基于数据非依赖型采集蛋白质组学构建脓毒症性凝血病诊断模型的临床研究
前瞻性纳入重症医学科46例成年脓毒症患者,按SIC标准分为普通脓毒症组26例和SIC组20例,采用DIA蛋白质组学筛选差异表达蛋白并构建诊断模型。LASSO回归筛选出血管生成素和C型凝集素结构域家族10成员A,构建的列线图诊断模型ROC曲线下面积为0.896,特异度0.731,灵敏度0.900。
要点
- SIC患者凝血酶原时间较普通脓毒症组延长,血小板计数降低,D-二聚体、纤维蛋白降解产物、血乳酸、SOFA评分和APACHE Ⅱ评分升高(P<0.05)。
- DIA蛋白质组学鉴定出2 637个蛋白,筛选出240个差异表达蛋白,包括81个上调蛋白和159个下调蛋白。
- 由血管生成素和C型凝集素结构域家族10成员A构建的SIC诊断模型ROC曲线下面积为0.896,特异度0.731,灵敏度0.900。
核心结论
- 由血管生成素和C型凝集素结构域家族10成员A构建的列线图诊断模型可为SIC诊断提供准确工具。
研究设计与样本
- 前瞻性观察研究纳入重症医学科46例成年脓毒症患者,按SIC标准分为普通脓毒症组26例和SIC组20例,采集血浆进行DIA蛋白质组学检测及生物信息学分析。
主要发现
- SIC患者凝血酶原时间较普通脓毒症组明显延长,血小板计数明显降低,D-二聚体、纤维蛋白降解产物、血乳酸、SOFA评分和APACHE Ⅱ评分较普通脓毒症组明显升高(P<0.05)。
- DIA蛋白质组学共鉴定出2 637个蛋白,以表达倍数>1.5倍且P<0.05为标准筛选出240个差异表达蛋白,包括81个上调蛋白和159个下调蛋白。
- 亚细胞定位分析表明差异表达蛋白主要在细胞外和细胞核;GO注释显示其生物过程主要参与细胞生理、生物调节和应激反应,分子功能主要参与生物分子互作和催化作用。
- 结构域注释显示差异表达蛋白以免疫球蛋白V区为主;KEGG富集分析显示主要富集在自然杀伤细胞介导的细胞毒性反应、糖基磷脂酰肌醇锚定蛋白合成通路、肿瘤坏死因子信号通路和NF-κB信号通路。
- LASSO回归和随机森林筛选出血管生成素和C型凝集素结构域家族10成员A两个变量,以此构建的SIC诊断模型ROC曲线下面积为0.896,特异度0.731,灵敏度0.900。
关键数值与推荐
- 差异表达蛋白筛选标准为表达倍数>1.5倍且P<0.05,共筛选出240个差异表达蛋白(81个上调,159个下调)。
- SIC诊断模型ROC曲线下面积为0.896,特异度0.731,灵敏度0.900。
临床怎么用
- 原文未据此给出推荐。
局限性
- 原文未报告局限性。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
原文
Objective: This study used data-independent acquisition (DIA) proteomics to analyze plasma protein expression in sepsis-induced coagulopathy (SIC), identify key biomarkers, and develop a diagnostic model. Methods: This prospective study included 46 adult sepsis patients from the intensive care unit. Patients were categorized into a general sepsis group (n=26) and an SIC group (n=20) based on established SIC criteria. Plasma samples underwent proteomic and bioinformatics analyses to identify differentially expressed protein (DEP) using LASSO regression and Random Forest. A diagnostic model was constructed and assessed via receiver operating characteristic (ROC) curve analysis. Results: The baseline data revealed that SIC patients exhibited longer prothrombin times, lower platelet counts, and higher D-dimer, fibrin degradation products, blood lactate, SOFA scores, and APACHE Ⅱ scores compared with general sepsis patients (P<0.05). DIA proteomics identified 2 637 proteins, with 240 DEP meeting the criteria (fold change >1.5, P<0.05), including 81 upregulated and 159 downregulated DEP. Subcellular localization analysis revealed that DEPs were predominantly extracellular and nuclear. Gene ontology (GO) annotation showed that DEP were mainly involved in cellular physiology, biological regulation, and stress response processes in biological processes. Domain annotation revealed a predominance of immunoglobulin V regions in DEP, which are crucial for antigen recognition and binding. KEGG enrichment analysis showed significant enrichment of DEP in pathways related to natural killer cell-mediated cytotoxicity, glycosylphosphatidylinositol anchor biosynthesis, tumor necrosis factor signaling, and NF-κB signaling. LASSO regression identified angiogenin and C-type lectin domain family 10 member A as key DEP. The SIC diagnostic nomogram showed an area under the curve of 0.896, with 0.731 specificity and 0.900 sensitivity. Conclusion: The nomogram incorporating angiogenin and C-type lectin domain family 10 member A provides an accurate tool for SIC diagnosis. 目的: 采用数据非依赖型采集(DIA)蛋白质组学技术分析脓毒症性凝血病(SIC)的血浆蛋白表达,筛选典型生物标志物并构建诊断模型。 方法: 前瞻性观察研究纳入重症医学科46例成年脓毒症患者,收集临床资料并按照SIC标准分为普通脓毒症组(26例)和SIC组(20例),采集血浆标本进行蛋白组学检测并进行生信物信息学分析,应用LASSO、随机森林筛选差异表达蛋白(DEP),根据筛选结果构建SIC诊断模型,并进行受试者工作特征(ROC)曲线分析。 结果: 基线资料显示,SIC患者的凝血酶原时间较脓毒症组明显延长,血小板计数明显降低,D-二聚体、纤维蛋白降解产物、血乳酸、SOFA评分和APACHE Ⅱ评分较脓毒症组患者明显升高(P<0.05)。DIA蛋白组学共鉴定出2 637个蛋白,以表达倍数>1.5倍且P<0.05为筛选标准,共筛选出240个DEP,包括81个上调DEP和159个下调DEP。亚细胞定位分析表明,DEP主要在细胞外和细胞核;GO注释显示,DEP在生物过程方面主要参与细胞生理、生物调节和应激反应过程;分子功能方面主要参与生物分子互作和催化作用;结构域注释显示DEP以免疫球蛋白V区为主,是特异识别和结合抗原的部分;KEGG富集分析显示,DEP主要富集在自然杀伤细胞介导的细胞毒性反应、糖基磷脂酰肌醇锚定蛋白合成通路、肿瘤坏死因子信号通路和NF-κB信号通路。对DEP进行LASSO回归和随机森林,筛选出血管生成素、凝集素家族成员10两个变量,且以此构建的SIC诊断模型的ROC曲线下面积为0.896,特异度为0.731,灵敏度为0.900。 结论: 由血管生成素、凝集素家族成员10构建的诊断模型可准确诊断SIC。.
引用
- Chen Q, Song JC, Wan XL, et al. [A clinical investigation of constructing a diagnostic model for sepsis-induced coagulopathy utilizing data-independent acquisition proteomics]. Zhonghua Xue Ye Xue Za Zhi. 2025. PMID: 40059681. doi:10.3760/cma.j.cn121090-20241219-00579
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。