基于粪便蛋白质组学与机器学习的克罗恩病和溃疡性结肠炎无创鉴别新策略

　　本研究针对克罗恩病（CD）与溃疡性结肠炎（UC）临床鉴别依赖侵入性检查的痛点，通过数据非依赖采集（DIA）质谱技术分析69例活动期患者粪便样本，鉴定出1250种蛋白质。研究团队采用机器学习算法筛选出16个特征蛋白，构建的朴素贝叶斯模型在训练集与盲法测试集中均达到0.96的AUC值，为炎症性肠病无创分型诊断提供了高精度解决方案。

　　

克罗恩病（Crohn's disease, CD）和溃疡性结肠炎（ulcerative colitis, UC）虽同属炎症性肠病（IBD），却具有迥异的病理特征与临床治疗方案。当前鉴别诊断依赖结肠镜等侵入性检查手段，而粪便蛋白质因直接接触肠道炎症部位且稳定性佳，为无创诊断提供了新思路。

研究人员采用高通量数据非依赖采集（data-independent acquisition, DIA）质谱技术，对69例活动期IBD患者的粪便样本进行深度蛋白质组解析，共鉴定并定量约1,250种蛋白质。通过多阶段实验设计，样本被划分为训练集与测试集。研究团队应用多种特征选择算法筛选出16个具有显著组间差异的蛋白质标志物，并系统评估六种机器学习算法。结果表明，基于朴素贝叶斯（Na?ve Bayes）架构构建的分类模型表现最优。

该模型在16例前瞻性盲法测试样本中展现出卓越的泛化能力，训练集与测试集受试者工作特征曲线下面积（AUC）均达0.96。这项研究证实了粪便蛋白质组学结合机器学习在IBD精准分型中的巨大潜力，为开发新型无创诊断工具奠定了方法学基础。