港大张清鹏 Nature 子刊最新研究：AI 结合血液多组学，提前 15 年预测心血管疾病风险

41 0 0

文章摘要

【关键词】 心血管疾病、人工智能、多组学、风险评估、UK Biobank

基于UK Biobank的大规模人群研究，首次通过人工智能整合血液蛋白组和代谢组数据，构建了能同时预测六种心血管疾病长期风险的模型框架。研究发现，血液中的蛋白质和代谢物信息显著提升了传统临床指标的预测能力，其中基于2,920种蛋白质的ProScore表现尤为突出，其风险区分能力（C-index 0.69-0.82）远超多基因风险评分，部分接近临床常用模型。

研究团队开发的CardiOmicScore框架突破了传统”一病一模型”的局限，在同一算法中捕捉多种心血管疾病的共性分子特征与特异性信号。验证数据显示，多组学评分能提前十年以上识别高风险人群，且预测结果与真实事件发生率高度吻合。值得注意的是，蛋白组数据对预测性能的提升最为显著，即使已包含完整临床信息，其加入仍能使模型净收益提高15-20%。

通过SHAP解释性分析，模型不仅确认了NT-proBNP等经典生物标志物的价值，还发现了GDF15、MMP12等新型预测因子，这些分子与心肌应激、炎症反应等病理过程密切相关。代谢组中的谷氨酰胺、GlycA等物质同样展现出独立预测价值，为理解心血管疾病的分子机制提供了新视角。

该研究采用严格的”开发-验证”模式，基于2.4万名基线健康人群的15年随访数据，确保结论的可靠性。多组学模型展现出良好的临床转化潜力：其一次检测评估多种风险的特点，可优化现有筛查流程；动态反映生理状态的特征，则为早期干预提供了时间窗口。研究者特别指出，这类框架具备持续扩展性，未来整合影像、电生理等多模态数据后，可能形成更全面的风险评估体系。

从应用层面看，这种预测方式尤其适合心血管疾病的一级预防。它既能避免遗传评分的”静态局限”，又弥补了传统指标对亚临床风险的识别不足。论文通讯作者张清鹏强调，该成果为建立”以患者为中心”的整体性风险评估范式迈出了关键一步，后续将探索其在临床决策支持系统中的实际价值。