Search

Background: Lipoprotein(a) (Lp[a]), which consists of a low-density lipoprotein (LDL) bound to apolipoprotein(a), is one of the strongest genetic risk factors for atherosclerotic cardiovascular diseases. Few studies have performed hypothesis-free direct comparisons of the Lp(a) and the LDL proteomes. Our objectives were to compare the Lp(a) and the LDL proteomic profiles and to evaluate the effect of lifelong exposure to elevated Lp(a) or LDL cholesterol levels on the plasma proteomic profile. Methods: We performed a label-free analysis of the Lp(a) and LDL proteomic profiles of healthy volunteers in a discovery (n = 6) and a replication (n = 9) phase. We performed inverse variance weighted Mendelian randomization to document the effect of lifelong exposure to elevated Lp(a) or LDL cholesterol levels on the plasma proteomic profile of participants of the INTERVAL study. Results: We identified 15 proteins that were more abundant on Lp(a) compared with LDL (serping1, pi16, itih1, itih2, itih3, pon1, podxl, cd44, cp, ptprg, vtn, pcsk9, igfals, vcam1, and ttr). We found no proteins that were more abundant on LDL compared with Lp(a). After correction for multiple testing, lifelong exposure to elevated LDL cholesterol levels was associated with the variation of 18 plasma proteins whereas Lp(a) did not appear to influence the plasma proteome. Conclusions: Results of this study highlight marked differences in the proteome of Lp(a) and LDL as well as in the effect of lifelong exposure to elevated LDL cholesterol or Lp(a) on the plasma proteomic profile. Résumé: Contexte: La lipoprotéine(a) (Lp[a]), qui est constituée d’une lipoprotéine de basse densité (LDL) liée à une apolipoprotéine(a), est l’un des plus importants facteurs de risque génétiques de survenue d’une maladie cardiovasculaire athéroscléreuse. Peu d’études comparatives directes sans hypothèse ont porté sur le protéome de la Lp(a) et celui des LDL. Nos objectifs étaient de comparer les profils protéomiques de la Lp(a) et des LDL et d’évaluer l’effet d’une exposition à vie à un taux élevé de Lp(a) ou de cholestérol LDL sur le profil protéomique plasmatique. Méthodologie: Nous avons réalisé une analyse sans marquage des profils protéomiques de la Lp(a) et des LDL chez des volontaires en bonne santé dans le cadre d’une phase de découverte (n = 6) et d’une phase de réplication (n = 9). Pour rendre compte de l’effet d’une exposition à vie à un taux élevé de Lp(a) ou de cholestérol des LDL sur le profil protéomique plasmatique des participants de l’étude INTERVAL, nous avons utilisé une analyse de randomisation Mendélienne avec pondération par l’inverse de la variance. Résultats: Nous avons relevé 15 protéines associées en plus grande abondance à la Lp(a) qu’aux LDL (serping1, pi16, itih1, itih2, itih3, pon1, podxl, cd44, cp, ptprg, vtn, pcsk9, igfals, vcam1 et ttr). Nous n’avons noté aucune protéine associée en plus grande abondance aux LDL qu’à la Lp(a). Après correction pour tenir compte de la multiplicité des tests, l’exposition à vie à un taux élevé de cholestérol LDL a été associée à la variation de 18 protéines plasmatiques, tandis que le taux de Lp(a) ne semblait pas influencer le protéome plasmatique. Conclusions: Les résultats de notre étude font ressortir les différences marquées entre le protéome de la Lp(a) et celui des LDL, ainsi qu’entre l’effet sur le profil protéomique plasmatique de l’exposition à vie à un taux élevé de cholestérol LDL et celui de l’exposition à vie à un taux élevé de Lp(a).

Early prediction of COVID-19 in-hospital mortality relies usually on patients’ preexisting comorbidities and is rarely reproducible in independent cohorts. We wanted to compare the role of routinely measured biomarkers of immunity, inflammation, and cellular damage with preexisting comorbidities in eight different machine-learning models to predict mortality, and evaluate their performance in an independent population. We recruited and followed-up consecutive adult patients with SARS-Cov-2 infection in two different Italian hospitals. We predicted 60-day mortality in one cohort (development dataset, n = 299 patients, of which 80% was allocated to the development dataset and 20% to the training set) and retested the models in the second cohort (external validation dataset, n = 402). Demographic, clinical, and laboratory features at admission, treatments and disease outcomes were significantly different between the two cohorts. Notably, significant differences were observed for %lymphocytes (p, Graphical abstract Image 1