课题到底创新在哪里

Posted on by

看到了朋友圈好友转发了一个2024新鲜出炉的基于蛋白质组数据对阿兹海默症进行早期诊断的文章：《Alzheimer’s disease early diagnostic and staging biomarkers revealed by large-scale cerebrospinal fluid and serum proteomic profiling》，文章的摘要写的非常棒，很清晰，如下所示：

  • 深入分析配对脑嵴液和血清蛋白质组的蛋白质组学工作流程。
  • 独立的多中心集合，结合多种验证方法。
  • 开发19个脑脊液和8个血清蛋白质组用于早期阿兹海默病(AD)诊断。
  • 21个脑脊液和18个血清蛋白在不同的 AD 阶段失调。‧
  • 为临床筛查和分期进行 AD 血液测试奠定基础。
    让我们认真读一下这个文章吧，因为是《The Innovation》期刊，目前看起来是开源的，pdf很容易下载。总体上来说实验设计还算是比较容易理解的：

    To explore early diagnostic and staging biomarkers of AD, we performed tandem mass tag (TMT)–based proteomic analysis of paired CSF and serum samples
    也就是说，队列的样品是： 成对的脑脊液和血清样本，包括 AD 患者、 AD 引起的 MCI 患者、 HD 患者、 ALS 患者和 CN组 。

  • cognitive normal (CN) group
  • mild cognitive impairment (MCI) due to AD group
  • amyotrophic lateral sclerosis (ALS)/Huntington disease (HD)
  • Alzheimer disease (AD)

    首先是多分组的蛋白质组差异分析

    重点是在脑脊液数据集里面， (MCI) due to AD group与 CN组 相比，185种 CSF 蛋白表达水平上调(p < 0.05，log2倍数变化[ FC ] > 0.25) ，5种 CSF 蛋白表达水平下调(p < 0.05，log2 FC < -0.25)
    以及在血清蛋白质组数据集里面， (MCI) due to AD group与 CN组 相比，鉴定了49个失调蛋白(p < 0.05，| log2 FC | > 0.25)，不知道为什么这个时候不区分上下调啦。
    因为还涉及到HD,ALS等疾病，其它差异分析，总体上来说可以看这个韦恩图啦：
    其它差异分析，总体上来说可以看这个韦恩图
    其实到这里，仅仅是一个简单的多分组的差异分析而已，无论是表达量芯片还是转录组测序，还是蛋白质组代谢组，亦或是单细胞，都是没什么科研含量的，很常规啦。
    然后是关上面的韦恩图该如何聚焦后续的分析，这个研究者的操作是：在排除与 HD 组和 ALS 组重叠的失调血清蛋白后，选择了37个由 AD 引起的 MCI 的潜在特异性血清生物标志物进行进一步验证。

    扩大队列验证差异分析结果

    有意思的地方来了，基于上面的多分组差异分析结果，这个时候其实有两个诊断模型需要构建，首先是可以区分由 AD 引起的 MCI 患者和其他神经退行性疾病患者，其次是准确区分 (MCI) due to AD group与 CN组 。
    而且前面已经是有差异分析结果，所以可以使用聚焦后的蛋白质组，这样会省钱，而且可以扩大队列：
    聚焦后的蛋白质组
    然后我们来看看研究者的实验设计吧：

  • 在一个独立的多中心队列中进行了基于并行反应监测(PRM)的靶向蛋白质组学实验。验证队列包括221名脑脊液样本参与者和288血清样本参与者
  • 总共有57个和12个失调的脑脊液和血清蛋白在 MCI 由于 AD 组分别得到验证
    也就是说，超过三分之二的差异分析结果因为扩大队列而没办法验证？？？

    机器学习模型

    前面有了被验证的差异分析结果，接下来就进行如下所示机器学习：
    image-20240203092001192
    两个随机森林机器学习模型：

  • 23名 AD 患者和45名 CN 的血清蛋白质组数据
    • 8 core proteins was selected to distinguish MCI due to AD from CN
    • 0.881的 AUC ( A cohort of 8 MCI due to AD and 21 CN participants )
  • 21例 AD 患者和52例 CN 的脑脊液蛋白质组数据
    • 19个被确定为脑脊液早期诊断生物标志物
    • 曲线下面积(AUC)为0.984 （tested the model on 9 MCI due to AD and 21 CN participants）
      但是魔幻的操作来了，虽然上面的训练集和测试集表型都不错，但是研究者使用商业试剂盒去真正检测serum GFAP and NEFL ，继续扩大队列到（41 MCI due to AD patients, 14 FTD patients, 14 ALS patients, and 31 CN controls ），发现：
  • serum GFAP achieved an AUC of 0.714, whereas NEFL achieved an AUC of 0.511
    这些结果都是在附图里面，没有出现在正文，呵呵哈哈哈！！！
    后面还有其它分析，因为阿兹海默症患者有轻重缓急，所以实验设计分组是：MCI due to AD mild stage (ADM), AD moderate stage (ADMO), and AD severe stage (ADS). 可以做时间序列分析，找到那些随着疾病进展而起关键作用的分子，如下所示：
    时间序列分析
    都是2024了，让我们看看这个文章创新之处在哪里吧？
  • 临床病人资源吗？
    • 发现队列一百人以下，验证队列1000人以下，临床队列万人附近？
  • 组学吗？
    • 表达量芯片过时，转录组太普通，蛋白质组代谢组不稳定，单细胞还是有点贵
  • 数据分析吗？
    • 简单的差异分析，富集分析，取交集，时间序列趋势分析，wgcna等等
  • 机器学习吗？
    • 对我们屌爆侠来说，问题不大吧，反正就是某个包的某个函数的使用。
  • 临床价值吗？
    • 虽然在文章摘要或者总结的时候，我们总会写“为癌症的治疗提供了新的方向”、“提出新的治疗靶点”、“有望成为精准靶向治疗的潜在策略”、“前景远大”、“意义深远”……看上去好像真的做出点有意义的东西一样

      我们来做一个模拟科研吧

      假设我们想说明一种基于服装判断人群职业的方法：

  • 在中关村的一个红绿灯路口观察到了一个有趣的现象，即朝左走的人群大多是西装革履的人，而朝右走的人群则主要是清洁工大妈和美团外卖员。作者认为他们发现的这个规律可以构建一个高达100%准确性的诊断模型。
  • 然而，当作者扩大队列并在其他红绿灯路口进行验证时，发现效果并不如他们最初观察到的那么好，成功率只有60%左右。尽管如此，为了发表文章，他们似乎选择继续推进研究。
  • 最后，作者使用了一个”万能算法” （机器学习，炼丹师），在最初发现规律的路口继续寻找更严格的标准来区分人群职业，并发现服装问题仍然是最具区分度的标准。
​

Comments are closed.