帕金森病（PD）是一种复杂且日益流行的中枢神经系统（CNS）神经退行性疾病。它的临床特征是运动性症状（迟缓、震颤、肌强直等）和非运动症状（包括：神经精神症状、自主神经功能障碍、睡眠-觉醒障碍等）。主要由多巴胺能细胞中的α-突触核蛋白聚集引起，并导致路易体（LB）形成。神经保护策略未能阻止疾病进展的部分原因是该疾病的临床异质性，它有多种表型，以及缺乏客观的生物标志物。因此，急需找到与帕金森病病理生理学和临床表型直接相关的生物标志物。
今年6月18日，伦敦大学和德国哥廷根大学医学中心研究团队在《Nat Commun》（IF:14.7）杂志上发表题为：《Plasma proteomics identify biomarkers predicting Parkinson's disease up to 7 years before symptom onset》的相关研究。该研究通过高通量串联质谱技术分析血液样本，发现了与帕金森病相关的8种蛋白质，机器学习模型根据8种蛋白质的表达成功区分患者与健康人，并在发展为运动性症状前7年预测了79%的非运动症状的受试者。
图1 血浆蛋白标志物研究思路
样本：99名近期被诊断患有帕金森病的患者、72名出现快速眼动睡眠行为障碍但还没有出现帕金森相关运动症状的患者，以及36名健康对照者的血样。
筛选流程：发现阶段检测非靶血浆蛋白质组进行标志物的初步筛选，随后通过两次靶向质谱鉴定深入验证候选血浆蛋白标志物，构建机器学习模型区分不同人群。
发现队列由随机挑选的十名药物治疗无效的帕金森病患者和十名HC组成。该分析发现了1238个蛋白质，经数据前处理后，剩余895个蛋白质。在这些蛋白质中，有47个蛋白质在PD组和对照组之间差异表达。通路分析表明，这些蛋白在几种炎症通路中富集。
图2 血浆蛋白质组差异蛋白筛选（发现阶段）
该研究创建了一个靶向蛋白质组，其中包括自己工作中初步发现的蛋白和文献报道过的相关蛋白，共121种蛋白质。验证第一步分析了近期被诊断患有帕金森病的患者（99人）、出现快速眼动睡眠行为障碍（iRBD）但没有帕金森病相关运动症状的患者（72人）、以及作为对照的健康个体（36名）的血浆，进行了有针对性的多重质谱分析验证。其中，32种蛋白质在血浆中得到了稳定可靠的检测。在这32个标志物中，23个被证实在帕金森病和高血压之间有显著的差异表达。在iRBD患者与HC之间以及其他神经疾病患者（OND）与HC之间的比较中，发现了6种差异表达的蛋白质（图3）。
图3 靶向蛋白质组分析的工作流程和结果概述（验证阶段1）
该研究继续探讨了观察到的蛋白质表达能否用于建立一个回归模型，以预测个体是属于PD组还是HC组。确定了一组能以100%的准确率区分PD和HC的蛋白质，然后构建了一个线性支持向量分类模型。特征选择的结果是一个包含八个预测因子的模型：GRN、MASP2、HSPA5、PTGDS、ICAM1、C3、DKK3和SERPING1。模型对训练数据进行了预测，结果是所有样本都被归入了正确的类别。在接收者操作特征曲线（ROC）和精确度-召回曲线（PR）曲线上，该标志物组合的AUC都达到了1.0（图4）。证明该模型以100%的准确率对原发性帕金森病（PD）样本或对照样本进行了分类和分离。
图4 机器学习构建诊断模型（验证阶段1）
为了评估以高风险受试者为重点的初始预测模型的结果，该研究改进了靶向蛋白质组检测方法，只定量检测初始靶向蛋白质组检测中容易可靠检测到的蛋白质（n=32）。分析了一组由54名iRBD患者组成的独立队列中的146份纵向样本。纵向随访长达10年，其间有16名受试者（20%）表型转化为帕金森病（11人）或路易体痴呆（5人）。
该研究将第二阶段所有可用的纵向iRBD样本（n= 146）应用于第一阶段构建的两个机器学习模型（OPLS-DA和支持向量机SVM）（PD vs. HC）。OPLS-DA模型基于所有32个检测到的蛋白质，将70%的iRBD样本鉴定为PD，而SVM模型基于8个蛋白质面板，将79%的样本鉴定为PD。如上所述，在进行分析时，iRBD验证队列中的54名受试者中有16人已发展为PD/DLB。因此，最早的正确分类发生在表型转换前7.3年，最晚的正确分类发生在诊断前0.9年（平均3.5±2.4年）。
图5 机器学习预测结果
本研究发现的八种血浆蛋白标志物对于帕金森病的早期诊断具有潜在的价值，这些标志物不仅能在确诊患者中鉴别出疾病，还能在症状出现前7年识别出高风险个体。这一发现对于寻找有效的预防和治疗策略具有重要意义，因为这些标志物可以用于筛选和识别临床试验中的参与者，从而为帕金森病的管理提供更早的干预机会。
