【 Olink 文獻分享】隊列多組學研究對 COVID-19 嚴重程度預測模型的開發
COVID-19 是一種多系統疾病，入院患者的臨床結果具有高度可變性。儘管一些細胞激素，如白介素IL-6 被認為與嚴重程度相關，但尚無早期生物標誌物能夠可靠地預測哪些患者更有可能出現不良結果。因此，探索嚴重併發症的預測標誌物是至關重要的。
梅奧醫學中心 (Mayo Clinic) 的Seul Kee Byeon 等團隊在 Lancet Digital Health (IF 36.625) 上發表了一項回顧性隊列研究：該研究基於Olink 等平台的多組學聯合分析，開發了一種含102 個生物標誌物的預測模型，該模型與傳統的細胞激素模型相比能更好地預測COVID-19 的嚴重程度。
該回顧性研究分析了455名COVID-19 陽性患者的樣本。這些感染者在2020年4月14日至2020年12月1日期間SARS-CoV-2 RT-PCR 結果呈陽性，並在此時期就診於美國梅奧診所(明尼蘇達州、亞利桑那州或佛羅里達州的三個診所之一)。根據世界衛生組織定義的疾病嚴重程度，被分為三個亞組 (門診病人、重症或危重症)。對照隊列 (control cohort) 由182個年齡和性別相仿的匿名者的血漿樣本組成，這些樣本在COVID-19 大流行前就已經在梅奧診所的生物樣本庫保存，具有在梅奧診所就診的人群中典型的共病。採用WHO臨床改善順序量表(OSCI) 定義了4個患者亞組: 182例對照病例 (WHO OSCI=0)、183例COVID-19 門診患者 (WHO OSCI= 1-2)、139例COVID-19 重症患者 (WHO OSCI= 3-4) 和133例COVID-19 危重患者(WHO OSCI= 5-8)。
Olink Explore 1536 panel蛋白質體學分析量化了1463種細胞激素和循環蛋白，確定了與疾病嚴重程度顯著相關的差異蛋白。其中，與細胞激素風暴 (cytokine storm) 和巨噬細胞啟動綜合症 (macrophage activation syndromes) 相關的細胞激素：IL-6、IL-8、CCL2、VEGFA、TNF 和IFN-γ 的表現水平與疾病嚴重程度呈正相關。隨著疾病進展，與補體通路相關的凋亡標誌物LRP1、VSIG4，造血介質CSF1、IL-5Rα，與蛋白多醣相關的HS3ST3B1、SDC1，細胞表面受體LILRA5、LAG3、CAPG，與血管建構相關的PROK1、ANGPTL1、EPHB4，與鈣相關的CALCA、SMOC1等蛋白皆升高。而細胞表面受體CD1c、ITGA V及TNFSF10、TNFSF11、ICOSLG、GALNT7、COMP、CRTAC1、CDH6、NPY等蛋白則降低。
作者還檢測了902種脂類和1,018種代謝物，並開發了一套基於機器學習的預測模型，發現了102個和疾病進展相關的預測生物標誌物。該模型相比傳統的基於細胞激素組的模型能更好地預測COVID-19 的嚴重程度和臨床結果。其中包含53個血漿蛋白質，在對照組和不同嚴重程度的新冠患者中有明顯的差異表達。
多組學聯合分析
作者建立了兩個基線模型進行比較：一種只使用IL-6，另一種使用細胞激素風暴套組 (cytokine storm panel) 中包含的細胞激素。而使用102個生物標誌物 (53種蛋白質、12種脂類、37種代謝物) 所建立的模型優於保留測試資料集中的基線模型 (即IL-6和細胞激素風暴套組; P < 0.0010)，表明多組學預測模型在預測嚴重程度方面優於其他已建立的細胞激素模型。COVID-19 患者入院前血漿中的多組學分子特徵可用於預測更嚴重的疾病過程。機器學習方法可以應用於高度複雜和多維剖析資料，以揭示臨床使用的新特徵。
這項研究涵蓋了637名個體，其中包括455名不同嚴重程度的COVID-19 患者，是迄今為止使用綜合多組學方法對COVID-19 血漿樣本進行的最廣泛分析。其中Olink PEA 技術篩選發現了與COVID-19 嚴重程度相關的大部分預測生物標誌物。研究發現，與細胞激素風暴綜合症相關的幾個分子與嚴重程度相關，也如預期，包括IL-6、IL-10、IL-11。其他系統性免疫反應的標誌物，以及CSF1、IL-5Rα和IL-15 也顯示出類似的相關性。該研究還發現了與炎症、細胞凋亡和其他重要細胞過程有關的其他血漿蛋白標記物，包括一些此前未在COVID-19 背景下描述的蛋白。
參考資料
Development of a multiomics model for identification of predictive biomarkers for COVID-19 severity: a retrospective cohort study. Byeon SK et al. Lancet Digit Health. 2022 Sep;4(9):e632-e645. doi: 10.1016/S2589-7500(22)00112-1.
資料來自 Olink 微信官方帳號，作者 Song Shu
https://mp.weixin.qq.com/s/3wPTXKtPMzOVz3h2wLagJg