JCTH｜基于孟德尔随机化、机器学习和外部验证揭示代谢相关脂肪性肝病的生物标志物

代谢相关脂肪性肝病（MASLD）已成为全球范围内最常见的慢性肝病之一。随着MASLD疾病负担的增加，MASLD的早期诊断和有效治疗显得尤为重要。尽管已有多项研究探索了MASLD的相关生物标志物，但其中的因果关系尚不明确，这些标志物的临床价值也未得到充分验证。本研究旨在通过孟德尔随机化分析（MR）和机器学习算法，结合蛋白组学数据和临床参数，分别揭示与MASLD相关的分子标志物和临床标志物，并进一步评估其在临床诊断与预后中的潜在应用价值。

研究方法

本研究从芬兰群体的蛋白质组学数据中提取了2925个分子标志物，结合35个临床生物标志物进行孟德尔随机化分析，评估它们与MASLD的因果关系。此外，研究还通过机器学习算法建立了一个非侵入性的MASLD诊断模型，并使用外部验证队列进行验证。最终，研究还探讨了关键分子标志物在肝细胞癌（HCC）发展和生存预后的预测价值以及关键的临床标志物对全因死亡风险的预后价值。

图1 文章图片摘要

本研究揭示了MASLD的多个分子和临床生物标志物，并为其临床诊断和预后评估提供了新的依据。研究表明，基于这些标志物的机器学习模型有望成为MASLD的有效诊断工具，尤其在非侵入性检测方面展现了广阔前景。此外，STP作为一种中介标志物，为MASLD的免疫代谢通路研究提供了新的视角。

本研究的成果为MASLD的分子机制和临床管理提供了重要线索，未来的研究应继续聚焦于更广泛的标志物筛选和验证，以进一步优化MASLD的早期诊断和治疗方案。通过组学技术与机器学习算法的融合，能够在非侵入性诊断和个体化治疗方面取得更大突破。