01

基于PEA的發現階段和AMS相關蛋白質的鑒定

在發現階段，測量了10個AMS包括1k和4k中受試者中的1069個蛋白質，基于q值<0.05，確定了47種差異表達蛋白（DEP），其中包括40種上調蛋白和7種下調蛋白，差異蛋白可以清楚區分AMS1k和AMS4k組，通過對上調和下調蛋白進行GO功能富集分析，發現能量代謝途徑，如氮代謝、戊糖磷酸途徑和糖酵解/糖異生，在Cluster2中顯著下調，而在Cluster1中，細胞因子-細胞因子受體相互作用和TNF信號途徑顯著上調 ?？偟膩碚f，參與細胞因子-細胞因子受體相互作用途徑的三種細胞因子，即IL6受體家族（LEPR）、IL-1受體家族（IL18R1）和TGF-β家族（GDF15及INHBC）均上調。這些發現表明，免疫和炎癥反應以及能量代謝積極參與了AMS的發病機制。

02

通過多反應監測MRM進行驗證

AMS4k和AMS1k組47種蛋白質中有23種（49%）呈現出與PEA鑒定的DEPs一致的變化趨勢。在這些蛋白質中matrilin 3 (MATN3)、myocilin (MYOC)、ret protooncogene(RET)和S100 calcium binding protein A12 (S100A12) 存在顯著差異，MYOC參與細胞骨架功能，MATN3促進HIF-1α途徑中的主要因子HIF-1α31的表達，以應對缺氧和炎癥，S100A12是一種鈣、鋅和銅結合蛋白，在炎癥過程和免疫反應的調節中發揮重要作用，這驗證了它們可能參與對AMS的反應。值得注意的是，RET在nAMS4k和nAMS1k之間顯示出相反的變化趨勢，盡管這種差異在統計學上并不顯著。此外，經MRM鑒定的DEPs富集到了HIF-1信號通路、糖酵解/糖異生和碳代謝等信號通路。

AMS1k和nAMS1k組之間的比較可以識別預警生物標志物。在AMS1k和nAMS1k組之間確定了23個DEPs，其中17個DEPs顯示出與AMS4k和nAMS4k組之間獲得相同的趨勢，顯示了這些蛋白質的穩定性?；?/span>log₂FC的值大于0.5的篩選得到6種上調蛋白：phosphoenolpyruvate carbox-ykinase 1 (PCK1)、phosphoglycerate dehydrogenase (PHGDH)、ribokinase (RBKS)、S100A12、solute carrier family 4 member 1(SLC4A1)、secreted protein acidic and cysteine rich (SPARC)。在這些DEPs中，PCK137和RBKS參與碳水化合物的代謝。這些結果表明，這些蛋白是AMS的候選預警生物標志物。

AMS4k和nAMS4k組之間的比較可用于發現AMS的診斷生物標志物。兩組比較發現28個DEPs?；?/span>log₂FC值進行過濾后，10種上調蛋白（ARF6、EBI3、ISLR2、MYOC、NRP2、RBKS、RET、TRAF2、WAP、WFIKKN1）等仍然存在。在這些蛋白質中，EBI3、RET和WFIKN1與AMS1k和nAMS1k組之間的比較結果顯示出相反的調節趨勢，這表明它們更可能成為診斷生物標記物。值得注意的是，RET在AMS4k組和AMS1k組之間表現出相同的調節趨勢，表明其在AMS發病機制中起著積極作用。

03

機器學習進行AMS分類表征

XGBoost機器學習模型在區分AMS4k和AMS1k、nAMS4k和nAMS1k、AMS4k和nAMS4k以及AMS1k和nAMS1k方面表現出良好的性能。本研究使用了10倍交叉驗證和MRM鑒定的DEPs來增強模型的穩健性和性能。

04

AMS的關鍵臨床指標

利用差異臨床指標，構建機器學習模型，以區分AMS4k與AMS1k、nAMS4k與nAMS1k、AMS4k與nAMS4k以及AMS1k與nAMS1k。在區分AMS1k和AMS4k的發病機制模型中，有19個臨床指標（如如A-TPO、C-peptide、phosphate、E2、CKMB和thyroxine）分類準確率非常高（AUC=0.96，p值<0.0001）。保護模型中用16項臨床指標（FT3、ferritin、free Prostate-specific antigen (FPSA)、creatinine、C3C和 FSH）區分nAMS1k和nAMS4k，AUC為0.94（p值<0.001）。預警和診斷模型分別篩選得到3個臨床指標（proBNP、BILT和 thyrotropin）和4個臨床指標（procalcitonin、TP1NP、C-peptide和insulin），AUC分別為0.67和0.7（p值>0.05）。臨床指標在預測和診斷AMS方面的表現似乎不如蛋白質。

在預測和診斷模型中，單獨使用蛋白質和組合數據獲得的分類性能相似。值得注意的是，與使用組合數據獲得的預警模型相比，單獨使用蛋白質獲得的預警模型中保留的特征更少。此外，利用組合數據獲得的診斷模型中，所有重要特征都是蛋白質。因此，在預測和診斷AMS時，蛋白質是比臨床指標更好的選擇。

05

在低海拔地區，患AMS的個體比未患AMS的個體對糖異生的利用率更高。糖異生的兩個關鍵酶G6PC和PCK1在AMS1k組中的豐度高于nAMS1k組。在高海拔地區，患有AMS的個體可能比未患AMS的個體表現出更高的糖酵解利用率，研究發現AMS4k中的PFKM是糖酵解的關鍵限速酶，其水平高于nAMS4k，這將導致產生更多的1,6-二磷酸果糖，從而刺激糖酵解。其次，AMS個體乳酸脫氫酶A（LDHA）和ALDOA水平高于未患AMS個體，二者參與糖酵解和糖異生，糖異生相關酶PCK1和G6PC在AMS4k和未患AMS4k之間表現出相似的表達水平。因此，推測AMS4k組的糖酵解而非糖異生比nAMS4k組更活躍。

06

對53名低海拔或高海拔人群的臨床指標、蛋白質和AMS癥狀表型之間的相關性分析表明，有助于了解AMS的致病機理、預警或診斷。未發現AMS1k和nAMS1k之間的差異特征與AMS癥狀表型相關。然而，在AMS1k和nAMS1k之間發現促甲狀腺素與葡萄糖/能量代謝相關蛋白PCK1、PHGDH和IGFBP7之間存在聯系。促甲狀腺素和PLA2G7的單核苷酸多態性分別與血壓變化和高血壓相關。此外，在AMS4k組和nAMS4k組之間，包括FGF23、RET、IL18R1和GNA14在內的蛋白質與AMS癥狀表型（如食欲不佳、呼吸困難和唇發紺）呈正相關，而非臨床指標。此外，C-peptide與13種蛋白質呈正相關，例如候選致病相關蛋白MYOC（ρ=0.42，q值<0.05）、KITLG（ρ=0.27，q值<0.05）和診斷生物標記物TRAF2（ρ=0.36，q值<0.05）。因此，C-peptide可能參與AMS的發病機制，而我們研究的臨床指標在預測和診斷AMS方面的表現并不優于蛋白質。