Plasma proteomics reveals clinical and mechanistic heterogeneity among individuals who develop coronary artery disease

Technische Samenvatting: Plasma-proteomics onthult klinische en mechanistische heterogeniteit bij individuen die coronaire hartziekte ontwikkelen

Probleemstelling
Individuen die coronaire hartziekte (CAD) ontwikkelen, vertonen substantiële klinische en mechanistische heterogeniteit, wat nauwkeurige risicostratificatie en de ontwikkeling van op maat gemaakte interventies bemoeilijkt. Hoewel genetische studies risicoloci hebben geïdentificeerd en klinische fenotypering subtypes heeft gedefinieerd, blijven de moleculaire mechanismen die deze lagen van heterogeniteit verbinden onduidelijk. Bestaande benaderingen vertrouwen vaak op discrete klinische clusters of genetische scores die de dynamische, intermediaire biologische processen die de ziekte aansturen, mogelijk niet volledig kunnen vatten. Er is behoefte aan een biologisch gefundeerd kader dat moleculaire variatie koppelt aan klinische fenotypes om risicovoorspelling te verbeteren en de onderliggende pathofysiologie te verduidelijken.

Methodologie
De studie maakte gebruik van gegevens van 42.803 deelnemers uit de UK Biobank, inclusief 3.713 individuen die binnen 10 jaar na de baseline-meting van plasma-eiwitten een incident CAD ontwikkelden. Een secundaire cohort van 233 incidentiegevallen van CAD uit de EPIC-Norfolk studie diende als een onafhankelijke validatieset.

1. Eiwitselectie: Vanuit 2.923 baseline-eiwitten gemeten via het Olink Explore 3072-platform, maakte de auteur gebruik van LASSO-regressie om een voorspellend panel van 320 eiwitten te identificeren die geassocieerd zijn met incidentie van CAD. Dit panel bleek de voorspelling te verbeteren boven gevestigde klinische risicoscores (QRISK3, Pooled Cohort Equations, en PREVENT).
2. Dimensiereductie: De auteurs pasten het DDRTree-algoritme toe (via het Monocle2-pakket) op de 320 CAD-gerelateerde eiwitten. Deze techniek van reverse graph embedding reduceerde de hoogdimensionale proteomische gegevens tot twee continue latente dimensies (Dimensie 1 en Dimensie 2), waarbij individuen op een tweedimensionale proteomische ruimte werden geplaatst.
3. Fenotypische en Klinische Associatie: De auteurs correleerden deze proteomische dimensies met negen baseline klinische variabelen (bijv. BMI, HbA1c, creatinine, lipiden) en voerden een Phenome-Wide Association Study (PheWAS) uit over 329 ziekten om de associaties met toekomstige ziekte-incidentie te beoordelen.
4. Voorspellend Model: Cox proportionele hazards-modellen werden gebruikt om de incrementele waarde van het toevoegen van proteomische dimensies aan klinische variabelen voor het voorspellen van de 10-jarige ziekte-incidentie te evalueren. Prestaties werden gemeten met de Harrell's C-index en de category-free Net Reclassification Improvement (NRI).
5. Mechanistische Analyse: Reactome pathway-verrijkingsanalyses werden uitgevoerd op de 320 eiwitten. Daarnaast vergeleek een directionele pathway-contrastanalyse de specifieke biologische pathways die Dimensie 1 versus Dimensie 2 aanstuurden.
6. Validatie en Gevoeligheid: De bevindingen werden gerepliceerd in de EPIC-Norfolk cohort. Gevoeligheidsanalyses omvatten het weg-regresseren van klinische variabelen om te testen of de proteomische dimensies onafhankelijke biologische signalen behielden en het projecteren van prevalente CAD-gevallen om de accumulatie van metabole belasting te beoordelen.

Belangrijkste Resultaten

• Proteomische Heterogeniteit: De analyse toonde aan dat incidentiegevallen van CAD geen monolithische groep zijn, maar verdeeld zijn langs twee continue proteomische gradiënten. Deze dimensies vangen gestructureerde heterogeniteit op die discrete clusteringmethoden (zoals PCA of UMAP) niet effectief konden oplossen.
• Klinische Correlaten:
  • Beide dimensies waren positief geassocieerd met ongunstige metabole markers (BMI, lichaamsvetpercentage, HbA1c, triglyceriden, ALT) en negatief geassocieerd met HDL.
  • Dimensie 1 legde uniek een renale signaal vast, wat een positieve associatie vertoonde met creatinine en Cystatine C, en een negatieve associatie met niervolume.
  • Dimensie 2 werd primair gedreven door metabole variatie zonder de specifieke renale signatuur die in Dimensie 1 werd waargenomen.
• Voorspellende Nut: Het toevoegen van de twee proteomische dimensies aan modellen gebaseerd op negen klinische variabelen verbeterde de voorspelling van de 10-jarige incidentie voor meerdere ziekten aanzienlijk. De mediane toename in Harrell's C-index was 0,020, met een mediane NRI van 0,245. Opvallend genoeg verbeterde de voorspelling voor chronische nierziekte (CKD) en nierfalen aanzienlijk, waarbij Dimensie 1 een sterke associatie vertoonde met de incidentie van CKD en een snellere longitudinale daling van de eGFR.
• Moleculaire Mechanismen: Pathway-verrijking identificeerde gecoördineerde processen in metabool-hemostatische pathways, immuunsignalering en extracellulaire matrixorganisatie.
  • Dimensie 2 was bij voorkeur verrijkt voor metabole en hemostatische pathways (bijv. plasma lipoproteïne remodeling, plaatjesdegranulatie).
  • Dimensie 1 vertoonde een sterkere verrijking voor immuunsignalerings-pathways (bijv. cytokine-signalering) naast de renale associaties.
  • De belangrijkste eiwitbijdragers aan elke dimensie vertoonden minimale overlap (ze deelden slechts één eiwit, CDH3), wat wijst op verschillende moleculaire drijfveren.
• Ziekteverloop: Individuen met prevalente CAD (gediagnosticeerd vóór de bemonstering) waren duidelijk verrijkt in regio's van de proteomische ruimte met hoge waarden op beide dimensies, met name in de metabolisch ongunstige regio's. Dit suggereert dat de dimensies de cumulatieve metabole belasting en de ernst van de ziekte vastleggen.
• Robuustheid: De proteomische dimensies behielden significante ziekte-associaties en interpreteerbare biologische assen (renaal en immunometabool), zelfs nadat de negen klinische variabelen waren weg-geregresseerd, wat aangeeft dat ze informatie bevatten die verder gaat dan standaard klinische fenotypering. Een subset van de top 20 eiwitten was voldoende om de oorspronkelijke signatures te repliceren.

Betekenis en Claims
Het artikel beweert dat plasma-proteomische signatures de heterogeniteit van individuen die CAD ontwikkelen kunnen ontleden in continue fenotypische gradiënten, waardoor de kloof tussen klinische presentatie en onderliggende biologische mechanismen effectief wordt overbrugd. De auteurs stellen dat:

1. Biologische Gronding: Deze proteomische dimensies een biologisch gefundeerd instrument bieden dat klinisch relevante heterogeniteit beter karakteriseert dan discrete clusterlabels afgeleid van louter klinische variabelen.
2. Incrementele Waarde: De dimensies een voorspellende waarde bieden voor CAD en comorbiditeiten (met name CKD en hartfalen) die verder gaat dan conventionele klinische risicofactoren en genetische scores.
3. Mechanistisch Inzicht: De studie brengt onderscheidende moleculaire programma's (metabool-hemostatisch versus immuun-renaal) in kaart bij specifieke assen van heterogeniteit, wat suggereert dat het risico op CAD wordt gedreven door scheidbare, maar overlappende biologische modules.
4. Klinische Vertaling: De bevindingen ondersteunen het potentieel van een compact eiwitpanel (zo weinig als 20 eiwitten) om als een kosteneffectief, interpreteerbaar instrument te dienen voor het verfijnen van risicostratificatie en het begrijpen van ziekteverlopen in de precisiegeneeskunde.

De auteurs hanteren een bescheiden toon met betrekking tot de generaliseerbaarheid, waarbij zij de beperkingen erkennen zoals de overwegend Europese afkomst van de UK Biobank-cohort, de enkelvoudige tijdstip-aard van de proteomische metingen, en de noodzaak voor cross-platform validatie. Zij presenteren dit werk als een proof-of-concept fundament voor toekomstige studies gericht op het verhelderen van mechanismen en het verbeteren van risicostratificatie.