新技术可以对无症状的酒精相关肝病进行无创检测和分期；进一步完善这种方法可以改变临床管理并改善患者的预后。
酒精相关肝病（ALD）是全球肝病的主要原因之一，占与肝硬化有关的死亡人数的四分之一以上。脂肪变性、酒精性肝炎和纤维化是明显的组织病理学特征，标志着ALD向肝硬化的发展，然而这种发展往往是无症状和非特异性的，这使得早期诊断极具挑战性。ALD经常是通过异常的肝脏测试结果或影像学诊断的，而且准确的风险评估需要综合各种数据模式的信息，包括生化、放射和基于活检的组织学数据。尽管使用血清生物标志物和放射学参数的无创评估被广泛用于描述晚期肝病的特征，但这些测试对于早期ALD的准确性较低。
最近，分子分析能力的进步为开发用于早期检测ALD的微创生物标志物提供了新的机会，这可以为有效的临床干预提供一个窗口。在本期《Nature Medicine》杂志中，Niu等人采用了一种配对的蛋白质组学方法--使用肝脏组织和血浆--结合机器学习来确定早期ALD的诊断和预后生物标志物。
作者对确诊的无症状ALD患者和健康对照研究参与者的肝脏和血浆样品进行了基于质谱（MS）的蛋白质组学分析。他们将这些数据与组织学、影像学和临床数据结合起来，以确定血浆中存在的与疾病相关的蛋白质特征，然后使用机器学习来生成能够检测ALD中脂肪变性、炎症和纤维化的新型生物标志物。相对于现有的非侵入性评估，这些蛋白质组学模型在识别这三个关键特征方面表现出明显的改善或至少具有竞争力。这些模型在一个独立的队列中得到了验证，并根据电子健康记录的结果，证明了预测肝脏相关事件和死亡率的高预后准确性。
传统上，ALD患者都是以晚期疾病的阶段出现的，临床决策是由预测模型指导的，这些模型结合了常规的结构化临床数据和统计方法，如Cox回归。流行的模型，包括MELD（终末期肝病模型）评分系统和Maddrey的判别函数，是可以使用的，但并不完美，在不同的临床情况和疾病阶段，其应用和可解释性是有限的。现在，新技术（包括但不限于蛋白质组学）已经扩大了将数据驱动的洞察力整合到整个ALD患者的护理中的工具包。
取得这些进展的同时，人工智能（AI）也被采用，成为合成和分析大型数据集的有效工具。近年来，研究人员已经应用机器学习来改善肝病的筛查、诊断和预后结果。例如，机器学习已经能够通过分析常规生化指标来检测普通人群中的非酒精性脂肪肝，量化与丙型肝炎有关的肝硬化患者的肝细胞癌风险，并通过使用心电图数据来识别肝硬化的存在和严重程度。此外，机器学习已被用于自动识别组织学图像，并根据放射学数据预测肝细胞癌化疗的反应。
正如Niu等人所展示的那样，人工智能和 "组学 "技术的综合力量提供了一个重要的机会，可以汇总和整合微创的数据模式，为整个肝脏疾病提供综合护理。与传统模型相比，新的建模技术不仅显示出更好的诊断和预后性能，而且还显示出为ALD患者推进个性化医疗的潜力。我们可以设想，在未来的医疗服务中，通过对临床文件的自然语言处理，一个健康的人被确定为有患ALD的风险，这是基于有害饮酒的历史。纵向监测与来自生命体征、实验室测量、成像和其他无创模式的补充数据可以通过机器学习工具进行合成，以生成一个关于该人的疾病阶段、ALD进展风险和基于治疗的预测结果的全面概况。鉴于数字化转型、计算速度和测序技术的快速发展，这个愿景并不遥远。然而，为了通过使用无创方法实现这种个性化，大规模多模式整合新型生物标志物将是至关重要的。该领域的进展将需要各领域的临床医生、生物信息学专家和数据工程师之间的协同合作，以解决在数据可用性、机器学习架构以及模型可重复性和可解释性方面出现的挑战。
Niu等人的研究中向这个未来迈出了一步。他们的研究为基于质谱的高通量技术和机器学习的可行性提供了宝贵的概念证明，以从单一血液样本中产生新的诊断和预后信息。在将血浆样本与肝脏组织配对并与纵向临床结果数据整合后，作者产生了生物学见解，并验证了一组蛋白质生物标志物，以支持微创模型的开发，为ALD的早期识别和管理提供信息。他们的方法进一步强调了质谱在这方面的好处。质谱法的优势是在大的动态范围内对许多目标进行量化，并具有高特异性，而其他技术，如免疫亲和法和比色法，则受到目标限制、交叉反应和有限的线性参考范围的阻碍。通过使用大型分析小组，质谱法还可以捕捉到个体的异质性和多样性，提高颗粒度，有助于提高对疾病发病机制的理解，解决临床测试和研究中的偏差，并提高结果的普遍性。基于质谱的技术的局限性包括仪器的劳动力和资本的高成本，与传统的医疗点测定相比，它降低了可及性和效率。然而，技术的改进使检测组件的小型化和自动化成为可能，这将使质谱操作的范围更广。
蛋白质组学和人工智能在满足早期ALD的诊断和预后的关键需求方面已经显示出影响。即便如此，对整个ALD的综合管理将需要整合多模态数据、创新的计算技术和开发新的数据基础设施，以适应规模化的吞吐量。预计在肝病患者的护理中会出现更多的模式，包括代谢组、微生物组以及由一系列移动应用和可穿戴设备产生的新型生物标志物。这类数字生物标志物将越来越多地被用于了解个体患者的行为和生理，以预测临床结果和疾病的发展。独特的病理生理学和一系列宿主和环境因素的影响，使得ALD在多模式护理转变方面的时机已经成熟。从需要改进的诊断生物标志物到基于治疗反应的定制干预，需要进一步的研究来推动该领域在护理的所有方面走向个性化医疗的未来。
参考资料
- Wu, T., Cooper, S.A. & Shah, V.H. Omics and AI advance biomarker discovery for liver disease. Nat Med 28, 1131–1132 (2022). https://doi.org/10.1038/s41591-022-01853-9
- Ioannou, G.N., Tang, W., Beste, L.A., Tincopa, M.A., Su, G.L., Van, T., Tapper, E.B., Singal, A.G., Zhu, J. and Waljee, A.K., 2020. Assessment of a deep learning model to predict hepatocellular carcinoma in patients with hepatitis C cirrhosis. JAMA network open, 3(9), pp.e2015626-e2015626.
- Boehm, K.M., Khosravi, P., Vanguri, R., Gao, J. and Shah, S.P., 2022. Harnessing multimodal data integration to advance precision oncology. Nature Reviews Cancer, 22(2), pp.114-126.
