Фреймворк три-омики и машинного обучения выявляет прогностические биомаркеры и метаболические подписи при сепсисе

Почему это важно для людей с тяжёлыми инфекциями

Сепсис — это жизнеугрожающее реакция на инфекцию, при которой иммунная система может выйти из-под контроля и привести к отказу органов. Врачи знают, что раннее выявление сепсиса и индивидуальная коррекция лечения спасают жизни, но современные анализы крови слишком грубы: они часто мало что говорят о том, кто поправится, а кто находится в наибольшей опасности. В этом исследовании использована мощная комбинация трёх типов молекулярных измерений и современных методов машинного обучения для поиска более точных предупредительных признаков в крови пациентов с сепсисом.

Смотрим на кровь через три разных призмы

Вместо того чтобы сосредоточиться на одном типе молекул, исследователи одновременно профилировали тех же пациентов тремя способами. Они измеряли, какие гены включены или выключены (транскриптомика), какие белки действительно присутствуют и активны (протеомика) и какие малые метаболиты циркулируют в крови (метаболомика). Они собрали кровь у 21 пациента с сепсисом и 10 здоровых добровольцев и применили продвинутую статистику, чтобы увидеть, как эти три слоя меняются вместе при болезни. Такой «три-омический» взгляд помогает преодолеть ключевую проблему: при сепсисе активность генов и уровни белков могут развязываться, поэтому анализ только одного слоя может ввести в заблуждение.

Обучение алгоритмов распознавать паттерны высокого риска

Из тысяч генов и белков команда сначала использовала сетевой метод, чтобы найти группы элементов, которые менялись согласованно при сепсисе. Затем они сопоставили эти группы с белками, которые явно различались между пациентами и здоровыми контрольными, в результате чего получили 32 сильных кандидата. Чтобы дополнительно сузить этот список, они применили машинное обучение, используя два взаимодополняющих алгоритма, чтобы отсеять слабые сигналы и оставить только наиболее информативные. При проверке связи оставшихся генов с выживаемостью на крупном публичном наборе данных по сепсису выделились два гена: TPR и ERN1. У пациентов с более высокими уровнями TPR, как правило, была более благоприятная выживаемость, тогда как повышенный ERN1 ассоциировался с худшими исходами.

Связь иммунных клеток и нарушенного обмена веществ

Исследование не ограничилось генами и белками. Просканировав тысячи метаболитов в крови пациентов, исследователи обнаружили 136 малых молекул, тесно коррелировавших с TPR и ERN1. Многие из них относились к путям обмена липидов клеточных мембран и жирных кислот, которые важны для сигнализации иммунных клеток и распространения воспаления. В то же время анализ на уровне отдельных клеток — который изучает отдельные иммунные клетки крови, а не усреднённые сигналы — показал, что TPR и ERN1 особенно активны в моноцитах, макрофагах и натуральных киллерах. В совокупности эти результаты указывают на то, что оба маркера находятся на перекрёстке между клетками, борющимися с инфекцией, и тем, как эти клетки используют и перестраивают липиды и энергию во время сепсиса.

Создание демонстрационного анализа крови

Чтобы оценить, как эти открытия могли бы перейти в практику, авторы объединили два гена с пятью наиболее информативными метаболитами и обучили простые компьютерные модели, которые разделяли пациентов с сепсисом и здоровых людей. В их небольшом внутреннем наборе данных комбинированные «ген-плюс-метаболит» сигнатуры почти идеально различали, кто болен сепсисом. Исследователи также проверили крупные публичные базы данных, связывающие белки крови с риском заболеваний у десятков тысяч человек, и обнаружили, что уровни белков TPR и ERN1 последовательно ассоциируются с состояниями, связанными с сепсисом, что добавило ещё один уровень подтверждения. Тем не менее авторы подчёркивают, что эти модели — инструменты ранней стадии, предназначенные для генерации гипотез, а не готовые прикроватные тесты.

Растительные соединения как ранние подсказки, а не лекарства

На завершающем этапе команда спросила, могут ли какие‑то природные молекулы влиять на TPR или ERN1. Они обыскали специализированную базу почти из 500 очищенных соединений из традиционной китайской медицины, каждое из которых имеет свой профиль влияния на экспрессию генов. Несколько соединений, по-видимому, сильно повышали или понижали эти два гена в культурах клеток, что подсказывает, что они могли бы однажды помочь исследователям изучать биологию сепсиса или разрабатывать новые препараты. Однако эти результаты получены только путём компьютерного сопоставления: они не доказывают, что какие‑либо из этих веществ безопасны или эффективны для людей с сепсисом.

Что действительно говорит эта работа

Это исследование предлагает подробную карту, а не готовое решение. Соединив три молекулярных уровня, данные одиночных клеток и машинное обучение, авторы выделяют TPR и ERN1 — и связанные с ними метаболические изменения — как перспективные ориентиры того, как иммунитет и метаболизм теряют равновесие при сепсисе. Для непрофессионала ключевая мысль такова: сепсис — это не одно единственное заболевание, а изменчивый набор иммунных и метаболических состояний, и более умные анализы крови могут однажды помочь врачам понять, в каком состоянии находится пациент, и скорректировать лечение соответственно. Прежде чем это станет реальностью, эти ранние сигналы необходимо проверить и подтвердить в гораздо больших, разнообразных группах пациентов и в лабораторных экспериментах, которые смогут доказать причинно-следственные связи.

Цитирование: Li, X., Ke, G., Hu, Y. et al. A tri-omics and machine learning framework identifies prognostic biomarkers and metabolic signatures in sepsis. Sci Rep 16, 6648 (2026). https://doi.org/10.1038/s41598-026-37342-z

Ключевые слова: биомаркеры сепсиса, мульти-омика, машинное обучение в медицине, иммунный метаболизм, точная диагностика