10分好刊 | 帕金森脑脊液的蛋白组学检测

一、背景介绍

帕金森病目前已成为全球第二大神经退行性疾病，其发病率在60岁以上男性人群中略高，其临床表现为静止性震颤、步态异常等运动症状，以及认知下降、嗅觉减退等早期症状，随着人口老龄化进程，预计患者数将翻倍增长。目前诊断现状尚未理想，临床误诊率较高，尤其早期与多系统萎缩、痴呆等鉴别困难，传统诊断方法依靠症状表现与影像学检查，但无法确保早期发现，因此对于能够提供早期诊断的液体活检有相当需求，而蛋白质组学可以实现一次性定量血液或脑脊液中的数千种蛋白，有望在症状出现前数年即捕捉到病理信号，可以提供诊疗标记物，实现临床帕金森从经验诊疗向精准医学转换。

 

二、材料方法

 

研究分组包括了两个队列，发现队列由40位PD患者和40位对照组成，验证队列则包含80位PD患者和80位对照；CSF样本收集按照NINDS标准操作规程腰椎穿刺，立即离心、分装、-80 °C 保存，黑质组织样本来自尸检，验证样本仅一次冻融；蛋白质组分析使用串联质量标签-质谱（TMT-MS）对发现队列中的CSF样本进行分析，LC-MS/MS平台参数信息包括120 min 梯度色谱分离、Orbitrap Fusion质谱鉴定、SEQUEST搜索UniProt人源库；验证实验利用平行反应监测质谱法（PRM-MS）在独立队列中验证发现的标志物，以内标肽（SpikeTides L）绝对定量；数据处理方法包括使用Wilcoxon秩和检验筛选能区分PD与对照样本的蛋白质，进行Bootstrap ROC分析以确定具有稳定性能的候选生物标志物，对验证阶段的数据进行了主成分分析（PCA），并通过多变量预测模型评估这些生物标志物组合识别PD的能力等。

 

三、结果讨论

研究通过对CSF样本鉴定，发现了3683种蛋白，通过筛选差异表达的1140种蛋白质，最终确定了34种候选标志物；PRM-MS利用独立队列样本对候选蛋白进行验证，最终确认了8种蛋白（VSTM2A、VGF、SCG2、PI16、OMD、FAM3C、EPHA4和CCK），控制年龄和性别因素后，CCK和OMD保持显著性，另外两种蛋白质（VGF和PI16）接近显著性（p=0.057）。PI16和OMD在PD中上调，而其他则下调。

单个蛋白质及其组合模型未能显著关联运动症状严重程度或认知表现，但CCK和VGF在DLB群体中显著预测了MoCA总分。这表明这些标记可能也与路易体痴呆的认知变化有关；而基于四种蛋白质（PI16、OMD、CCK、VGF）构建的多变量指数模型，在区分PD与对照者方面表现出一定的能力，ROC/AUC值为0.7，显示出一定的区分PD与对照的能力；研究首次将PI16确认为可能的生物标志物，并在PD患者的CSF中识别了CCK，为进一步探索研究奠定了基础。

 

四、研究结论

研究通过深度质谱检测，首次在脑脊液中锁定8个PD标志物，其中 PI16 与 CCK 为 PD 领域首次报道；4 蛋白组合模型（PI16、OMD、CCK、VGF）在症状期区分 PD 与对照时的AUC可以达到0.7，此外也与路易体痴呆认知下降显著相关，提示跨突触核蛋白病的共同机制；研究提供了诊断前移的可能性，为临床提供了可在症状期区分 PD 的客观指标，并为未来无症状期筛查奠定基础。蛋白组学平台在研究中发挥了高灵敏高通量的优势，无需高丰度蛋白去除即可检低丰度蛋白，避免传统免疫法抗体依赖与批次差异，并且实现全景定量，一次实验即可覆盖数千种蛋白，提高诊断效能。

 

五、结果展开

图1. 显示课题实验与数据分析流程。

 

A. 显示脑脊液（CSF）和脑黑质（SN）样本经处理、分馏并通过LC-MS/MS分析，以识别潜在的肽标志物。

B. 对比PD患者与对照组样本，分析CSF和SN样本中的肽段，筛出可能参与 PD 发病机制的候选标志物。

C. 显示使用平行反应监测（PRM）实验在另一组独立样本（PD 与对照各 80 例）中进行靶向质谱验证。

D. 显示数据统计分析以确定关键诊断标志物。

 

图2. 显示通过Bootstrap ROC分析选择具有稳定性能的候选生物标志物。

红点：原始样本（n = 508）经多次 bootstrap 得到的 AUC 均值±标准差。 

蓝点：标签随机打乱后 bootstrap 得到的 AUC 均值±标准差。

绿色圆圈：最终入选的候选标志物。

 

图3. 显示使用验证过的生物标志物进行主成分分析。

 

A. 显示以 MDS-UPDRS 总分着色的 80 例 PD 与 80 例对照分布。

B. 显示以 MoCA 总分着色的同批受试者分布。

C–E. 显示主成分1与2解释 90.1% 的总变异；PI16和OMD主要贡献于成分2，其余6个标志物主要贡献于成分1。

 

图4. 显示个体蛋白（y轴）与运动症状（上）及认知功能（下）之间的皮尔逊相关性分析。

 

A–E. 显示个体蛋白与运动症状的相关分析。

F–JE. 显示个体蛋白与认知功能的相关分析。

 

图5. 显示机器学习模型利用四种蛋白（PI16、OMD、CCK、VGF）来鉴别PD。使用80 例对照与 80 例 PD 按 6:4 拆分训练与测试集，模型输出反映 PD 风险，箱线图左侧为训练集分布，右侧为测试集分布；ROC 分析 AUC = 0.7。

 

参考文献：

Oh S, Jung J, Kim J, Jang Y, Bakker CC, Pantelyat AY, Zhang Z, Dawson TM, Na CH, Rosenthal LS. Discovery and validation of biomarkers for Parkinson's disease from human cerebrospinal fluid using mass spectrometry-based proteomics analysis. EBioMedicine. 2025 Aug 2;118:105844. doi: 10.1016/j.ebiom.2025.105844.