基于蛋白质组学的机器学习模型用于预测HBV相关肝衰竭中的继发感染

为什么医院感染对肝病患者很重要

由乙型肝炎病毒导致的严重肝病患者常常在医院长期住院，他们本就虚弱的机体更容易受到新的感染侵袭。这些“继发感染”不是随患者入院时就存在的，而是在几天后发生，它们会显著增加器官衰竭和死亡的风险。问题是，医生目前在入院时没有可靠的方法来判断哪些患者最可能发生此类感染。本研究提出了一个简单但有力的问题：患者血液中已经循环的蛋白质，能否在足够早的时间揭示谁正走向危险，从而为干预争取机会？

在血液中寻找隐匿风险

研究人员随访了在中国三家大型医院接受治疗的234名乙型肝炎相关肝衰竭成人患者。入院时没有人表现出活动性感染，但约三分之一的患者在一周内发展出腹腔、肺、泌尿道或血流的严重感染。团队从入院后48小时内采集的血样出发，使用先进的“蛋白质组学”技术测量了患者血浆中数千种不同的蛋白质。通过将随后发生感染的患者与未发生感染的患者进行比较，他们寻找可能作为早期预警信号的蛋白质模式。

炎症与凝血陷入恶性循环

蛋白质图谱显示出两大密切相关系统的广泛紊乱：炎症和血液凝固。在后来发生感染的患者中，许多参与凝血形成、血小板活性和机体炎症反应的蛋白质与未感染的患者相比存在升高或降低的变化。网络和通路分析表明，这些凝血与免疫蛋白并非孤立发挥作用，而是形成了密集的相互作用网络，支持这样一个观点：凝血功能异常可以助长炎症反应，而持续的炎症又会进一步损害凝血系统。这种有害的反馈回路可能使机体更难以遏制入侵微生物，使高风险患者更容易发生突发性病情恶化。

教计算机解读蛋白质信号

为了将这些复杂的蛋白质变化转化为医生在床边可用的工具，团队训练了多种机器学习模型，包括逻辑回归和其他常用算法。从近5000种蛋白质出发，他们使用特征选择方法筛出与随后感染最强相关的蛋白，然后反复测试不同组合在区分未来感染病例与对照方面的表现。表现最好且最实用的模型（称为模型1）最终只使用了四种蛋白——溶菌酶（LYZ）、钙调蛋白1（CALM1）、抗凝血酶家族成员SERPIND1和皮肤点状蛋白（DPT）——以及两项常规的肝损伤与黄疸实验室指标（AST和总胆红素）。将患者入院时的血液数据输入该模型后，它在初始队列中以惊人的准确率区分出将会发生感染的患者，并在独立验证队列中仍保持较强的预测性能。

将复杂检测变为简单的医院工具

由于高端蛋白质组学设备尚未在大多数医院普及，研究者进一步探讨是否可以用更简单的实验室试剂盒测定关键蛋白。在第三组患者中，他们使用常见的ELISA试验——许多临床实验室已在使用的那类方法——定量测量相同的四种蛋白。即便采用这种更基础的技术，基于ELISA读数的计算机模型仍能很好地区分未来感染病例与非病例。重要的是，主要模型不仅在预测继发感染方面优于经典标志物如C反应蛋白或白细胞计数；在预测28天内死亡方面，它也比广泛使用的肝衰竭评分系统更准确。

对患者和医生的意义

简而言之，这项工作表明，一小组“血液蛋白指纹”经过机器学习模型解读，能够在住院前两天内向医生警示哪些乙型肝炎相关肝衰竭患者最有可能发生危险的感染或在短期内死亡。与其在出现发热或低血压后被动反应，临床医生可以利用这样的检测更密切地监测高风险患者、调整抗生素策略或考虑更早转入重症监护。尽管在该方法成为常规之前仍需更多验证和更便捷的检测手段，但这项研究指向了一个前景：一针血样就可能帮助个体化感染预防，并有望挽救这一类最危重肝病患者的生命。

引用: Xiong, F., Zheng, J., Chen, J. et al. Proteomics-based machine learning model for predicting secondary infection in HBV-related liver failure. Nat Commun 17, 3667 (2026). https://doi.org/10.1038/s41467-026-69075-y

关键词: 乙型肝炎 肝衰竭, 继发感染 风险, 血浆蛋白质组学, 机器学习 预测, 感染 生物标志物