻译后修饰(糖基化、磷酸化、乙酰化和甲基化)检测最常用的技术。相比之下，在预防和精准医学领域，蛋白质组学已经倾向于基于亲和反应物的平台，以进行更有针对性的蛋白质评价。

脂质组学通过对生物体、组织或细胞中的脂质以及与其相互作用的分子进行全面系统的分析、鉴定，了解脂质的结构和功能，进而揭示脂质代谢与细胞、器官乃至机体的生理、病理过程之间的关系[3]。脂质组学是对生物系统中单个脂质的综合分析。它通常是用质谱仪进行的，质谱仪可以精确测量离子碎裂前后的质荷比(m/z)，生成脂质样品的特征质谱指纹图谱。这种形式的质谱生成了两个层次的光谱。MS1为未破碎的前体离子生成的质谱，而MS2(又称MS-MS)是由前体离子衍生的破碎的产物离子生成的串联质谱。一旦获得这些MS1和MS2光谱，就可以在诸如METLIN-XCMS和LIPIDMAPS等数据库中进行搜索，以确定目的化合物。脂类是独特的，因为每个脂类都与通常来自脂头组的特征诊断片段相关，并作为脂类的特定特征。脂质组学可以使用多种技术进行，而液相色谱质谱法(LC- MS)是最常用的分析方法。由于质谱（MS）技术的快速发展和革新，血浆脂质也吸引了人们对ASCVD风险预测的组学发展的兴趣。众多的血脂种类可分为六大类：脂肪酰类、甘油磷脂、甘油脂、鞘脂、甾醇和异戊二烯。在这些类别中，鞘脂（神经酰胺类）、脂肪酰类和甘油脂（甘油三酯类）在临床研究中最受关注。

2、蛋白质组学在ASCVD风险预测中的应用

2.1经典蛋白质组学

蛋白质组学在动脉粥样硬化性心血管疾病中的风险预测。Ganz等人[4]是第一个开发用于ASCVD风险预测的新蛋白质模型的人，该模型在外部队列中得到了验证。在这项研究中，在900多名患有ASCVD的高危受试者的两个独立队列中，用改良的适体技术测定了1130种蛋白质的水平。使用LASSO技术选择变量，得出9-蛋白Cox回归模型，该模型在预测复合ASCVD结果方面优于使用改良Framingham模型进行的临床风险预测，虽然总体判别力有限（AUC 0.70），并包括肌钙蛋白等已建立的生物标志物。Ho等人

[5]在来自Framingham心脏研究的3523名受试者中研究了用改良ELISA测定的85种蛋白质对复合ASCVD结果的预后价值。只有一种蛋白质（生长分化因子-15；GDF-15）在加入Cox回归临床风险预测模型时提供了可参考的预后价值，导致AUC为0.76，值得注意的是，GDF-15与年龄高度相关。Ganz等人和Ho等人的早期研究都使用了经典的Cox回归来开发他们的风险预测模型，该模型阻止了非线性关系以及蛋白质-蛋白质相互作用的解释。

2.2靶向蛋白质组学

最近的研究将更先进的机器学习技术用于靶向蛋白质组学数据分析。Hoogeveen等人[6]使用极端梯度增强创建了一个50-蛋白模型，用于两个初级预防人群中的ASCVD风险估计。在分别对822名和702名患者进行的两项平行病例对照研究中，使用368种蛋白质的邻位延伸分析，该蛋白质模型在预测ASCVD事件方面优于临床风险模型。尽管与临床模型相比有显著优势（ΔAUC 0.10），但蛋白质模型的总体判别值在验证队列中仍然有限（AUC 0.70）。Unterhuber等人[7]使用了相同的蛋白质分析接近度扩展分析方法。他们在LIFE心脏研究的1998名ASCVD风险增加的患者中测量了92种心血管相关蛋白，并在PLIC队列的772名患者中验证了这些发现。使用极端梯度增强或人工神经网络的机器学习蛋白质预测大大优于使用回归模型的主要不良心血管事件（MACE）的蛋白质预测和使用Framingham和SCORE算法的传统风险预测（AUC 0.91）。此外，Nurmohamed等人[8]最近的一项研究利用蛋白质组学技术大规模检测1570份血浆中的276个蛋白表达，通过蛋白极端梯度增强机器学习构建的蛋白质风险模型在训练队列和验证队列中均优于临床风险模型。在低CRP患者中发现了中性粒细胞信号相关蛋白，表明在传统的NLRP3途径之外还存在炎症ASCVD风险。靶向蛋白质组学结合机器学习构建的蛋白质组风险预测模型在预测复发性ASCVD事件方面优于临床风险模型，证实了在二级预防中蛋白质组学的风险分层潜力。在低CRP患者中发现了中性粒细胞相关的途径，这意味着在传统的NLRP3途径之外还存在着残余的炎症风险。

2.3定量蛋白质组学

定量蛋白质组学提供了优先考虑动脉粥样硬化性心血管疾病的风险生物标志物和治疗靶点。最近，使用基于亲和性的蛋白质组学分析研究了与突发心力衰竭相关的90种心血管生物标志物的循环蛋白质水平[9]。在与突发心力衰竭相关的44种循环蛋白质中，8种与心力衰竭机制有因果关系，7种是可药物治疗的。在另一项回顾性研究中，使用邻位延伸分析法对不同阶段心力衰竭患者的全血血清进行靶向蛋白质组学研究，在治疗过程中，发现射血分数降低的心力衰竭患者存在明显的蛋白质组特征[10]。

2.4单细胞蛋白质组学

单细胞蛋白质组学能以更高的分辨率测量更多参数，并揭示不同细胞中蛋白质水平的巨大差异[11, 12]。例如，为了揭示动脉粥样硬化病变中失调免疫细胞的具体特征，这些特征可能会导致不同的临床事件。Fernandez等人[13]对有或无临床症状患者颈动脉斑块中的T细胞和巨噬细胞进行了单细胞蛋白质组学和转录组学分析。通过这种分析，研究者能够确定斑块中与心脑血管事件相关的先天性免疫细胞和适应性免疫细胞的具体特征，而这些特征是使用大体蛋白质组学或转录组学无法确定的。因此，这类分析能为设计更精确的心血管疾病免疫疗法提供有价值的见解。

3、脂质组学在ASCVD风险预测中的应用

3.1脂肪酸类

脂肪酸类可以改善ASCVD风险预测。最近的研究表明，心血管疾病和2型糖尿病与脂质代谢密切相关。为了在分子水平上破译这些关系，科学家们几年来一直在使用脂质组学分析。这是一种现代分析方法，可非常详细地了解血浆中的脂肪酸谱。利用高通量脂质组学，研究人员共鉴定出282种不同的脂质，其中69种与两种疾病中的至少一种相关，其中发现49种脂质与心血管疾病有统计学关联，它们主要属于胆固醇酯和鞘脂[14]。在分子水平上，研究人员发现高风险的脂质倾向于含有大部分饱和脂肪酸，特别是棕榈酸，不饱和脂肪酸(FAs)比例增加的饮食会导致风险相关脂质的减少和低风险脂质的增加[14]。同样，来自普伐他汀对缺血性疾病的长期干预（LIPID）研究的研究人员表明，从300多种LS-MS确定的脂质中分别选择4种和7种脂质的风险评分提高了心血管死亡的预测[15, 16]。脂质组学的使用可以帮助临床重新定义患者的ASCVD风险，补充目前使用的脂质血浆筛查指标，为开发新的诊断生物标志物和有效的治疗策略提供基础。

3.2甘油磷脂类

甘油磷脂是机体内含量最多的磷脂，是参与细胞信号转导的细胞膜的主要成分。根据其极性头基的性质，分为磷脂酰胆碱、磷脂酰肌醇、心磷脂等。Sutter等[17]采用LC-MS方法比较冠心病、急性心肌梗死及健康对照组的血脂谱，结果发现冠心病及急性心肌梗死患者的磷脂酰胆碱显著减少，以磷脂酰胆碱（33∶1）、（33∶2）、（33∶3）及（35∶3）最为明显。Anthonymuthu等

[18]利用高分辨液相色谱/质谱（HPLC/MS）方法，在39例自主循环恢复后6h内的心脏骤停患者、5例心肌梗死患者和10例健康对照者中确定了人脑、心脏和血浆中心磷脂的形态。深入研究甘油磷脂类，可能会进一步揭示ASCVD的发病机制，对心血管病的预防、早期诊断及预后至关重要。

3.3鞘脂类

Li等人[19]的研究表明，神经酰胺是动脉粥样硬化发生的重要因素，神经酰胺的测量可能有助于识别ACS患者超出传统评估工具的死亡高风险。Laaksonen小组专注于使用某些神经酰胺，并在临床特征的基础上开发相应的神经酰胺评分，以改进未来ASCVD风险预测。使用专门开发和验证的高通量LC-MS分析，可以在每个样本5分钟的总分析时间内可靠地测量与ASCVD最密切相关的四种神经酰胺[20]。最近，Vasile等人[21]在1131名受试者的社区队列中证实了这些发现，显示了心肌梗死（MI）和中风复合终点的神经酰胺评分相对于标准临床风险预测的参考值（AUC 0.67、ΔAUC 0.05）。Laaksonen小组的最新研究描述了一种新开发和扩展的风险评分，其中包含四种神经酰胺，但也包含三种磷脂[22]。这种新的风险评分是在三个独立的队列，包括11079名心绞痛或冠状动脉疾病（CAD）患者，在预测心血管死亡方面优于标准临床风险评分（验证时AUC 0.70、ΔAUC 0.05，推导时NRI 0.32）[22]。此外，该心血管事件风险测试2（CERT2）评分用于另一个由11222名稳定CAD患者组成的队列，在预测心血管死亡方面显著优于临床特征（AUC 0.75、ΔAUC 0.02）。通过脂质组学的应用，我们可以更准确地评估个体患动脉粥样硬化性心血管疾病的风险，并为预防和治疗提供个体化的策略。

4、蛋白质组学和脂质组学的挑战与展望

蛋白质组学和脂质组学在动脉粥样硬化性心血管疾病风险预测中仍面临一些挑战，如数据质量和标准化、高维数据的处理和解释、算法精度和临床应用的可行性等。因此，进一步的研究和探索仍然是必要的。血浆蛋白质组学和脂质组学有望利用目前可用的算法改进对个体ASCVD风险的有限预测[23]。通过借助不同的技术可以使用高通量分析可靠地评估血浆蛋白和脂质，并确定ASCVD风险分层的参考值。随着技术的不断发展和数据的积累，蛋白质组学和脂质组学在动脉粥样硬化性心血管疾病风险预测中有望发挥更大的作用，血浆生物标志物可以与遗传风险评分和冠状动脉成像相结合，以捕捉个体ASCVD风险背后复杂的多维度动脉粥样硬化的过程，为个体化的预防和治疗策略提供更可靠的依据。未来的研究应该注重多中心研究和外部验证，并结合临床指标，推动个体化风险预测的发展。

参考文献

[1]Fernández-Ruiz I. A proteomic model shows potential as a surrogate end point for CVD risk [J]. Nat Rev Cardiol, 2022, 19(6): 352.

[2]Ridker P M. Proteomics for the prediction and prevention of atherosclerotic disease [J]. Eur Heart J, 2022, 43(16): 1578-1581.

[3]Baek J, He C, Afshinnia F, et al. Lipidomic approaches to dissect dysregulated lipid metabolism in kidney disease [J]. Nat Rev Nephrol, 2022, 18(1): 38-55.

[4]Ganz P, Heidecker B, Hveem K, et al. Development and Validation of a Protein-Based Risk Score for Cardiovascular Outcomes Among Patients With Stable Coronary Heart Disease [J]. Jama, 2016, 315(23): 2532-2541.

[5]Ho J E, Lyass A, Courchesne P, et al. Protein Biomarkers of Cardiovascular Disease and Mortality in the Community [J]. J Am Heart Assoc, 2018, 7(14):

[6]Hoogeveen R M, Pereira J P B, Nurmohamed N S, et al. Improved cardiovascular risk prediction using targeted plasma proteomics in primary prevention [J]. Eur Heart J, 2020, 41(41): 3998-4007.

[7]Unterhuber M, Kresoja K P, Rommel K P, et al. Proteomics-Enabled Deep Learning Machine Algorithms Can Enhance Prediction of Mortality [J]. J Am Coll Cardiol, 2021, 78(16): 1621-1631.

[8]Nurmohamed N S, Belo Pereira J P, Hoogeveen R M, et al. Targeted proteomics improves cardiovascular risk prediction in secondary prevention [J]. Eur Heart J, 2022, 43(16): 1569-1577.

[9]Henry A, Gordillo-Marañón M, Finan C, et al. Therapeutic Targets for Heart Failure Identified Using Proteomics and Mendelian Randomization [J]. Circulation, 2022, 145(16): 1205-1217.

[10]Michelhaugh S A, Camacho A, Ibrahim N E, et al. Proteomic Signatures During Treatment in Different Stages of Heart Failure [J]. Circ Heart Fail, 2020, 13(8): e006794.

[11]Brunner A D, Thielert M, Vasilopoulou C, et al. Ultra-high sensitivity mass spectrometry quantifies single-cell proteome changes upon perturbation [J]. Mol Syst Biol, 2022, 18(3): e10798.

[12]Gatto L, Aebersold R, Cox J, et al. Initial recommendations for performing, benchmarking and reporting single-cell proteomics experiments [J]. Nat Methods, 2023, 20(3): 375-386.

[13]Fernandez D M, Rahman A H, Fernandez N F, et al. Single-cell immune landscape of human atherosclerotic plaques [J]. Nat Med, 2019, 25(10): 1576-1588.

[14]Eichelmann F, Sellem L, Wittenbecher C, et al. Deep Lipidomics in Human Plasma: Cardiometabolic Disease Risk and Effect of Dietary Fat Modulation [J]. Circulation, 2022, 146(1): 21-35.

[15]Alshehry Z H, Mundra P A, Barlow C K, et al. Plasma Lipidomic Profiles Improve on Traditional Risk Factors for the Prediction of Cardiovascular Events in Type 2 Diabetes Mellitus [J]. Circulation, 2016, 134(21): 1637-1650.

[16]Mundra P A, Barlow C K, Nestel P J, et al. Large-scale plasma lipidomic profiling identifies lipids that predict cardiovascular events in secondary prevention [J]. JCI Insight, 2018, 3(17):

[17]Sutter I, Klingenberg R, Othman A, et al. Decreased phosphatidylcholine plasmalogens--A putative novel lipid signature in patients with stable coronary artery disease and acute myocardial infarction [J]. Atherosclerosis, 2016, 246(130-140.

[18]Anthonymuthu T S, Kenny E M, Lamade A M, et al. Lipidomics Detection of Brain Cardiolipins in Plasma Is Associated With Outcome After Cardiac Arrest [J]. Crit Care Med, 2019, 47(4): e292-e300.

[19]Li F, Li D, Yu J, et al. Association Between Plasma Ceramides and One-Year Mortality in Patients with Acute Coronary Syndrome: Insight from the PEACP Study [J]. Clin Interv Aging, 2023, 18(571-584.

[20]Kauhanen D, Sysi-Aho M, Koistinen K M, et al. Development and validation of a high-throughput LC-MS/MS assay for routine measurement of molecular ceramides [J]. Anal Bioanal Chem, 2016, 408(13): 3475-3483.

[21]Vasile V C, Meeusen J W, Medina Inojosa J R, et al. Ceramide Scores Predict Cardiovascular Risk in the Community [J]. Arterioscler Thromb Vasc Biol, 2021, 41(4): 1558-1569.

[22]Hilvo M, Meikle P J, Pedersen E R, et al. Development and validation of a ceramide- and phospholipid-based cardiovascular risk estimation score for coronary artery disease patients [J]. Eur Heart J, 2020, 41(3): 371-380.

[23]Nurmohamed N S, Kraaijenhof J M, Mayr M, et al. Proteomics and lipidomics in atherosclerotic cardiovascular disease risk prediction [J]. Eur Heart J, 2023, 44(18): 1594-1607.

（1.白小龙，第一作者；2∗.牛瑞龙，通讯作者）