多omics集成揭示了分子异质性,并构建了一个机器学习的生存模型,用于败血症诱导的凝血病
Songzan Qian1, Rui Zheng2, Yiyi Shi3
1Department of Intensive Care Unit, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, 325000, China.
Thrombosis research
|February 19, 2026
概括
这项研究揭示了败血症引起的凝血病 (SIC) 的关键分子驱动因素,并开发了一种机器学习模型,以更好地分层患者的风险. 综合模型可以提高预测准确度,而不仅仅是临床数据.
科学领域:
- 生物化学 生物化学
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 败血症诱导的凝血病 (SIC) 呈现出高的异质性和死亡率.
- 目前的预后模型由于有限的分子洞察力而缺乏精度.
- 需要在SIC中进行先进的风险分层.
研究的目的:
- 使用多omics集成探索SIC的分子景观.
- 开发一个强大的机器学习 (ML) 模型来预测SIC存活率.
- 加强SIC的早期风险分层和精确管理.
主要方法:
- 对878名SIC患者的综合多omics分析,包括转录组学 (RNA-seq) 和蛋白质组学.
- 权重基因同表达网络分析 (WGCNA) 和基因组丰富分析 (GSEA) 用于途径识别.
- 开发一个整体ML框架,将临床和转录基因数据结合起来.
主要成果:
- 临床因素如年龄,SOFA分数和乳酸水平是死亡率预测因素.
- 特定的基因表达模式 (例如,GABARAPL1,PHLPP1,KLF6) 与死亡风险相关.
- 综合ML模型 (临床+转录学) 的C指数达到0.735,超过仅临床模型 (C指数:0.694).
结论:
- 代谢重编程,缺氧和血代谢是SIC的关键分子特征.
- 整体ML模型为SIC患者提供了卓越的风险分层.
- 这种方法有助于精确管理败血性凝血病.
