文献速递重症综合管理与镇静镇痛复苏、休克与脓毒症

脓毒症的分子内型:基于RNA测序的多队列转录组学整合

Molecular endotypes in sepsis: integration of multicohort transcriptomics based on RNA sequencing.
PubMed 文献 · J Intensive Care · 2025-05-30
一句话结论整合4个RNA-seq数据集280例脓毒症患者,识别出凝血型、炎症型和适应型三种分子内型,凝血型死亡率显著高于适应型(30% vs 16%,OR 2.19)。

该meta分析整合4个公开RNA-seq数据集共280例成人脓毒症患者,采用共识聚类识别出三种分子内型:凝血型(n=83,30%)、炎症型(n=118,42%)和适应型(n=79,28%)。凝血型以凝血通路上调、单核细胞和中性粒细胞组成增加为特征,死亡率显著高于适应型(30% vs 16%,OR 2.19,95%CI 1.04-4.78,p=0.04)。炎症型TNF-α/NF-κB和IL-6/JAK/STAT3通路上调、SOFA评分较高。研究开发了14基因分类器(分类准确率94%),并在123例外部队列中重复出三种内型及死亡率趋势(凝血型34% vs 适应型18%,p=0.10)。

要点

  • 在280例成人脓毒症RNA-seq数据中识别出三种分子内型:凝血型30%、炎症型42%、适应型28%。
  • 凝血型死亡率显著高于适应型(30% vs 16%,OR 2.19,95%CI 1.04-4.78,p=0.04)。
  • 炎症型SOFA评分高于凝血型和适应型(中位差均为2,95%CI 1-4),TNF-α/NF-κB和IL-6/JAK/STAT3通路上调。
  • 适应型以年轻患者为主, adaptive免疫细胞(CD8+ T细胞、活化记忆CD4+ T细胞)组成较高,死亡风险最低。
  • 14基因分类器分类准确率94%,在123例外部队列中重复出三种内型及死亡率趋势(凝血型34% vs 适应型18%,p=0.10)。

适用人群与场景

  • 成人脓毒症患者,RNA-seq数据来自全血,纳入标准为符合Sepsis-3标准(GSE63042和GSE131411采用Sepsis-2定义的重症脓毒症或脓毒性休克患者;GSE185263仅纳入SOFA评分≥2的疑似脓毒症患者;GSE222393仅纳入基于元数据的唯一患者)。
  • 纵向研究仅分析首次时间点数据(急诊科或ICU入院24小时内采集)。
  • 排除标准:Meta分析、系统评价、病例报告和会议摘要;使用微阵列或单细胞RNA-seq数据的研究;主要关注COVID-19的研究;使用公开数据的研究。
  • 发现队列来自北美(美国、加拿大)、欧洲(瑞士、荷兰)、南美(哥伦比亚)和大洋洲(澳大利亚)的多样地理人群。

诊断标准与关键阈值

  • 脓毒症诊断采用Sepsis-3标准,例外情况:GSE63042和GSE131411采用Sepsis-2定义的重症脓毒症或脓毒性休克;GSE185263仅纳入SOFA评分≥2的疑似脓毒症患者。
  • 内型分类:基于RNA-seq数据的共识聚类算法(100次重采样迭代,80%样本子采样,100%特征,k-means聚类,欧氏距离),通过共识矩阵、聚类共识值和CDF曲线下面积相对变化确定最优聚类数为三类。
  • 差异表达基因定义:绝对Log2倍数变化≥1且FDR<0.05。
  • 基因分类器:基于LASSO正则化的多类回归模型,使用五折交叉验证,选取每个聚类比较中FDR排名前200的差异表达基因作为输入,根据模型重要性评分确定基因分类器。

研究设计与关键结果

  • 研究类型:基于公开RNA-seq数据的meta分析,纳入4个数据集共280例成人脓毒症患者(从684例中排除404例后纳入最终分析)。
  • 识别出三种分子内型:凝血型(n=83,30%)、炎症型(n=118,42%)、适应型(n=79,28%)。
  • 凝血型特征:凝血相关通路(如凝血、血管生成调节)和IFN-α通路上调;单核细胞组成较炎症型高(中位差4.2%,95%CI 2.7-7.1,p<0.001),Treg组成较炎症型高(中位差1.3%,95%CI 0.6-1.9,p<0.001),中性粒细胞组成较适应型高(中位差9.2%,95%CI 3.5-19.3,p<0.001)。
  • 炎症型特征:TNF-α/NF-κB信号、IL-6/JAK/STAT3信号、细胞因子介导信号通路上调;中性粒细胞组成较凝血型高(中位差13.3%,95%CI 8.3-17.6,p<0.001),较适应型高(中位差22.5%,95%CI 17.8-31.1,p<0.001)。
  • 适应型特征:Myc相关通路和适应性免疫应答通路上调;CD8+ T细胞组成较凝血型高(中位差4.4%,95%CI 1.2-7.2,p<0.001),较炎症型高(中位差7.0%,95%CI 5.0-9.4,p<0.001);活化记忆CD4+ T细胞组成较凝血型高(中位差2.3%,95%CI 1.4-3.1,p<0.001),较炎症型高(中位差2.2%,95%CI 1.2-2.9,p<0.001)。
  • 凝血型死亡率显著高于适应型(30% vs 16%,OR 2.19,95%CI 1.04-4.78,p=0.04)。
  • 炎症型SOFA评分高于凝血型(中位差2,95%CI 1-4,p=0.0002)和适应型(中位差2,95%CI 1-4,p=0.001);凝血型和炎症型年龄大于适应型(中位差分别为12岁,95%CI 0-24,p=0.01;10岁,95%CI 2-20,p=0.01)。
  • 开发14基因分类器,分类准确率94%;在123例外部队列(GSE236713)中重复出三种内型,凝血型血小板计数最低(163×10^9/L,IQR 115-259)vs 炎症型(221×10^9/L,IQR 170-341)vs 适应型(215×10^9/L,IQR 154-302)(总体p=0.04);凝血型死亡率高于适应型趋势(34% vs 18%,OR 2.36,95%CI 0.87-6.95,p=0.10)。

证据类型、等级与局限

  • 证据类型:基于公开RNA-seq数据的meta分析(整合4个数据集),非随机对照试验。
  • 局限:各研究间脓毒症诊断标准不一致,GSE63042中部分患者可能不符合Sepsis-3标准。
  • 局限:内型来源于单时间点转录组数据。
  • 局限:各研究间死亡率评估时间不同。
  • 局限:发现队列与验证队列疾病严重程度不同,发现队列中位SOFA评分3-5,验证队列中位APACHE II评分29-32。
  • 局限:发现队列缺乏详细临床特征,无法进行全面的临床比较。
  • 局限:作者指出队列特征差异需要进一步验证研究以确认普适性。

对床旁实践的改变

  • 作者认为基于RNA-seq的内型分型方法可能促进脓毒症更精准治疗策略的开发。
  • 作者认为炎症型内型可能识别出更可能从TNF-α单克隆抗体靶向治疗中获益的亚组。
  • 作者指出凝血型内型与最高死亡风险相关,其炎症与凝血之间的复杂关系值得开发针对性治疗。
  • 作者开发了14基因分类器用于内型识别,分类准确率94%,并在外部队列中验证。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:J Intensive Care. 2025 May 30;13:30. doi: 10.1186/s40560-025-00802-1

背景

脓毒症是一种危及生命的疾病,由宿主对感染的免疫反应失调引起。尽管其发病率和死亡率很高,每年在全球导致1100万人死亡[1],但脓毒症的有效 definitive 治疗尚未开发,部分原因在于其高度异质性[2]。尽管脓毒症一直被视为单一疾病实体,但越来越多的证据揭示了临床表现和结局的显著异质性[3–5]。此外,使用转录组数据的新兴证据表明,脓毒症具有不同的分子内型——具有不同潜在生物学机制的亚型[6–10]。

几项基于微阵列的研究已识别出在临床和生物学上具有差异的脓毒症内型[6–8]。然而,在不同研究中识别出的这些内型存在一些差异,可能归因于患者人群的差异和技术限制。微阵列有限的灵敏度和动态范围可能阻碍检测具有临床意义的细微转录组差异。相比之下,RNA-seq能够对基因表达进行更全面、高度灵敏的分析[11, 12],有可能揭示以前技术可能无法检测到的生物学上不同的患者亚型。尽管具有这些临床相关优势,使用RNA-seq进行脓毒症内型分型的方法仍然有限[10]。此外,尚无研究系统地整合多样化的RNA-seq数据集以考虑脓毒症表现中的遗传和环境变异。

为填补这一知识空白,我们整合并分析了来自成年脓毒症患者的公开可用RNA-seq数据,以(1)基于RNA-seq数据识别内型,(2)阐明这些内型的生物学特征,(3)检查与内型相关的临床结局,以及(4)开发用于内型识别的基因分类器。我们假设这种基于RNA-seq的方法将揭示具有独特生物学和临床特征的分子内型。

方法

研究设计与分析流程

我们使用公开可用的RNA-seq数据集进行了一项荟萃分析,以识别脓毒症中的内型。分析流程总结于图S1。简而言之,我们首先进行了系统检索,以识别符合条件的脓毒症RNA-seq数据。为确保分析的稳健性,我们通过排除低质量样本(例如比对率低的样本)、过滤低表达基因、进行归一化以及校正数据集间的批次效应来预处理数据。其次,我们对预处理后的RNA-seq数据应用无监督聚类方法,以识别不同的分子内型。第三,为解释内型的生物学意义,我们进行了差异表达基因分析、通路富集分析和免疫细胞去卷积分析。第四,我们研究了与每种内型相关的临床特征和死亡率,以评估其潜在的临床相关性。最后,我们构建了具有LASSO正则化的多分类回归模型,以识别用于内型判定的基因分类器。为验证研究结果的稳健性,我们将这些分类器应用于一个独立的外部队列,并评估了内型及其相关特征的可重复性。

数据获取

为系统性地获取公共数据库中脓毒症患者的mRNA-seq数据,我们检索了截至2024年4月1日前发表的MEDLINE、Scopus和Web of Science。详细检索策略见补充表S1。两名独立评审员(KM和MK)评估研究是否符合纳入标准。纳入标准为:(1)诊断为脓毒症的成年患者;(2)从人全血中获取的mRNA-seq数据;(3)可获得死亡结局数据。符合以下标准的研究被排除:(1)荟萃分析、系统综述、病例报告和会议摘要;(2)使用微阵列或单细胞RNA-seq数据的研究;(3)主要关注COVID-19的研究;(4)使用公开可用数据的研究。任何分歧均通过评审员讨论解决。从已识别的研究中,我们纳入符合以下标准的数据:(1)符合Sepsis-3标准的患者,但有以下三个例外:(i)对于使用Sepsis-2定义的GSE63042 [13]和GSE131411 [14],我们纳入严重脓毒症或脓毒性休克患者以确保与当前Sepsis-3标准一致;(ii)对于GSE185263 [15],该研究纳入疑似脓毒症患者,我们仅选择序贯器官衰竭评估(SOFA)评分≥2的患者以确保其符合Sepsis-3诊断标准;(iii)对于GSE222393 [16],该研究纳入的部分患者与GSE185263重叠,我们根据元数据仅纳入不重复的患者;(2)对于纵向研究,我们仅分析初始时间点数据(在急诊科(ED)或重症监护病房(ICU)入院后24小时内采集)。本分析使用去标识化的公开可用数据,免于IRB审查。

RNA-seq数据预处理

我们获取了序列读取存档(SRA)格式的RNA-seq数据,并使用SRA Toolkit将其转换为FASTQ文件 [17]。我们使用Fastp去除低质量reads并修剪接头,以对原始测序数据进行质量控制 [18]。我们使用Salmon以人类转录组(GRCh38)为参考对处理后文件进行定量,采用GC偏差校正(-gcBias)和比对验证(-validateMappings)选项 [19]。我们使用R tximport包分析计数数据,将转录本水平转换为基因水平表达 [20]。我们排除比对率低于60%的样本以确保高质量的基因表达数据 [21]。

我们使用R edgeR包的filterByExpr函数过滤低表达基因 [22]。我们使用M值的截尾均值方法对过滤后的计数数据进行标准化,并使用R sva包的ComBat-seq函数校正不同数据集间的批次效应 [23, 24]。

基于RNA-seq数据的内型分型

我们旨在不设先验假设的情况下,基于基因表达识别不同的内型。为此,我们计算了距离矩阵,并使用R ConsensusClusterPlus包中的共识聚类算法推导互斥聚类 [25]。该算法以100次重采样迭代运行,每次迭代使用80%的样本子采样和100%的特征,采用k-means聚类和欧几里得距离。我们通过评估三个指标确定最佳聚类数:共识矩阵、聚类共识值和累积分布函数(CDF)曲线下面积的相对变化。

内型的生物学意义

为了解释内型之间的生物学差异,我们进行了三项分析。首先,我们使用R limma包在内型之间进行差异表达基因(DEG)分析[26]。我们将DEG定义为绝对Log2倍数变化≥1且错误发现率(FDR)<0.05的基因。其次,我们使用R fgsea包基于分子特征数据库Hallmark和基因本体生物学过程基因集进行基因集富集分析(GSEA)[27–29]。第三,我们使用CIBERSORTx估计每个样本中免疫细胞的比例[30]。我们输入每百万转录本归一化的基因表达数据,并使用LM22特征矩阵计算免疫细胞丰度[31],该矩阵量化22种免疫细胞。

内型的死亡率

为了确定内型与死亡率的关联,我们构建了未调整的逻辑回归模型。

在外部队列中识别内型分类器并进行验证

为了识别用于内型判定的基因分类器,我们使用R caret包构建了带有最小绝对收缩和选择算子(LASSO)正则化的多分类回归模型。我们应用五折交叉验证以最小化潜在的过拟合,并基于FDR选择每个聚类比较的前200个DEG作为输入。我们基于模型中的重要性评分确定基因分类器。然后,我们通过将共识聚类算法应用于微阵列数据中基因分类器的表达,使用外部队列(GSE236713 [32])验证了我们的内型分类。GSE236713数据集包含成年脓毒症患者的微阵列数据。选择该数据集是因为它提供了全面的患者数据,包括实验室数据和死亡率结局,使我们能够验证所识别内型的生物学特征和临床相关性。与发现队列不同,GSE236713并非通过我们的系统检索识别,而是基于其可获得支持我们分析目标的详细临床数据而被选择。我们通过比较其GSEA模式和临床特征与原始队列的一致性来评估内型的一致性。

统计分析

我们使用R版本4.4.1(R foundation,Vienna,Austria)分析数据。所有P值均为双侧,p < 0.05被认为具有统计学显著性。我们酌情使用卡方检验和Kruskal–Wallis检验比较内型之间的临床特征和免疫细胞比例。对于显示显著差异的变量,我们使用Wilcoxon检验进行两两比较,并采用Bonferroni校正进行多重检验。中位数差异的置信区间使用1,000次迭代的bootstrapping估计。我们对RNA-seq数据采用Benjamini–Hochberg FDR方法处理多重检验,该方法允许在多重假设检验的背景下解释统计学显著性[33]。

结果

文献检索及研究和患者选择

在去除重复记录后,我们共审查了6,894条记录。经过初步筛选,我们评估了70篇文章的全文和元数据以确定其合格性。其中,四项研究[13–16]符合所有纳入标准,被纳入本荟萃分析(图1)。在这些研究的684例患者中,我们根据预设标准排除了404例患者,最终将280例患者纳入最终分析。

图1 研究和患者筛选流程图。为获取脓毒症患者的mRNA-seq数据,我们系统检索了MEDLINE、Scopus和Web of Science数据库。去除重复后,我们初步识别了6,894项研究。通过标题和摘要筛选,最终选择70项研究进行全文和元数据评估。其中,四项研究符合所有合格性标准并被纳入荟萃分析。在患者层面,排除404例患者后,我们最终将280例患者纳入本分析。 查看原图 ↗

患者特征

经过预处理,我们共分析了280例成人脓毒症患者的数据(表1)。在GSE63042中,仅纳入符合Sepsis-2标准定义的严重脓毒症和脓毒性休克患者。所有研究中,用于RNA-seq的血样均在进入急诊科或ICU后24小时内采集。纳入的研究代表了不同的地理人群:北美(美国、加拿大)、欧洲(瑞士、荷兰)、南美(哥伦比亚)和大洋洲(澳大利亚)。

表1 本研究纳入的数据集 查看原表 ↗

三种不同内型的识别

我们对RNA-seq数据进行了预处理,包括归一化和批次校正,以尽量减少潜在的研究特异性效应。主成分分析(PCA)图显示,批次校正后研究特异性样本聚类被成功减少(图S2)。经过质量过滤,共保留14,858个基因用于进一步的聚类分析。通过对转录组数据应用共识聚类方法,共识矩阵、聚类共识值和CDF曲线下面积的相对变化的组合确定了三分类模型提供最佳拟合(图S3)。基于随后的GSEA和免疫细胞去卷积分析,我们将这三种内型命名为凝血病型、炎症型和适应性内型。PCA图显示了与这三种内型相对应的不同转录谱(图2A)。

图2 不同内型间不同的分子特征和富集的生物学通路。(A)对应内型的转录组谱的主成分分析(PCA)。PCA图展示了患者样本在低维空间中的分布,其中每个点代表单个患者的mRNA特征。三种内型用不同颜色表示:凝血病型(绿色)、炎症型(红色)和适应性型(蓝色)内型。(B)特定生物学通路在不同内型间的基因集富集分析(GSEA)。GSEA基于分子特征数据库(MSigDB)Hallmark基因集进行。列出了在任何内型中显著富集(FDR < 0.05)且NES较高(NES > 2)的通路。点的大小代表FDR(-log10尺度)。颜色梯度表示归一化富集分数(NES),指示通路相对于内型富集的程度和方向。FDR,错误发现率;MSigDB,分子特征数据库;NES,归一化富集分数;PCA,主成分分析 查看原图 ↗

内型的不同生物学功能

为探究各内型的生物学意义,我们进行了GSEA。GSEA揭示了表征每种内型的不同生物学通路(FDR < 0.05;图2B;表S2和S3)。凝血病型内型的特征为凝血相关通路(如凝血、血管生成调节)和干扰素(IFN)-α通路上调。炎症型内型表现出炎症通路(如肿瘤坏死因子[TNF]-α/核因子kappa B [NFκB]信号传导、白细胞介素[IL]−6/Janus激酶[JAK]/信号转导与转录激活因子[STAT] 3信号传导、细胞因子介导的信号传导)上调。适应性型内型表现出Myc相关通路和适应性免疫应答(如适应性免疫应答、T细胞相关通路)上调。

接下来,为检查每种内型的免疫细胞类型组成,我们对RNA-seq数据进行了转录组去卷积分析。凝血病型内型显示单核细胞和调节性T细胞(Treg)的组成显著高于炎症型内型(中位差异4.2%,95%置信区间[CI] 2.7–7.1,p < 0.001;以及1.3%,95% CI 0.6–1.9,p < 0.001),且中性粒细胞的组成显著高于适应性型内型(中位差异9.2%,95% CI 3.5–19.3,p < 0.001;图3和S4;表S4)。炎症型内型的特征为中性粒细胞组成显著高于凝血病型(中位差异13.3%,95% CI 8.3–17.6,p < 0.001)和适应性型内型(中位差异22.5%,95% CI 17.8–31.1,p < 0.001)。相反,适应性型内型显示适应性免疫细胞组成显著更高,包括CD8+ T细胞(vs. 凝血病型内型:中位差异4.4%,95% CI 1.2–7.2,p < 0.001;vs. 炎症型内型:中位差异7.0%,95% CI 5.0–9.4,p < 0.001)和活化记忆CD4+ T细胞(vs. 凝血病型内型:中位差异2.3%,95% CI 1.4–3.1,p < 0.001;vs. 炎症型内型:中位差异2.2%,95% CI 1.2–2.9,p < 0.001)。

图3 各内型间的免疫细胞组成。为估计每个内型中免疫细胞的比例,我们使用了CIBERSORTx。小提琴图表示各内型间每种细胞类型的免疫细胞比例分布(y轴)。对显示显著差异的细胞类型,采用Kruskal–Wallis检验后进行Bonferroni校正的事后检验以评估统计学差异。星号表示统计学显著性:***p < 0.001,**p < 0.01,*p < 0.05。NK,自然杀伤细胞 查看原图 ↗

各内型的临床特征

年龄在各内型间差异显著(p = 0.003;表S5)。凝血病型和炎症型患者的年龄大于适应型患者(中位差异12岁,95% CI 0–24,p = 0.01;和10岁,95% CI 2–20,p = 0.01;表S6)。SOFA评分在各内型间也差异显著(p < 0.001)。炎症型患者的SOFA评分高于凝血病型和适应型患者。(中位差异2,95% CI 1–4,p = 0.0002;和2,95% CI 1–4,p = 0.001)。在逻辑回归模型中,凝血病型患者的死亡率显著高于适应型患者(30% vs. 16%,比值比2.19,95% CI 1.04–4.78,p = 0.04;图4)。

图4 内型与死亡率的关联。为探究内型(以适应型为参照)与死亡率的关联,构建了逻辑回归模型。森林图展示了各内型死亡率的比值比及95%置信区间(CI)。CI,置信区间 查看原图 ↗

用于内型分类的基因分类器的开发及在外部数据集中的验证

差异表达分析在凝血病型中鉴定出1,176个DEGs,在炎症型中鉴定出714个DEGs,在适应型中鉴定出1,434个DEGs(图S5)。通过应用多分类回归模型并结合LASSO正则化,使用每次比较中前200个DEGs,我们鉴定出一个14基因分类器,其在内型分类中达到94%的准确率(表S7)。随后,我们通过将14基因分类器应用于验证数据集(GSE236713)的微阵列数据,并使用共识聚类算法,验证了我们的内型。三分类模型提供了最佳拟合(图S6)。GSEA证实这些内型与我们先前鉴定的凝血病型、炎症型和适应型内型一致(表S8和S9)。在临床参数中,血小板计数在各内型间差异显著,凝血病型的中位计数最低(163 × 109/L,IQR 115–259),相比炎症型(221 × 109/L,IQR 170–341)和适应型(215 × 109/L,IQR 154–302)(总体p = 0.04;表2)。凝血病型患者相比适应型患者显示出更高的死亡率趋势(34% vs. 18%,比值比2.36,95% CI 0.87–6.95,p = 0.10;表2和S10)。

表2 验证队列中各内型患者的特征 查看原表 ↗

讨论

基于目前对来自四项研究、共纳入280例脓毒症患者的RNA-seq数据的分析,我们识别出三种在生物学和临床上具有明显差异的转录组内型。凝血障碍型内型的特征为凝血通路上调,并伴有单核细胞、调节性T细胞(Treg)和中性粒细胞组成增高。炎症型内型表现为更高的SOFA评分,并伴有TNF-α/NFκB和IL-6/JAK/STAT3信号通路上调。相比之下,适应性型内型的特征为年龄较轻,以及与适应性免疫应答相关的通路上调,并伴有适应性免疫细胞组成增高。值得注意的是,凝血障碍型内型的死亡率显著高于适应性免疫型内型。据我们所知,这是首次系统整合多队列RNA-seq数据以识别脓毒症患者在生物学和临床上具有明显差异的转录组内型的研究。

与新出现的证据相一致,我们的研究结果提示,基于转录组数据,脓毒症具有生物学和临床异质性。此前一项多中心研究使用来自肺炎所致脓毒症患者的基于微阵列的转录组数据,揭示脓毒症具有两个生物学上不同的聚类,即SRS 1和2。SRS 1的特征为相对免疫抑制、内毒素耐受、T细胞耗竭和代谢紊乱,这些与更差的预后相关[7]。另一项此前使用脓毒症患者基于微阵列的转录组数据的多中心研究也报告,脓毒症具有四个在生物学和临床上具有明显差异的聚类(MARS 1–4)[8]。此外,一项此前整合13项研究基于微阵列的转录组数据的meta分析报告,脓毒症具有三种内型(凝血型、炎症型和适应型亚型)[6]。凝血型和炎症型亚型的结局较适应型亚型更差。尽管既往研究识别出了不同的内型,这可能是由于脓毒症病因学和患者特征的异质性所致,但我们的研究结果与既往报告的三内型模型(凝血型、炎症型和适应型亚型)一致。重要的是,我们验证了这一三内型模型的稳健性,并通过跨多个队列的RNA-seq分析识别出与既往已识别分类器不同的新型分类器基因[6]。这些发现不仅建立在既往内型分型工作的基础之上,还进一步加深了对脓毒症反应分子异质性的理解,突出了实现更精准治疗靶向的潜力。

观察到的内型(尤其是与最高死亡风险相关的凝血障碍型内型)背后的确切机制值得阐明。与我们关于凝血障碍型内型的发现一致,一项基于mRNA-seq数据的既往内型分型研究表明,高死亡率亚型的特征是凝血途径增强[10]。此外,我们观察到单核细胞和中性粒细胞组成较高,提示免疫血栓形成可能加重,其中这些先天免疫细胞通过单核细胞产生的促炎细胞因子和中性粒细胞胞外诱捕网(NET)形成积极促进病理性凝血[34]。在分子水平上,I型干扰素,尤其是IFN-α,通过增强高迁移率族蛋白B1的产生促进凝血,后者随后激活组织因子表达和血小板聚集[35]。此外,血管生成途径的同时上调提示弥散性血管内凝血中血管功能障碍与凝血激活之间的交互作用[36]。我们的发现支持针对该内型开发确定性治疗,该内型在脓毒症中炎症与凝血之间存在复杂关系。与凝血障碍型内型相反,适应性内型代表一种调控良好的免疫反应,其特征是Myc依赖性和增强的适应性免疫反应的协调激活。在分子水平上,T细胞抗原受体接合触发多个下游信号级联,包括Myc的激活[37],后者作为淋巴细胞增殖和代谢的关键调节因子[38]。重要的是,该内型表现出组织损伤预防(较低的SOFA评分)和生存率改善,这是通过适应性免疫组分的协调上调而无过度炎性细胞因子产生实现的。炎症型内型的死亡风险高于适应性内型,尽管差异无统计学意义。除了我们观察到TNF-α/NFκB和IL-6/JAK/STAT3信号通路明确上调提示过度炎症外,我们还发现中性粒细胞组成显著增加,提示中性粒细胞在炎症中发挥更显著的作用。扩增的中性粒细胞群不仅可通过直接产生细胞因子,还可通过抑制CD4+ T细胞[39]来放大炎症级联反应,可能加剧炎症进展。尽管既往TNF-α单克隆抗体的临床试验未在未经选择的脓毒症人群中显示总体获益[40],但我们的发现提示,将患者分层为炎症型内型可能识别出更可能从这些靶向治疗中获益的亚组。

本研究存在若干潜在局限性。第一,各研究间脓毒症的标准不一。尽管我们在GSE63042中纳入了符合Sepsis-2标准的重度脓毒症或脓毒性休克定义的患者,但部分患者可能不符合Sepsis-3标准。第二,我们的内型来源于单一时间点获得的转录组数据。尽管如此,本研究在脓毒症早期病程中的发现提供了具有生物学和临床意义的见解。第三,各研究间死亡率评估的时间点不同。然而,在验证队列中于同一时间点比较死亡率时,内型间的显著差异仍然存在。第四,发现队列与验证队列的疾病严重程度不同。发现队列的中位SOFA评分为3–5,而验证队列的中位APACHE II评分为29–32,提示严重程度显著更高。尽管存在这一差异,三内型模型及其临床和生物学模式在两个队列中均保持一致,提示我们的结果具有稳健性。然而,队列特征方面的这一差异需要在严重程度分布更为均衡的进一步验证研究中加以验证,以确认我们研究结果的普适性。最后,发现队列缺乏详细的临床特征,导致本分析无法进行全面的临床比较。尽管如此,我们在验证队列中发现了各内型间详细临床特征的显著差异。

结论

总之,通过对来自四项脓毒症研究的整合RNA-seq数据应用无监督聚类方法,我们识别出三种在生物学和临床上具有显著差异的转录组内型。具体而言,凝血病型内型——以凝血通路上调并伴有较高的单核细胞、调节性T细胞(Treg)和中性粒细胞组成为特征——表现出显著更高的死亡率。此外,我们开发了一种新型14基因分类器,能够在脓毒症患者中实现实用的内型识别。这些内型的稳健识别不仅加深了我们对脓毒症背后多样生物学机制的理解,也为开发针对具有重大发病率和死亡率负担的脓毒症的靶向治疗提供了框架。

补充信息

补充材料1

补充材料2

补充材料3

补充材料4

补充材料5

补充材料6

参考来源

  1. Mekata K, Kyo M, Tan M, et al. Molecular endotypes in sepsis: integration of multicohort transcriptomics based on RNA sequencing. J Intensive Care. 2025. PMID: 40448231. doi:10.1186/s40560-025-00802-1
  2. 全文:PMC12123803(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12123803/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。