Deep phenotyping of heart failure with preserved ejection fraction through multi-omics integration.
研究背景
心力衰竭伴射血分数保留（HFpEF）成心力衰竭主要形式，是心血管病发病和死亡主因。因其异质性，诊断和管理挑战大，早期识别对预防策略建立至关重要。本研究用多组学整合和机器学习检测表征HFpEF，提高早期检测准确性。
方法速览
- 数据来源：用UK Biobank数据，含401,917名训练队列和100,446名验证队列参与者。
- 模型构建：用CatBoost分类器监督学习，结合多类数据。
- 亚群识别：用SNF方法无监督聚类，分HFpEF患者为六个亚群。
- 通路分析：用ssGSEA分析亚群通路活性。
主要发现
- 高风险亚群识别：分HFpEF患者为六个亚群，Cluster 2是高风险亚群，死亡率65.2%，炎症途径失调，高死亡率与共病有关。
- 早期识别HFpEF：监督分类器在验证队列表现优，ROC AUC为0.931，能在症状出现前平均6.3年识别患者。
- 分子特征表征：Cluster 2中部分蛋白显著上调，UMOD显著下调，与慢性炎症和内皮功能障碍有关。
- 通路分析：整个HFpEF队列免疫相关通路显著上调，不同亚群通路活性有差异。
- 问卷和临床特征重要性：仅基于问卷和临床特征的分类器预测Cluster 2病例性能好，ROC AUC为0.962。
总结展望
本研究首次用多组学整合和机器学习实现HFpEF早期识别，揭示不同亚群分子特征。但依赖欧洲人群数据，单时间点聚类无法评估患者变化轨迹，可能有未测量混杂因素。