三组学与机器学习框架识别败血症的预后生物标志物和代谢特征

这对重症感染患者为何重要

败血症是对感染的危及生命的反应，会导致免疫系统过度激活并引发器官衰竭。医生知道尽早发现败血症并为每位患者量身定制治疗可以挽救生命，但现有的血液检测工具较为粗糙：它们通常难以判断谁会好转、谁面临最高风险。这项研究结合三类分子测量和现代机器学习，旨在从败血症患者的血液中寻找更精确的预警信号。

用三种视角观察血液

研究者没有只关注一种分子类型，而是同时对同一批患者进行了三种层面的分析。他们测量了哪些基因被开启或关闭（转录组学），哪些蛋白实际存在并起作用（蛋白质组学），以及循环中的小分子代谢物（代谢组学）。研究团队采集了21名败血症患者和10名健康志愿者的血样，使用高级统计方法观察这三层如何在疾病中共同变化。这种“三组学”视角有助于克服一个关键问题：在败血症中，基因表达与蛋白水平可能失去耦合，因此仅看单一层面可能产生误导。

教机器识别高风险模式

从成千上万的基因和蛋白中，研究团队先使用网络方法找出在败血症中协同变化的组群。随后他们将这些组群与在患者与健康对照之间明显差异的蛋白做交叉核查，最终得出32个有力候选项。为了进一步缩小名单，他们转向机器学习，采用两种互补的算法剔除较弱信号，仅保留信息量最大的特征。在将这些剩余基因与大型公开败血症数据集中的生存情况关联测试时，有两基因脱颖而出：TPR和ERN1。TPR水平较高的患者倾向于存活时间更长，而ERN1水平较高则与更差的结局相关。

将免疫细胞与紊乱的代谢联系起来

研究并未止步于基因和蛋白。通过扫描患者血液中的数千种代谢物，研究者发现有136种小分子与TPR和ERN1密切相关。许多代谢物属于处理细胞膜脂类和脂肪酸的通路，这些通路对免疫细胞的信号传递和炎症扩散至关重要。与此同时，单细胞分析——即对单个血液免疫细胞进行检查而非将其混合在一起——显示TPR和ERN1在单核细胞、巨噬细胞和自然杀伤细胞中特别活跃。综合来看，这些结果表明这两个标志位于抵抗感染的免疫细胞与这些细胞在败血症期间使用和重塑脂类及能量代谢之间的交汇处。

构建概念验证的血液检测

为探索这些发现如何转化为临床应用，作者将两种基因与五种信息量最大的代谢物结合，用简单的计算模型训练以区分败血症患者与健康人。在他们的小型内部数据集中，这些“基因加代谢物”组合几乎可以完美地区分谁患有败血症。研究者还查阅了将血液蛋白与数万人的疾病风险关联的大型公共数据库，发现TPR和ERN1蛋白水平与败血症相关状况一致相关，增加了证据层次。但作者强调，这些模型仍属早期工具，用于生成假设，而非可直接投入临床床边使用的检测。

植物化合物作为早期线索，而非疗法

在最后一步，团队探索是否有天然分子可能影响TPR或ERN1。他们检索了一个专门的数据库，该库包含近500种从传统中药中纯化的化合物，每种化合物都有对应的基因活性谱。若干化合物在体外培养细胞中显示出强烈上调或下调这两种基因的作用，提示它们将来或可用于研究败血症生物学或设计新药。然而，这些发现仅来自计算匹配：并不能证明这些物质对败血症患者是安全或有效的。

这项工作真正告诉我们的是什么

这项研究提供的是一张详尽的地图，而非一个最终解决方案。通过将三层分子数据、单细胞数据与机器学习编织在一起，作者突出显示了TPR和ERN1及其相关的代谢变化，作为免疫系统与代谢在败血症中失衡的有前景指标。对于非专业读者，关键信息是：败血症并非单一疾病，而是免疫与代谢状态不断变化的模式，未来更智能的血液检测或能帮助医生判断患者所处的状态并据此调整治疗。在那之前，这些早期信号必须在更大、更多样化的患者群体以及能够证明因果关系的实验室研究中得到测试和确认。

引用: 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

关键词: 败血症生物标志物, 多组学, 医学中的机器学习, 免疫代谢, 精准诊断