"La neurodegeneración retiniana es una característica temprana e independiente de la enfermedad retiniana diabética. Este trabajo integra proteómica plasmática y OCT longitudinal para identificar proteínas asociadas con el adelgazamiento de la capa de fibras nerviosas y, además, construir un modelo predictivo con aprendizaje automático. El enfoque logró buena discriminación y mejoró el desempeño al combinarse con variables clínicas, con señales biológicas vinculadas a inflamación, matriz extracelular y homeostasis microvascular. Es un paso interesante hacia una estratificación de riesgo más precisa, aunque con limitaciones como la proteómica medida en un solo momento."
por Huangdong Li, Ziyu Zhu, Shaopeng Yang, Weijing Cheng, Shaoying Tan, Zhuoyao Xin, Lei Zhang, Zhuoting Zhu, Shida Chen, Wenyong Huang, Wei Wang Antecedentes La neurodegeneración retiniana es una característica temprana e independiente de la enfermedad retiniana diabética y se ha propuesto como una ventana a las consecuencias neurales sistémicas de la diabetes; sin embargo, siguen siendo escasos los biomarcadores moleculares accesibles y las herramientas de predicción individualizadas. Nuestro objetivo fue identificar firmas de proteínas circulantes en plasma asociadas con la neurodegeneración retiniana diabética (NRD) y traducirlas a un sistema de predicción de riesgo clínicamente utilizable. Métodos y hallazgos En este estudio observacional prospectivo de múltiples cohortes, integramos proteómica plasmática de alto rendimiento con tomografía de coherencia óptica (OCT) longitudinal en dos poblaciones independientes. La cohorte de descubrimiento comprendió 1,492 participantes con proteómica plasmática basal y OCT, y 1,218 fueron seguidos con OCT repetida durante 6 años en Guangzhou Diabetic Eye Study (GDES). La NRD se cuantificó mediante la tasa anualizada de adelgazamiento de la capa de fibras nerviosas de la retina derivada de OCT. En análisis multivariables ajustados por edad, sexo, tabaquismo, presión arterial sistólica, HbA1c y duración de la diabetes, identificamos 71 proteínas plasmáticas asociadas con el desarrollo y la progresión de la NRD. Estas proteínas se mapearon a vías que regulan el reclutamiento inmunitario inflamatorio, el remodelado de la matriz extracelular y la homeostasis microvascular, proporcionando una base biológica plausible para la NRD. Desarrollamos un modelo de NRD basado en proteómica (Pro-DRN) usando ocho algoritmos de aprendizaje automático (AA), incluidos XGBoost y LightGBM. En el conjunto de prueba independiente, Pro-DRN logró un índice C de 0.860, que aumentó a 0.908 al integrarse con variables clínicas. En comparación con seis modelos convencionales, Pro-DRN mejoró la discriminación (Δíndice C 0.137 a 0.159; todos <i>P</i> < 0.001) y la reclasificación (IDI 0.212 a 0.245; NRI 0.226 a 0.452; todos <i>P</i> < 0.05). En el modelo de Hippisley, el índice C aumentó de 0.739 (IC 95% [0.670, 0.808]) a 0.898 (IC 95% [0.858, 0.937]), con IDI 0.245 (IC 95% [0.177, 0.318]) y NRI 0.452 (IC 95% [0.222, 0.673]) (ambos <i>P</i> < 0.001), y mayor beneficio neto. Las proteínas que impulsaron de manera más consistente el desempeño del modelo incluyeron ACTA2, COL6A3 y HSPG2. Para la traducción clínica, implementamos el modelo fijado como una herramienta interactiva de evaluación de riesgo basada en la web para apoyar el tamizaje temprano de NRD y el monitoreo longitudinal. La validación externa multiétnica en UK Biobank (<i>n</i> = 502; reclutados 2006–2010) reprodujo señales proteicas centrales y direcciones de efecto consistentes, confirmando la robustez entre poblaciones. La principal limitación metodológica radica en la evaluación proteómica en un único punto temporal. Conclusión En este estudio multicohorte, presentamos un sistema de predicción de precisión para NRD basado en proteómica y aprendizaje automático. Pro-DRN mejoró sustancialmente la estratificación temprana del riesgo más allá de los factores clínicos convencionales y podría apoyar el tamizaje dirigido y las intervenciones neuroprotectoras oportunas, avanzando estrategias guiadas molecularmente para la prevención de la enfermedad ocular diabética.