Вероятность смерти можно определить точнее с помощью протеомики

Исландская команда под руководством исследователей компании deCODE genetics разработала новые модели, позволяющие оценить краткосрочный и долгосрочный риски смерти человека от всех причин. Модели включают в себя определенный набор белков-предикторов и работают лучше традиционных моделей, опирающихся на возраст и пол человека или метаболомные маркеры.

Ученые использовали данные о 22 913 жителях Исландии в возрасте 18–101 лет, принявших участие в проектах Icelandic Cancer Project, deCODE и других. С помощью платформы SOMAscan в плазме крови испытуемых оценивались уровни 4 684 белков. Среднее время наблюдения за участниками составило 13,7 лет. Всего в процессе исследования скончался 7 061 участник.

Наиболее сильным предиктором смерти среди единичных белков оказался белок GDF15 (growth/differentiation factor 15). Модель, построенная с учетом пола, возраста и уровня GDF15 в плазме, описывала риск смерти максимально приближенно к реальным значениям смертности испытуемых и даже превосходила модели, в которых использовались традиционные факторы риска (пол, возраст, курение, уровень холестерина и др.). Однако если участник умирал от заболеваний нервной системы, новая модель работала хуже.

Также были построены модели, позволяющие определить высокий и низкий риск смерти испытуемых в возрастной категории 60–80 лет. Доля людей с высокими рисками смерти в этой категории составила 5% (124 человека). 88% испытуемых из этой группы скончались в течение десяти лет, а 67% — в течение пяти лет после сбора образцов. Традиционная модель оказалась менее точной: она выделила индивидов с 65-процентной вероятностью смерти в течение десяти лет и 40-процентной вероятностью смерти в течение пяти лет.

Группа с низкими рисками в этой возрастной категории также составила 5% (125 человек), в течение 10 лет из них умер 1%. Традиционные модель давала схожее предсказание.

Авторы отмечают, что данные о рисках смерти, полученные с помощью новых моделей, в целом согласуются с результатами исследований, опирающихся на оценку фенотипических возрастных изменений. Они подчеркивают, что хорошие предикторы необходимы для контроля состояния пациента в ходе лечения. Такие предикторы можно будет использовать на завершающем этапе клинических испытаний, что позволит получать результаты, не дожидаясь смерти участников.