Integration av multi-omik och maskininlärning avkodar systematiskt cellulär heterogenitet och fibrotiska regleringsnätverk i övergången från MASLD till MASH

Varför denna leversjukdomsforskning är viktig

Fettleversjukdom kopplad till fetma och typ 2‑diabetes är nu ett av de vanligaste leverproblemen i världen. För många förblir tillståndet lindrigt, men för en betydande andel förvärras det i tysthet till en aggressiv form med inflammation och ärrbildning som kan leda till skrumplever och levercancer. Läkare har fortfarande svårt att förutsäga vem som kommer att försämras och att upptäcka detta farliga stadium tidigt utan biopsi. Denna studie använder avancerade "multi-omik"-verktyg och artificiell intelligens för att zooma in på enskilda leverceller, avslöja en nyligen identifierad immuncellstyp och en signalväg som verkar driva skadlig ärrbildning, och föreslår blodbaserade markörer som en dag skulle kunna indikera hög-risk‑patienter icke-invasivt.

Från enkel fettansamling till farlig leverskada

Forskarnas fokus låg på övergången från metabol dysfunktionsassocierad steatotisk leversjukdom (MASLD), ofta kallad fettlever, till dess allvarligare släkting metabol dysfunktionsassocierad steatohepatit (MASH). MASLD är mycket vanligt och drabbar mer än en tredjedel av vuxna globalt, särskilt personer med fetma eller diabetes. De flesta med MASLD har fettinlagring i levern men lite skada. I MASH däremot skadas leverceller, inflammationen ökar och ärrvävnad bildas. Ungefär en av fem till en av tre personer med MASH kommer så småningom att utveckla skrumplever eller levercancer. Nuvarande blodtester och bilddiagnostik kan inte med tillräcklig noggrannhet fånga vilka mikroskopiska cellförändringar som pågår i organet, så de missar ofta fönstret för tidiga åtgärder.

Att betrakta levern en cell i taget

För att angripa problemet kombinerade teamet flera kraftfulla datatyper från offentliga studier. De sammanställde single-cell RNA‑sekvenseringsdata från mer än en halv miljon individuella leverceller, spatial transkriptomik som bevarar cellernas läge i vävnaden, helprovsprofiler av genaktivitet från biopsier och kromatin‑åtkomlighetskartor som visar vilka DNA‑regioner som är öppna och aktiva. Med sofistikerad mjukvara grupperade de cellerna i sju breda typer, inklusive leverparenkymceller, immunceller och stödjeceller kallade stellatceller. De jämförde friska levern, MASLD samt tidig och avancerad MASH och kartlade hur cellblandningen och deras kommunikationsnätverk förändrades när sjukdomen förvärrades.

Ärrdrivande immunceller och stödjeceller som samarbetar

Ett tydligt mönster framträdde: immunceller kända som monocyter och makrofager, tillsammans med hepatisk stellatceller, var mycket mer rikliga i MASH än i tidigare stadier och tenderade att klustras i samma regioner av sjuk vävnad. Vidare delade forskarna upp stellatcellerna i fem undertyper som sträckte sig från vilande till fullt aktiverade och glattmuskel‑liknande former. När levern skiftade från MASLD till MASH minskade de tysta stellatcellerna och de aktiverade, ärrproducerande stellatcellerna ökade, vilket spårade en tydlig övergång från vilande till fibrotiskt tillstånd. Spatiala analyser visade att dessa aktiverade stellatceller låg nära de förhöjda makrofagerna, vilket tyder på ett intimt samspel i uppbyggnaden av leverärr.

En nyuppmärksammad makrofagtyp och en fibrotisk signalaxel

Bland immuncellerna identifierade forskarna en distinkt makrofagundergrupp märkt av en gen kallad DTNA som var specifikt förhöjd i MASH. Dessa DTNA‑positiva makrofager uppvisade egenskaper för så kallad M2‑polarisering, ofta kopplad till kronisk inflammation och vävnadsombyggnad, tillsammans med tecken på låg syretillgång och stark inflammatorisk signalering. Genom att rekonstruera utvecklings"trajektorier" antog de att dessa celler uppstår från leverns residenta Kupffer‑celler. Analys av regleringsnätverk pekade på en transkriptionsfaktor kallad RUNX2 som en huvudströmbrytare i dessa makrofager. Ytterligare kartläggning av cell–cell‑kommunikation föreslog att DTNA‑positiva makrofager kommunicerar med aktiverade stellatceller via en kedja som de kallar RUNX2–PLG–PARD3‑axeln: RUNX2 ökar produktionen av proteinet PLG i makrofager, PLG signalerar sedan till stellatceller som uttrycker PARD3, och denna interaktion är kopplad till intensivare fibros och förändrad blodkoagulationsaktivitet.

Från cellkartor till möjliga tester och behandlingar

För att undersöka om dessa upptäckter kunde hjälpa patienter tränade och testade teamet 113 olika maskininlärningsmodeller på stora bulk‑genuttrycksdatamängder från personer med MASLD eller MASH. En Elastic Net‑modell presterade bäst, och över flera oberoende kohorter framstod en gen som den starkaste prediktorn: DTNA. Högre aktivitet av DTNA och dess partnergener, inklusive RUNX2, markerade konsekvent patienter med MASH snarare än enkel fettlever. Författarna sökte också i befintliga läkemedelsdatabaser och fann flera läkemedel som kan påverka den nybeskrivna RUNX2–PLG–PARD3‑vägen, vilket tyder på möjligheter till omprövning av befintliga substanser, även om dessa idéer fortfarande kräver laboratorie‑ och klinisk prövning.

Vad det betyder för personer med fettleversjukdom

I praktiska termer visar denna studie att inte alla leverimmunceller och stödjeceller är likadana, och att ett särskilt samspel mellan en nyligen framhållen makrofag‑undertyp och ärrbildande stellatceller kan vara en central drivkraft för att fettlever utvecklas mot farlig ärrbildning. Arbetet antyder att mätning av markörer som DTNA i blod eller vävnad en dag skulle kunna hjälpa läkare att identifiera vilka patienter med fettlever som har högst risk att utveckla MASH, utan att förlita sig enbart på invasiva biopsier. Det lyfter också fram en specifik signalväg, RUNX2–PLG–PARD3‑axeln, som ett lovande måltavla för läkemedel som syftar till att bromsa eller vända leverfibros. Även om dessa fynd fortfarande är i forskningsstadiet och behöver ytterligare validering, ger de en tydligare karta för att omvandla komplex cellulär data till praktiska verktyg för tidig diagnos och målinriktad behandling.

Citering: Wen, W., Liu, Z., Tan, W. et al. Integrating multi-omics and machine learning systematically deciphers cellular heterogeneity and fibrotic regulatory networks in the progression from MASLD to MASH. npj Digit. Med. 9, 167 (2026). https://doi.org/10.1038/s41746-026-02352-8

Nyckelord: fettleversjukdom, MASH, makrofager, leverfibros, multi-omik