相关实验视频
Updated: Jan 7, 2026
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
460
毒症核心生物标志物的识别和验证:使用生物信息学和机器学习进行全面分析
Haili Li1, Sishi Jiang1, Zhibin Chen1
1Department of Emergency Medicine, The Affiliated Hospital of Southwest Medical University, Luzhou, Sichuan, China.
Frontiers in immunology
|December 31, 2025
概括
四个新的生物标志物CD27,KLRB1,RETN和CD163显示出早期败血症诊断和预后的前景. 它们的表达模式揭示了对免疫反应的洞察力,有助于针对败血症患者的个性化治疗策略.
科学领域:
- 免疫学 免疫学 免疫学
- 生物标志物发现发现
- 生物信息学是一种生物信息学.
背景情况:
- 败血症诊断具有挑战性,目前的方法缺乏特异性和早期检测能力.
- 可靠的生物标志物对于及时干预和改善败血症患者结果至关重要.
- 现有的败血症诊断工具,如SOFA评分,前素 (PCT) 和C反应蛋白 (CRP) 有局限性.
研究的目的:
- 识别和验证用于败血症诊断和预后的新型关键生物标志物.
- 为了解决当前败血症诊断方法的局限性.
- 探索已识别的生物标志物的潜力,以指导临床干预.
主要方法:
- 招募了23名败血症患者和10名健康对照人进行外周血液mRNA测序.
- 利用公共数据集进行差异基因表达分析.
- 进行生物信息学分析,包括GO/KEGG丰富,PPI网络,ROC分析,机器学习模型,生存分析和免疫细胞定位.
主要成果:
- 确定了四种核心败血症生物标志物:CD27,KLRB1,RETN和CD163,具有显著的差异表达.
- 对于这些生物标志物,机器学习模型显示出卓越的诊断性能 (AUC > 0.9).
- 生存分析将KLRB1,RETN和CD163与败血症预后联系起来,与死亡风险有特定关联.
- 免疫细胞局部化揭示了一种基于细胞类型的免疫调节网络,涉及T细胞,NK细胞,单细胞和中性粒细胞.
结论:
- CD27,KLRB1,RETN和CD163形成了一个动态的免疫网络,反映了败血症的进展.
- 监测这些生物标志物可以评估免疫状态并指导个性化治疗 (抗炎或免疫刺激).
- 这项研究为早期败血症诊断和个性化治疗策略提供了新的途径.
