心血管疾病是全球头号死因，2022 年致死量达 1980 万例，人口老龄化背景下发病数还在持续攀升，早筛早诊成为降低疾病负担的关键。但传统风险分层模型依赖临床指标，预测效能有限，多组学技术的临床转化还存在诸多瓶颈。近日，天津医科大学第二医院联合香港城市大学、香港大学等团队在《Nature Communications》（IF=15.7，综合领域顶刊，0 版面费开源获取）发表重磅研究：依托英国生物银行大样本队列，开发AI 驱动的 CardiOmicScore 多组学分析框架，整合基因组、代谢组、蛋白质组多维度数据，首次构建 6 大类心血管病的疾病特异性风险评分（MetScore/ProScore），实现疾病提前 15 年的个性化精准预测，联合临床数据可将预测 C-index 提升 0.005~0.102，还筛选出核心生物标志物并阐明不同组学的互补作用！

文章信息速览

• 原标题：AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease

• 期刊：Nature Communications（IF=15.7）

• 关键词：心血管疾病、多组学、人工智能、基因组、代谢组、蛋白质组、CardiOmicScore、MetScore、ProScore、个性化风险预测、生物标志物、脂蛋白代谢

研究背景与临床痛点

疾病负担沉重：心血管病是全球首位致死病因，2022 年约 1980 万人因此离世，人口老龄化趋势下发病率持续升高，早期精准风险分层成为疾病防控的核心需求；

传统模型局限：ASCVD、SCORE2 等经典风险预测模型仅依赖常规临床危险因素，区分度和校准度不足；整合多基因风险评分（PRS）也仅小幅提升预测效能，无法捕捉疾病背后的病理生理过程；

技术转化瓶颈：代谢组、蛋白质组为无创风险预测提供了新方向，但缺乏多组学整合的纵向队列数据，且现有计算框架无法处理组学数据的高维非线性关联，难以实现规模化应用；

研究存在空白：既往多组学研究仅聚焦心肌梗死、房颤等少数心血管病，未阐明代谢组和蛋白质组在全谱心血管病中的互补调控作用，也缺乏针对性的疾病特异性风险评分工具。

研究核心亮点

这篇顶刊多组学研究的成功，核心在于遵循“临床痛点切入→多队列严谨设计→AI 模型构建→多维度验证→生物标志物挖掘”的顶刊发文逻辑，5 大研究步骤层层递进，关键图表直观支撑结论，更是为临床医生开展多组学研究、冲刺高 IF 顶刊提供了可复刻的经典范例：

第一步：分层队列设计，夯实大样本数据基础，契合顶刊数据严谨性要求（图 1）

核心研究：基于英国生物银行队列，先排除无组学数据的受试者，再按组学类型分为代谢组单独队列（220,859 例）、蛋白质组单独队列（19,086 例）、多组学独立验证队列（24,287 例）；同时将前两个队列进一步拆分为训练 / 验证集（英格兰、威尔士）和地理测试集（苏格兰），用于评估模型的区域外推性（图 1）。基线特征：各队列受试者中位年龄 56~58 岁，男性占比 42.8%~45.8%，基线用药、疾病发病情况分布一致，保证了研究的可比性。医生发文技巧：多组学研究想要冲刺顶刊，需注重队列的分层设计和独立验证，增设地理测试集能显著提升模型的外推性，契合顶刊对研究数据严谨性的核心要求。

第二步：搭建 AI 多任务框架，构建疾病特异性多组学风险评分，打造顶刊技术亮点（图 1）

核心研究：针对组学数据的高维特性，摒弃传统线性回归，开发MetNet 和 ProNet 多任务深度学习模型，分别对 168 种代谢物、2920 种蛋白质进行分析，首次生成 6 大类心血管病（冠心病、卒中、心衰、房颤、外周动脉病、静脉血栓栓塞）的疾病特异性代谢组风险评分（MetScore）和蛋白质组风险评分（ProScore）（图 1）。医生发文技巧：面对组学数据的高维、非线性关联特点，采用 AI 多任务模型替代传统统计方法，能更精准捕捉数据间的复杂关系，是多组学研究发表顶刊的核心技术亮点，也是提升文章创新性的关键。

图1

图2

第三步：多指标验证，证实多组学评分的强独立预测效能，夯实顶刊研究结论（图 3、生存曲线）

核心研究：通过 Harrell’s C-index 验证发现，MetScore 和 ProScore 均为心血管病的强独立预测因子，MetScore 的 C-index 达 0.64~0.74，ProScore 的 C-index 达 0.69~0.82；将其与临床数据结合后，可使 6 大类心血管病的预测 C-index 提升 0.005~0.102，且能实现提前 15 年的精准风险预测（图 3）。生存曲线分析显示，MetScore/ProScore 高分组受试者的心血管病发病风险显著升高，Log-rank P 值均低至 1e-29 以下，进一步证实了多组学评分的预测效能（生存曲线 a/b）。医生发文技巧：多组学评分的预测效能需通过C-index、生存分析、风险比等多指标进行验证，结合长期随访数据体现临床价值，是顶刊评审重点关注的研究结论支撑。

图3

第四步：临床效用验证，证实模型的实际转化价值，贴合顶刊临床导向需求（图 4）

核心研究：校准曲线显示，整合多组学信息的 Cox 比例风险模型，其预测风险与实际事件发生率高度吻合，模型校准度优异（图 4a）；净获益曲线分析发现，多组学整合模型的临床净获益显著高于单纯临床模型，且阈值概率范围广，具有明确的实际临床应用价值（图 4b）。医生发文技巧：顶刊不仅关注模型的预测效能，更看重临床实际转化价值，通过校准曲线和决策曲线（净获益曲线）验证模型的临床效用，能让研究结论更贴合临床需求，大幅提升文章的顶刊录用概率。

图4

第五步：挖掘核心生物标志物，阐明组学互补作用，增加顶刊研究深度（图 5、6）

核心研究：通过 SHAP 值分析，筛选出 6 大类心血管病的65 种核心代谢物和 77 种核心蛋白（图 5）；进一步分析发现，代谢组主要参与脂蛋白代谢，蛋白质组则聚焦凝血、炎症、氧化应激和血管重构过程，明确了代谢组和蛋白质组在心血管病风险预测中的互补作用（图 6）。医生发文技巧：多组学研究不能仅停留在模型构建层面，需从高维组学数据中挖掘核心生物标志物，并阐明不同组学的互补调控机制，让研究既有技术层面的创新，又有机制层面的深度，是顶刊研究的核心加分项。

图5

图6

总结：多组学顶刊发文的核心逻辑，解锁心血管病精准早筛新策略

天津医科大学第二医院联合香港城市大学、香港大学等团队，以心血管病早期精准筛查的临床痛点为切入点，依托英国生物银行大样本队列，遵循“临床需求→数据设计→AI 建模→多维度验证→机制挖掘”的顶刊多组学发文逻辑，开发了AI 驱动的 CardiOmicScore 多组学分析框架，首次构建了 6 大类心血管病的疾病特异性代谢组 / 蛋白质组风险评分，证实多组学数据与临床数据的整合可显著提升心血管病的早筛效能，实现提前 15 年的个性化风险预测，还筛选出核心生物标志物并阐明了代谢组和蛋白质组的互补作用，为心血管病的精准预防和生物标志物开发提供了全新思路。

该研究的整体设计和实施，为临床医生开展多组学研究、冲刺高 IF 顶刊提供了可直接复刻的经典范例，也为心血管病的精准防控提供了兼具临床价值和应用前景的新工具。

原文DOI: 10.1038/s41467-026-68956-6

专注期刊投稿、发表十年，任何投稿、写作难题欢迎咨询！