医嘉研，专注医学科研服务！
这篇文章的研究思路：本研究通过多组学整合与机器学习技术，构建了一套高效的血浆生物标志物诊断体系。研究团队首先基于WCHAT队列严格筛选了年龄、性别匹配的肌少症患者和健康对照（发现队列40对，验证队列30对），采用Olink炎症蛋白组学（检测384种蛋白）和LC-MS代谢组学（分析268种代谢物）进行系统检测。通过差异分析（蛋白p<0.05，代谢物VIP>1）和功能富集，筛选出65个差异蛋白和268个差异代谢物。利用机器学习算法构建了单组学模型（蛋白组AUC=0.743，代谢组AUC=0.828），并进一步开发了两个组合模型：Model 1整合7个蛋白和7个代谢物（AUC=0.951），Model 2精简为CCL13、FGF2蛋白和N-hexadecanoylpyrrolidine、1-(cyclohexylmethyl)proline代谢物（AUC=0.911）。最终验证显示Model 2具有86.7%的敏感性和80%的特异性，并通过ELISA和LC-MS/MS检测方案展现出良好的临床转化潜力，为肌少症的早期诊断提供了可靠的新型生物标志物组合。
