# A clinical investigation of constructing a diagnostic model for sepsis-induced coagulopathy utilizing data-independent acquisition proteomics

## TL;DR

This study uses proteomics to identify biomarkers and build a diagnostic model for sepsis-induced coagulopathy.

## Contribution

A novel diagnostic model for SIC is developed using DIA proteomics and machine learning techniques.

## Key findings

- 240 differentially expressed proteins were identified in SIC patients.
- A diagnostic model using angiogenin and lectin family member 10 achieved an AUC of 0.896.
- Key pathways include natural killer cell-mediated cytotoxicity and TNF signaling.

## Abstract

采用数据非依赖型采集（DIA）蛋白质组学技术分析脓毒症性凝血病（SIC）的血浆蛋白表达，筛选典型生物标志物并构建诊断模型。

前瞻性观察研究纳入重症医学科46例成年脓毒症患者，收集临床资料并按照SIC标准分为普通脓毒症组（26例）和SIC组（20例），采集血浆标本进行蛋白组学检测并进行生信物信息学分析，应用LASSO、随机森林筛选差异表达蛋白（DEP），根据筛选结果构建SIC诊断模型，并进行受试者工作特征（ROC）曲线分析。

基线资料显示，SIC患者的凝血酶原时间较脓毒症组明显延长，血小板计数明显降低，D-二聚体、纤维蛋白降解产物、血乳酸、SOFA评分和APACHE Ⅱ评分较脓毒症组患者明显升高（P<0.05）。DIA蛋白组学共鉴定出2 637个蛋白，以表达倍数>1.5倍且P<0.05为筛选标准，共筛选出240个DEP，包括81个上调DEP和159个下调DEP。亚细胞定位分析表明，DEP主要在细胞外和细胞核；GO注释显示，DEP在生物过程方面主要参与细胞生理、生物调节和应激反应过程；分子功能方面主要参与生物分子互作和催化作用；结构域注释显示DEP以免疫球蛋白V区为主，是特异识别和结合抗原的部分；KEGG富集分析显示，DEP主要富集在自然杀伤细胞介导的细胞毒性反应、糖基磷脂酰肌醇锚定蛋白合成通路、肿瘤坏死因子信号通路和NF-κB信号通路。对DEP进行LASSO回归和随机森林，筛选出血管生成素、凝集素家族成员10两个变量，且以此构建的SIC诊断模型的ROC曲线下面积为0.896，特异度为0.731，灵敏度为0.900。

由血管生成素、凝集素家族成员10构建的诊断模型可准确诊断SIC。