利用机器学习基于症状前蛋白质组学数据预测帕金森病。

在帕金森病中，非运动症状比特征性运动表现早出现长达 20 年。然而，预测该疾病风险仍具挑战性。我们分析了在患有帕金森病的 UK Biobank 参与者中检测的 2,937 种血浆蛋白，并应用机器学习（ML）在确诊前长达 14 年预测疾病结局。与对照组相比，新发病例中有 446 种蛋白质表达失调。由 23 种蛋白质组成的子集在新发病例中预测疾病的 AUC 为 0.78，在既有病例中为 0.795。我们在一个独立队列中针对跨数据集共有的 16 种蛋白质验证了所识别蛋白质组学特征的效用，验证 AUC 高达 0.76。我们在确诊前长达 9 年识别出帕金森病相关通路的过度表征，包括 Neuron Death 和 Amyloid-beta Clearance 的富集。共表达网络分析揭示了与疾病风险及确诊时间相关的蛋白质模块。帕金森病特征在确诊前长达 14 年即可在血浆中发现，失调的蛋白质为疾病发展提供了见解。我们的研究结果强调了将 ML 应用于症状前患者的大规模蛋白质组学数据以实现疾病早期预测的潜力。