Multimodal AI fuses proteomic and EHR data for rational prioritization of protein biomarkers in diabetic retinopathy

该研究提出了一种名为 COMET 的两阶段多模态人工智能方法，通过融合大规模电子健康记录与蛋白质组学数据，成功优先筛选并验证了糖尿病视网膜病变中更具生物学意义的蛋白质生物标志物。

要点

这是一篇关于如何利用**人工智能（AI）来寻找治疗糖尿病视网膜病变（DR）**新方法的科学论文。为了让你更容易理解，我们可以把这项研究想象成一场"侦探破案"的行动。

🕵️‍♂️ 故事背景：一场难解的“视力迷雾”

糖尿病视网膜病变就像是大脑和眼睛之间的一条“高速公路”被糖尿病堵塞了。目前的治疗方法（比如打抗血管生成针）就像是在路上设路障，虽然能暂时缓解，但并不是对所有人都有效，而且有些病人根本不管用。

科学家们知道，要彻底解决这个问题，需要找到导致堵塞的根本原因（也就是特定的蛋白质）。但是，寻找这些“罪魁祸首”非常困难：

1. 线索太多：就像在成千上万个嫌疑人中找真凶，传统的检测方法会列出几百个可疑蛋白，让人眼花缭乱，不知道该信谁。
2. 样本太少：做这种精细的蛋白质检测非常昂贵，通常只能检查几十个病人，这就像只看了几页侦探小说就试图猜出结局，很容易看错。
3. 数据割裂：医生手里有海量的电子病历（EHR）（记录了病人的症状、用药、检查等），就像一本厚厚的“案卷”；而实验室里有蛋白质数据，就像“指纹”和“DNA"。以前，这两类数据是分开看的，很难把它们结合起来。

🚀 超级侦探登场：COMET 系统

为了解决这个问题，研究团队开发了一个名为 COMET 的超级 AI 系统。你可以把它想象成一个拥有“超级记忆力”和“联想能力”的侦探。

这个侦探的工作分为两步（就像训练一个实习生）：

第一步：海量阅读（预训练）

首先，COMET 并没有急着去查案，而是先读了32 万名糖尿病患者的电子病历（案卷）。它不需要知道具体的蛋白质数据，只是疯狂地学习：

• “哦，原来当病人出现‘黄斑水肿’（眼睛肿了）时，通常会开什么药？”
• “原来‘视力检查’和‘某种眼病’经常一起出现。”
• 它把这些海量的临床数据吃透，建立了一个庞大的**“疾病模式数据库”**。

第二步：结合指纹（微调与融合）

接下来，COMET 开始接触那101 个既有病历又有蛋白质样本的“核心嫌疑人”（发现队列）。

• 它把之前学到的“病历模式”和现在的“蛋白质指纹”结合起来。
• 关键点来了：传统的 AI 可能会因为样本太少而“死记硬背”（过拟合），但 COMET 因为读过 32 万份病历，它知道哪些蛋白质是真正与疾病特征紧密相关的，哪些只是巧合。
• 它就像是一个老练的侦探，看着指纹说：“这个指纹（蛋白质）虽然不起眼，但它和案卷里描述的‘黄斑水肿’高度吻合，所以它才是真正的幕后黑手！”

🔍 破案成果：找到了谁？

通过这种“病历 + 指纹”的双重验证，COMET 成功从几百个嫌疑人中，揪出了5 个最关键的蛋白质（比如 SERPINE1, QPCT 等）。

• 为什么它们重要？ 有些蛋白质如果只用传统方法看，可能因为样本太少而被忽略（就像因为嫌疑人数太少而漏掉的线索）。但 COMET 利用它庞大的“病历知识库”，发现这些蛋白质其实和病人的具体症状（如是否需要手术、是否有水肿）关系非常密切。
• 验证成功：为了确认没抓错人，研究团队又找了164 个新的病人（验证队列）进行复查。结果发现，这 5 个蛋白质在糖尿病视网膜病变病人身上确实异常活跃，证明 COMET 找对了人！

💡 这个发现意味着什么？（用比喻总结）

1. 从“大海捞针”到“按图索骥”：以前找药物靶点像是在大海里盲目捞针，现在 COMET 给了我们要找的那根针的“地图”（基于病历的线索）。
2. 小样本也能做大事：以前觉得只有几千人的大样本才能做研究，现在证明，只要 AI 足够聪明（读过足够多的病历），哪怕只有几十个人的蛋白质样本，也能挖掘出惊人的价值。
3. 发现新大陆：研究还发现，这些蛋白质不仅来自血管，还来自神经和免疫细胞。这说明糖尿病眼病不仅仅是“血管坏了”，眼睛里的神经和免疫细胞也在“搞破坏”。这为开发全新的、不依赖现有血管疗法的药物打开了大门。

🏁 总结

这篇论文告诉我们：把海量的“病人故事”（电子病历）和精密的“分子指纹”（蛋白质）交给一个聪明的 AI（COMET）去处理，可以帮我们更快地找到治疗糖尿病眼病的真正钥匙。

这就好比，以前医生是拿着放大镜在黑暗中摸索，现在 COMET 给了他们一副夜视仪，让他们能直接看到导致失明的真正元凶，从而开发出更精准、更有效的治疗方法。

技术摘要

这是一份关于利用多模态人工智能（Multimodal AI）融合电子健康记录（EHR）与蛋白质组学数据，以理性优先排序糖尿病视网膜病变（DR）蛋白质生物标志物的研究论文的详细技术总结。

1. 研究背景与问题 (Problem)

• 临床需求： 糖尿病视网膜病变（DR）是全球致盲的主要原因。现有的疗法（如抗 VEGF 药物）仅针对部分病理特征，且对部分患者疗效不佳，存在异质性。因此，需要开发不依赖 VEGF 信号通路的新疗法。
• 现有局限性：
  • 蛋白质组学研究的局限： 虽然蛋白质组学能揭示疾病机制，但受限于高昂成本，样本量通常较小（几十到几百例），导致结果的可泛化性和可重复性差。此外，传统方法通常产生数十至数百个差异表达蛋白列表，难以仅凭任意设定的折叠变化（Fold-change）和假发现率（FDR）阈值来理性优先排序最具生物学意义的生物标志物。
  • EHR 数据的局限： 电子健康记录（EHR）包含海量临床数据（数百万患者），但缺乏分子层面的深度，无法直接识别驱动疾病的分子机制。
• 核心挑战： 如何克服小样本蛋白质组学研究的偏差，并利用海量 EHR 数据来指导生物标志物的筛选，从而发现被传统方法遗漏的关键驱动蛋白。

2. 方法论 (Methodology)

本研究提出并应用了一种名为 COMET (Clinical and Omics Multi-Modal Analysis Enhanced with Transfer Learning，增强迁移学习的临床与组学多模态分析) 的两阶段多模态 AI 框架。

• 数据源：

  • EHR 数据： 来自 STARR-OMOP 数据库，包含 319,997 名患者（含 DR 和非 DR）的结构化临床数据（诊断、药物、手术、测量等），共超过 8 亿个数据点。
  • 蛋白质组学数据： 从上述患者子集中获取的房水液体活检样本。
    • 发现队列 (Discovery Cohort)： N=101 (14 名 DR 患者，87 名对照)。
    • 验证队列 (Validation Cohort)： N=164 (17 名 DR 患者，147 名对照)。
  • 技术平台： 基于适配体的 SomaScan 高通量蛋白质组学分析。

• COMET 模型架构与训练流程：

  1. 数据嵌入 (Embedding)： 使用 Word2Vec 技术将纵向 EHR 数据转化为 400 维的向量表示，捕捉患者随时间变化的医疗事件模式。
  2. 两阶段训练 (Two-Stage Training)：
     • 预训练阶段 (Pretraining)： 利用仅包含 EHR 数据的大规模队列（N=319,896）训练深度神经网络（基于循环神经网络 RNN 架构），学习 DR 相关的临床特征模式。
     • 微调阶段 (Fine-tuning)： 将预训练好的 EHR 权重冻结并迁移到多模态架构中，结合发现队列（N=101）的 EHR 和蛋白质组学数据进行微调。
  3. 对比模型： 研究构建了四个模型进行对比：(1) 仅 EHR；(2) 仅蛋白质组学；(3) EHR+ 蛋白质组学（无预训练）；(4) COMET（EHR+ 蛋白质组学 + 预训练）。
  4. 特征重要性分析： 使用积分梯度法 (Integrated Gradients) 评估各蛋白在模型中的特征重要性，识别在预训练模型中重要性显著提升的蛋白。
  5. 验证与溯源： 在独立验证队列中验证筛选出的蛋白，并利用 TEMPO 技术（结合单细胞转录组）追踪蛋白的细胞起源。

3. 关键贡献 (Key Contributions)

1. 提出 COMET 框架： 首次展示了利用大规模 EHR 数据预训练深度学习模型，以增强小样本蛋白质组学分析能力的有效方法。
2. 理性优先排序策略： 提供了一种不依赖传统统计阈值（如 FDR < 0.05）的无偏方法，能够识别出与临床表型（EHR 特征）紧密相关但可能因样本量小而未被传统方法发现的生物标志物。
3. 揭示 EHR 的生物学基础： 证明了通过融合蛋白质组学数据，可以赋予 EHR 数据更深层的生物学意义，使临床数据表征与分子机制对齐。
4. 发现新型生物标志物： 识别出一组在 DR 病理中起关键作用但此前未被充分重视的蛋白，并验证了其与疾病严重程度（如增殖性 DR）的关联。

4. 主要结果 (Results)

• 模型性能显著提升：
  • COMET 模型在区分 DR 患者与对照者方面表现最佳。
  • AUROC (受试者工作特征曲线下面积)： COMET 达到 0.98 (95% CI: 0.92-1.00)，显著优于仅 EHR 模型 (0.76)、仅蛋白质组学模型 (0.92) 以及无预训练的融合模型 (0.92)。
  • AUPRC (精确率 - 召回率曲线下面积)： COMET 达到 0.91，远超其他模型 (0.47 - 0.74)。
• EHR 与蛋白质组学的对齐：
  • t-SNE 分析显示，特定蛋白（如 STX3, NOTCH2）与特定的 EHR 特征（如糖尿病性黄斑水肿诊断、视野检查记录、拉坦前列腺素处方）聚类在一起，表明临床数据与分子数据存在生物学一致性。
• 优先排序的关键蛋白：
  • COMET 模型优先识别出 5 个特征重要性显著高于非预训练模型的蛋白：SERPINE1, QPCT, AKR1C2, IL2RB, SRSF6。
  • 其中，AKR1C2 和 IL2RB 在传统差异表达分析中可能因样本量不足而被遗漏（需要更大的样本量才能达到统计显著性），但 COMET 成功识别了它们。
• 独立验证与疾病分期关联：
  • 上述 5 种蛋白在独立的验证队列（N=164）中得到了验证，DR 组与对照组之间存在显著差异。
  • SERPINE1 的水平在增殖性 DR (PDR) 患者中显著高于非增殖性 DR (NPDR) 患者，且与具体的眼底病变（如新生血管、玻璃体出血）相关。
• EHR 表征的生物学增强：
  • 在 COMET 模型中，EHR 潜在表示（Latent Representation）与蛋白质特征的显著相关性数量从 0 激增至 4,564 对，平均绝对相关系数从 0.08 提升至 0.21 (p < 0.0001)。
• 细胞起源分析：
  • 利用 TEMPO 技术，发现这些蛋白来源于视网膜神经元、免疫细胞和血管细胞，表明 DR 的病理机制涉及细胞自主的神经炎症和微血管损伤，而不仅仅是全身疾病的反映。

5. 意义与展望 (Significance)

• 方法论创新： 该研究证明了“大数据（EHR）+ 小数据（组学）”的迁移学习范式可以有效解决组学研究样本量小、可重复性差的痛点，无需昂贵的扩大样本量即可提高发现效率。
• 临床转化潜力： 识别出的新型生物标志物（如 SERPINE1, QPCT 等）可能成为开发非 VEGF 依赖型 DR 疗法的靶点，特别是针对那些对现有疗法反应不佳的患者。
• 精准医疗： 通过无偏倚地挖掘 EHR 与分子数据的关联，能够发现新的疾病特征 - 蛋白关联（如 NOTCH2 与黄斑水肿的关联），为理解疾病异质性和制定个性化治疗方案提供依据。
• 未来方向： 该框架可推广至其他复杂疾病的研究，利用日益丰富的 EHR 数据和多组学数据，加速从数据到机制再到疗法的转化过程。

总结： 本文通过 COMET 模型成功将海量临床数据与精细的分子数据融合，不仅大幅提升了疾病预测的准确性，更重要的是提供了一种理性的生物标志物筛选策略，发现了多个具有高度临床相关性和生物学意义的 DR 驱动蛋白，为糖尿病视网膜病变的机制研究和新药开发奠定了坚实基础。