一种基于机器学习的预测模型可通过分析血样中的蛋白质特征来预判形成静脉血栓的风险;静脉血栓是一种常见于癌症患者的血凝块形式。该模型在两组患者队列中进行了测试,并在小鼠中发现了一个潜在的治疗靶点。Dimitra Karagkouni 和同事写道:“若能在更大规模且更多样化的患者群体中得到验证,这些结果或有助于指导更精准的血栓预防策略,并为抗炎干预开辟此前未曾探索过的新途径。”血栓是癌症患者中极为常见的有损健康的问题,其中静脉血栓-栓塞症更是导致死亡的主因之一。研究人员已开发了诸如 Khorana 风险评分等方法,旨在识别血栓风险最高、因而最能从伴有风险的抗凝治疗中获益最大的患者。然而,现有的模型并不能准确预测静脉血栓栓塞症的风险,因此需要开展更多研究来发现新的预测标志物。Karagkouni 等人转而采用机器学习方法,因为该方法尤其适用于解析包含潜在生物标志物的大型数据集。他们首先分析了 163 名接受静脉血栓栓塞症监测的肺癌或胃癌患者血浆中的 1105 种蛋白质。该团队基于其中的 11 种标志物和患者的临床参数构建了一个概率模型,该模型在初始测试和第二个外部队列中的表现均优于广泛使用的Khorana 评分。该模型还确认,CD200R1(蛋白质 CD200 的受体)表达降低是这 11 种标志物之一。在转向小鼠实验后,该团队证明,CD200R1 缺陷会导致炎症信号分子 IL-17A 增加,而给予抗 IL-17A 抗体可恢复凝血酶与抗凝血酶之间的平衡。最后,他们还观察到,在先前针对 COVID-19 患者的几项研究中,抗 IL-17A 抗体治疗与肺血栓栓塞风险降低相关。