基于因病因活检转录组学和机器学习模型预测肾移植供体肾存活

这对移植患者为何重要

对于肾功能衰竭的患者，移植常常意味着摆脱透析机器、重返日常生活的机会。然而，许多移植的肾脏在手术多年后仍会失效，常常是因为机体免疫系统渐进性地攻击新器官。该研究探讨了是否可以将常规肾脏活检中的基因活性模式与现代机器学习结合起来，以在标准检测显示问题之前，很早地识别出真正面临危险的移植肾。

在分子水平上窥视移植肾

肾移植后，当血液或尿液检测提示器官可能受压时，医生有时会进行“因病因”活检。传统上，病理学家通过显微镜观察这些样本以评估损伤程度。本文作者提出了另一个问题：这些活检样本中被激活的基因能否提供更清晰、更早的预警信号，提示未来移植肾可能丧失功能？为此，他们收集了来自六个国际研究库的1200多份活检的基因活性数据，重点关注移植肾后来存活或最终失效的患者。

发现11个基因的预警信号

研究人员首先比较了最终失去移植肾的患者与功能良好的患者的活检样本。他们在数千个基因中搜索，识别出一小组11个在失败移植肾中持续高表达的基因。这些基因与免疫激活和炎症密切相关，包括招募白细胞进入肾脏并协助其攻击组织的信号。换言之，那些后来失效的肾脏的活检中，早已展现出一种侵袭性的免疫特征，哪怕传统指标可能仍显得可接受。

训练机器预测移植肾存活

接着，研究团队将这11个基因的表达水平输入多种机器学习方法，旨在预测移植肾能维持工作的时长。他们测试了117种不同的模型配置，并按将患者按失代次序从低到高风险正确排序的能力对其进行评分。一种称为梯度提升机（Gradient Boosting Machine）的算法脱颖而出，能够高度准确地对患者进行排序。当模型分配高风险分时，这些患者在接下来的数年内失去移植肾的可能性显著高于低分患者，随访存活曲线随时间明显分离。

在新患者群体中检验性能

为了在临床中具有实用性，风险工具必须在其构建数据之外也能有效。因此，作者将他们的11基因模型应用于来自其他中心的四个完全独立的活检集合。在这些队列中，详细的存活时间并不总是可用，但专家对每份活检是否显示排斥已有标注。相同的基因评分在区分排斥与稳定移植方面表现良好，其准确性与许多临床检测相当。在另一项研究中，患者在移植后0、6和24个月按计划接受活检，那些后来发展为慢性损伤的患者在显微镜下损伤明显出现前数月就已显示出较高的风险评分。

模型揭示的免疫战场

除了预测以外，研究者还利用基因模式窥见肾脏内的免疫格局。高风险评分的活检显示出更多侵袭性的免疫细胞类型，例如某些巨噬细胞和T细胞，以及促使它们聚集入器官的化学信号。相反，低风险活检中富含与抑制炎症和促进组织修复相关的细胞类型。这表明该模型不仅仅是一个黑箱：其风险评分反映了推动器官走向排斥或支持移植物与受者免疫系统长期共存的真实生物过程。

这如何改变移植护理

研究得出结论：基于常规肾活检的11基因机器学习评分可以可靠预测哪些移植肾最可能失效，并能比标准方法更早发出警报。对于患者和临床医生来说，这样的工具有朝一日可以指导个体化护理：高风险者可能接受更密切的监测或个性化药物调整，而低风险者则可能避免不必要的程序。由于该签名只使用少量基因，它有望用现有技术转化为实用的实验室检测。尽管在成为日常实践前仍需更多前瞻性试验，但这项工作指向了一个未来：分子读数与人工智能共同帮助长期保护移植肾的方向。

引用: Filho, V.O.C., Passos, P.R.C., de Andrade, L.G.M. et al. Predicting kidney graft survival with a machine learning model based on for-cause biopsy transcriptomics. Sci Rep 16, 6157 (2026). https://doi.org/10.1038/s41598-026-37038-4

关键词: 肾脏移植, 移植肾存活, 机器学习, 活检基因表达, 免疫排斥