基于Omics的计算方法用于生物标志物识别,预测和长期COVID的治疗
Sindy Pinero1, Xiaomei Li2, Junpeng Zhang3
1UniSA STEM, University of South Australia, Adelaide, South Australia, Australia.
Critical reviews in clinical laboratory sciences
|December 10, 2025
概括
长期COVID (COVID-19的后急性后果) 影响全球数百万人. 对OMICS研究的回顾揭示了免疫和代谢失调的融合生物信号,但方法限制阻碍了临床翻译.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 蛋白质组学是指蛋白质组学.
- 代谢学 代谢学 代谢学
- 多领域的整合.
背景情况:
- 长期COVID (COVID-19的后急性后果) 影响全球约4亿人,症状持久.
- 病理生理学仍然不清楚,阻碍了诊断和治疗.
- 奥米克研究提供了洞察力,但面临着方法论上的挑战.
研究的目的:
- 批判性地审查101项长期COVIDomics研究.
- 评估计算方法,方法质量和临床相关性.
- 将调查结果映射到监管和翻译框架.
主要方法:
- 对101项长期COVIDomics研究的系统审查.
- 评估研究设计,严谨性,可重复性和相关性的标准化标准.
- 在基因组学,表观基因组学,转录基因组学,蛋白质基因组学,代谢基因组学和多基因组学中进行分析.
主要成果:
- 免疫 (基因组学,转录组学,蛋白质组学) 和代谢 (代谢组学) 途径中的收信号.
- 蛋白质组学显示可重现的补充和凝血异常.
- 多组学表明炎症性与代谢性内型.
- 机器学习显示了分类潜力,但缺乏验证.
结论:
- 方法的异质性和局限性 (不足,病例定义) 阻碍了临床翻译.
- 协调协议,外部验证和监管参与对于可操作的工具至关重要.
- 未来的研究应该整合先进的AI和长期COVID诊断和治疗的空间omics.
