0
| 本文作者： 鄭佳美 | 2026-02-05 10:42 |
在心血管疾病預防中，一個長期存在的難題是：許多疾病在發(fā)病前已在體內(nèi)潛伏多年，但要在早期準確判斷一個人未來是否會同時面臨多種心血管疾病風險，并不容易。
以往的風險評估主要依賴年齡、血壓、血脂等常規(guī)臨床指標，或多基因遺傳風險評分。然而心血管疾病往往是一個長期演變、可能同時出現(xiàn)多種結(jié)局的過程，單一指標或針對單一疾病的預測方式，很難全面反映真實風險。
隨著大規(guī)模人群隊列和高通量分子檢測技術的發(fā)展，研究者發(fā)現(xiàn)血液中的蛋白質(zhì)和代謝物能夠更直接地反映身體當前的生理狀態(tài)以及疾病進程。這些分子信號不僅受到遺傳因素影響，也會隨環(huán)境和生活方式變化，為長期風險評估提供了新的信息來源。
在此背景下，由香港大學數(shù)據(jù)科學研究院及藥理與藥劑學系副教授張清鵬領銜的研究團隊，基于 UK Biobank 大規(guī)模前瞻性人群數(shù)據(jù)，開展了一項多組學信息與人工智能相結(jié)合的研究。
研究團隊不再局限于“一病一模型”的思路，而是將蛋白組和代謝組信息納入統(tǒng)一框架，同時評估多種心血管疾病的長期風險。相關成果以《AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease 》為題發(fā)表于 Nature Communications，為心血管風險研究提供了一種更整體、也更貼近真實人群的研究路徑。
論文地址：https://www.nature.com/articles/s41467-026-68956-6
這項研究的核心發(fā)現(xiàn)是：在傳統(tǒng)臨床指標的基礎上，引入血液多組學信息，可以顯著提升對心血管疾病長期風險的預測能力，而且這種提升在多種心血管疾病中都表現(xiàn)得穩(wěn)定一致。
研究基于 UK Biobank 的長期隨訪數(shù)據(jù)，采用分階段的方式構建和驗證模型。研究團隊提出了 CardiOmicScore 框架，分別利用血液中的 2,920 種蛋白質(zhì)和 168 種代謝物，訓練了兩類人工智能模型，并由此生成了兩種疾病特異性風險評分：基于蛋白組的 ProScore 和基于代謝組的 MetScore。
與傳統(tǒng)只針對單一疾病構建的風險評分不同，這兩種評分是在同一模型中同時納入多種心血管疾病進行訓練，系統(tǒng)性地捕捉了多種心血管疾病之間的共性生物學特征及其各自的分子差異，最終會為每一種疾病分別生成對應的風險評分。在隨后納入約 2.4 萬名基線時未患心血管疾病的驗證人群中，研究者系統(tǒng)評估了這些風險評分的預測效果。
（圖1. 研究設計與分析流程。a. 研究人群；b. 模型開發(fā)流程；c. 模型性能評估。）
結(jié)果顯示，即使不依賴任何傳統(tǒng)臨床指標，ProScore和MetScore本身就已經(jīng)具備較強的風險識別能力，能夠在疾病發(fā)生前十年以上發(fā)出預警信號。其中，基于蛋白組的ProScore預測效果最為穩(wěn)定，其區(qū)分高風險與低風險人群的能力（C-index在0.69-0.82之間）明顯優(yōu)于多基因風險評分（C-index在0.52-0.60之間），在部分心血管結(jié)局中接近常用的臨床風險模型。基于代謝組的MetScore表現(xiàn)（C-index在0.64-0.74之間）略弱于ProScore，但整體仍優(yōu)于多基因風險評分。雷峰網(wǎng)(公眾號：雷峰網(wǎng))
在真實人群中，這些多組學評分也能清晰區(qū)分不同風險水平，識別出更容易發(fā)生心血管事件的個體。無論是蛋白組還是代謝組評分，高風險人群在隨訪期間發(fā)生心血管疾病的概率始終顯著高于低風險人群，而且這種差異在六種心血管疾病中均一致存在。
（圖2. MetScore 與 ProScore 對心血管疾病風險的區(qū)分能力。a. 按MetScore分層的生存概率；b. 按ProScore分層的生存概率；c. MetScore和ProScore與心血管疾病風險的關聯(lián)強度。）
進一步分析發(fā)現(xiàn)，多組學信息在現(xiàn)有臨床評估基礎上能提供額外價值。無論模型中已包含多少臨床信息，只要加入蛋白組或代謝組評分，預測效果都會明顯提升，其中蛋白組評分帶來的改善最為突出，代謝組次之，而多基因風險評分的提升相對有限。這表明，多組學信號反映的是傳統(tǒng)臨床檢查難以直接捕捉的分子層面風險。
（圖3. 多組學信息對心血管疾病的預測性能。a. 模型的判別能力；b. 加入多組學信息后基線臨床模型預測性能的變化。）
從實際應用角度看，加入多組學信息后的模型預測結(jié)果穩(wěn)定可靠，預測風險與真實事件發(fā)生率高度一致，不會系統(tǒng)性高估或低估風險。在多種模擬的臨床決策場景中，這類模型顯示出更高的潛在收益，有望在減少不必要干預的同時，更早、更準確地識別真正的高風險人群。
（圖4. 心血管疾病預測模型的校準能力和凈收益曲線。a. 校準曲線；b. 凈收益曲線。）
為了理解模型“為什么這樣預測”，研究者通過 SHAP 方法進一步分析了模型最依賴的分子特征。結(jié)果顯示，一些臨床上早已熟知的指標仍然是核心預測因子，例如與心臟負荷相關的 NT-proBNP 和 NPPB 蛋白，以及反映腎功能和營養(yǎng)狀態(tài)的肌酐和白蛋白。
在此基礎上，模型還識別出了一批具有潛在價值的新型生物標志物。在蛋白組中，GDF15、MMP12、FASLG 和NEFL 顯示出較強的預測能力；在代謝組中，谷氨酰胺、脂肪酸、糖蛋白乙酰基（GlycA）以及多種脂質(zhì)相關分子同樣具有重要作用。
這些分子在不同心血管疾病中的表現(xiàn)并不完全相同，為深入理解心血管疾病的復雜分子機制，以及探索新的干預靶點提供了線索。這些分子的作用模式，與心肌應激、炎癥反應和代謝紊亂等已知病理過程高度一致，說明模型確實抓住了心血管疾病的關鍵生物學信號。
（圖5. 心血管疾病風險預測中具有代表性的關鍵代謝物和蛋白質(zhì)。a. 關鍵代謝物；b. 關鍵蛋白質(zhì)。）
（圖6. 代謝物和蛋白質(zhì)在心血管疾病風險預測中的相對貢獻。a. 代謝物的預測貢獻；b. 蛋白質(zhì)的預測貢獻。）
這項研究依托 UK Biobank 大規(guī)模前瞻性隊列開展。研究采用了“先開發(fā)、再驗證”的嚴謹設計：首先利用只包含單一組學信息的大規(guī)模人群數(shù)據(jù)訓練模型，其中包括約 22 萬名具有代謝組數(shù)據(jù)的參與者和約 1.9 萬名具有蛋白組數(shù)據(jù)的參與者；隨后，再在一組同時具備遺傳、代謝和蛋白信息、且基線時沒有心血管疾病的 2.4 萬名個體中進行獨立驗證。這些人群的中位隨訪時間約為 15 年，使研究能夠充分觀察心血管疾病的長期發(fā)生過程。雷峰網(wǎng)
研究重點關注了六種常見且臨床負擔較重的心血管疾病。所有疾病結(jié)局均通過醫(yī)院住院記錄和死亡登記信息進行確認，確保了結(jié)果判定的可靠性和一致性。隨訪時間從基線評估開始，一直持續(xù)到疾病發(fā)生、死亡、失訪或隨訪結(jié)束。
在數(shù)據(jù)層面，研究整合了三類關鍵信息。遺傳風險通過既往全基因組關聯(lián)研究中已驗證的遺傳變異構建，用來反映個體的先天易感性；代謝組數(shù)據(jù)來自血液樣本，涵蓋脂質(zhì)、脂蛋白、氨基酸以及炎癥相關代謝物，能夠反映機體當前的代謝狀態(tài)；蛋白組數(shù)據(jù)則一次性檢測了近 3,000 種循環(huán)蛋白，覆蓋炎癥、免疫、代謝調(diào)控和心血管結(jié)構重塑等多種關鍵生物過程。
在此基礎上，研究團隊開發(fā)了一套名為 CardiOmicScore 的人工智能模型框架，分別針對蛋白組（ProNet）和代謝組（MetNet）信息構建風險預測模型。該框架的一個重要特點是，它既能學習多種心血管疾病之間的共通生物學特征，也能同時捕捉每一種疾病特有的分子信號。模型最終輸出的是連續(xù)的風險評分，而不是簡單的“有病或沒病”，因此更適合用于長期風險評估。
在驗證階段，研究采用了嚴格的獨立測試策略，確保模型在新的人群中依然有效。模型性能不僅通過常用的預測準確度指標進行評估，還結(jié)合了校準分析和決策曲線分析，系統(tǒng)檢驗其在真實臨床使用場景中的可靠性和潛在價值。
此外，研究還對模型進行了深入解釋，分析哪些具體的蛋白和代謝物在風險預測中起到了關鍵作用。這一步使得模型的預測結(jié)果能夠與已知和潛在的生物學機制相對應，而不是停留在“黑箱預測”的層面。
從研究意義上看，這項工作為心血管疾病風險預測提供了一種新的整體框架。研究清楚表明，僅依賴傳統(tǒng)臨床指標或遺傳信息，很難全面反映一個人未來的長期心血管風險；而血液中的蛋白質(zhì)和代謝物，能夠更直接地反映身體當前的生理狀態(tài)和疾病進展過程。將這些信息系統(tǒng)性地整合起來，可以更準確地預測未來心血管事件的發(fā)生。
在臨床應用層面，研究提出了一種更高效的風險評估方式：通過一次血液檢測，同時評估多種心血管疾病的長期風險。這種方法打破了傳統(tǒng)“一病一模型”的做法，更貼近真實臨床中多種心血管風險往往同時存在的情況，也為未來開展更精準、更高效的風險篩查提供了可能。
在精準醫(yī)學的背景下，研究進一步凸顯了蛋白組和代謝組信息的獨特優(yōu)勢。與相對固定的遺傳風險不同，這些分子能夠反映環(huán)境、生活方式和健康狀態(tài)的綜合影響，因此更適合用于動態(tài)風險評估和早期干預，為心血管疾病的一級預防提供了新的科學依據(jù)。
此外，通過對模型的解釋性分析，研究不僅驗證了傳統(tǒng)的 NT-proBNP 等既往已知的心血管相關生物標志物，還通過AI揭示了一批潛在的新分子線索。這些結(jié)果有助于加深對心血管疾病分子機制的理解，并為未來生物標志物開發(fā)、藥物靶點發(fā)現(xiàn)以及治療策略優(yōu)化提供方向。
從更長遠的角度來看，這項研究展示了一種具有良好擴展性的醫(yī)學人工智能研究范式。隨著未來進一步整合影像、心電圖等多模態(tài)數(shù)據(jù)，這類模型有潛力發(fā)展為更全面的心血管風險評估工具，為臨床決策提供更加個體化和前瞻性的支持。
論文的作者包括：香港大學羅顏、崔夢瑤、張清鵬，天津醫(yī)科大學第二醫(yī)院劉彤、張楠，南京大學羊劍楠，香港中文大學蔡錦輝教授和利物浦大學 Gregory Y. H. Lip，張清鵬與劉彤為共同通訊作者。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
