Поиск биомаркеров диабетической нефропатии 2 типа на основе протеомики и метаболомики мочи

Mining biomarkers for type 2 diabetic nephropathy based on urinary proteomics and metabolomics
Wei Liang, Mindong Mi, Tianhuan Xiong, Jiyong Gong, Weijie Sun, Tunguang Xu, Qifeng Jiang, Danqing Zhang, Junhua Zhang, Jiancheng Huang
2026-06-22

соотношение альбумин/креатинин (ACR)мочевой SERPINA1панель аминокислот мочимочевая метаболомикамочевая протеомика
Введение: Оценить и выявить мочевые биомаркеры для ранней диагностики и стадирования диабетической болезни почек (DKD). Методы: В исследование включено 200 участников: здоровые контролы (NDM, n = 50) и пациенты с сахарным диабетом 2 типа. Пациенты с сахарным диабетом были стратифицированы по соотношению альбумина к креатинину в моче (ACR) на следующие группы: нормоальбуминурия (SDM, n = 50), микроальбуминурия (MADKD, n = 50) и макроальбуминурия (ADKD, n = 50). С использованием интегрированной многомерной стратегии скрининга мы систематически оценили традиционные маркеры белка мочи (мочевой ретинол-связывающий белок [URBP], мочевой иммуноглобулин G [UIgG], мочевой трансферрин [UTRF], мочевой альфа-1-микроглобулин [Uα1-MG] и мочевой бета-2-микроглобулин [Uβ2-MG]), 20 аминокислот мочи и белки мочи, идентифицированные с помощью высокопроходной масс-спектрометрии. Кандидатные белки были верифицированы методом ELISA, а их диагностическая эффективность оценена с помощью анализа ROC-кривой, при этом ACR использовался в качестве практического клинического ориентира. Результаты: Среди традиционных белковых маркеров мочи UTRF и UIgG продемонстрировали отличную диагностическую ценность с площадями под кривой (AUC) 0.926 и 0.916 соответственно. Среди аминокислот наилучшую диагностическую характеристику показала пролин (PRO) (AUC = 0.746). Однако при объединении всех 20 аминокислот мочи в диагностическую модель она продемонстрировала выдающуюся диагностическую ценность (AUC = 0.928), превзойдя отдельные аминокислоты и даже традиционные белковые маркеры. Из топ-50 белков, обнаруженных при протеомном скрининге, ключевым оказался белок семейства серпинов A member 1 (SERPINA1). Последующая валидация ELISA и анализ ROC дополнительно подтвердили, что SERPINA1 обладает выдающейся диагностической способностью (AUC = 0.964, 95% ДИ: 0.936–0.990), значительно превосходя другие кандидатные белки: остеокласт-ассоциированный иммуноглобулиноподобный рецептор (OSCAR), контактин 1 (CNTN1) и молекулу CD58 (CD58). Выводы: Традиционные белки, особенно UTRF и UIgG, имеют диагностическую ценность. Комбинация из 20 аминокислот (AUC = 0.928) превзошла их. В данном исследовании впервые систематически идентифицирован мочевой SERPINA1 как высокоперспективный биомаркер DKD, предлагающий новую мишень для ранней диагностики и точного ведения.
1
Комбинированная диагностическая модель из всех 20 мочевых аминокислот продемонстрировала выдающуюся диагностическую эффективность (AUC = 0,928), превзойдя отдельные аминокислоты и традиционные белковые маркеры.
2
Среди традиционных мочевых белковых маркеров мочевой трансферрин (UTRF) и мочевой иммуноглобулин G (UIgG) показали отличную диагностическую ценность для ДН (AUC 0,926 и 0,916).
3
Пролин (PRO) оказался лучшей отдельной мочевой аминокислотой для диагностики ДН (AUC = 0,746).
4
Протеомный скрининг выявил SERPINA1 как ключевой мочевой белковый биомаркер; валидация ELISA показала превосходную диагностическую способность SERPINA1 (AUC = 0,964, 95% CI: 0,936-0,990).
5
SERPINA1 значительно превзошел другие кандидатные белки (OSCAR, CNTN1, CD58) как мочевой биомаркер ДН, предлагая новый таргет для ранней диагностики и точного ведения.

Мочевые биомаркеры (белки и аминокислоты) у пациентов с диабетической нефропатией 2-го типа / диабетической болезнью почек

Диагностическая эффективность для ранней диагностики и стадирования диабетической болезни почек, включая выявление и валидацию конкретных мочевых биомаркеров (например, SERPINA1, UTRF, UIgG, панель из 20 аминокислот), оцениваемая с помощью ROC/AUC по сравнению со стадированием на основе соотношения альбумин/креатинин (ACR)

Publication Details
Publication Date
2026-06-22
Journal
Publisher
ISSN
Cited by
0
Access Type
Author Information
Authors
Wei Liang
Mindong Mi
Tianhuan Xiong
Jiyong Gong
Weijie Sun
Tunguang Xu
Qifeng Jiang
Danqing Zhang
Junhua Zhang
Jiancheng Huang
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%