综合多态学和机器学习识别了病原体特异性败血症分层和转化优先级的线粒体生物标志物
Chaoyuan Jin1,2,3, Ruijinlin Hao4, Bate Gonggaoang1,2,3
1Center of Emergency & Intensive Care Unit, Jinshan Hospital, Fudan University, Shanghai, 201508, China.
European journal of medical research
|March 6, 2026
概括
这项研究揭示了线粒体基因失调如何导致败血症异质性. 使用这些基因的机器学习模型显示出改善败血症风险分层和生物标志物发现的前景.
科学领域:
- 基因组学和系统生物学
- 线粒体生物学 线粒体生物学
- 关键护理医学 关键护理医学
背景情况:
- 败血症是死亡的主要原因,患者的变化很大,阻碍了有效的治疗.
- 线粒体功能障碍与败血症有关,但其遗传和监管基础尚未完全理解.
研究的目的:
- 整合多omics数据以识别在败血症中基因支持的线粒体调节特征.
- 探索毒症中线粒体基因表达的临床相关性和病原体特异性模式.
- 使用线粒体基因特征开发败血症风险分层的预测模型.
主要方法:
- 整合全基因组关联研究 (GWAS) 数据与分子定量特征位置 (QTL) 资源,以优先考虑线粒体基因.
- 分析了独立的转录基因队列,以表征败血症中的基因表达模式.
- 使用线粒体基因表达数据开发和验证机器学习模型.
主要成果:
- 鉴定了具有强烈遗传,表观遗传和转录证据的线粒体基因,特别是内膜和基质中的基因.
- 在败血症中观察到临床相关的失调和病原体特异性表达模式.
- 结合线粒体基因特征的机器学习模型实现了高预测性能 (AUC 0.91).
结论:
- 一个多omics框架将线粒体失调与败血症异质性联系起来.
- 被提名为败血症的候选生物标志物.
- 这些发现需要外部验证和进一步的多omics概况为临床应用.


