文献速递重症综合管理与镇静镇痛复苏、休克与脓毒症

血浆蛋白质组学识别脓毒症的分子亚型

Plasma proteomics identifies molecular subtypes in sepsis.
PubMed 文献 · Crit Care · 2025-09-02
一句话结论在333例脓毒症患者中,血浆蛋白质组学识别出4个分子亚型,其中Cluster 0 30天死亡率100%,基于10种蛋白的机器学习分类器可高置信度区分Cluster 1–3。

该研究对德国5所大学医院前瞻性多中心队列中333例脓毒症患者第1天和第4天的血浆样本进行液相色谱-串联质谱蛋白质组学分析,用K均值聚类识别出4个血浆蛋白质组亚型。Cluster 0病情最重,30天死亡率100%,中位生存时间第1天为2天(IQR 0–3);Cluster 1以适应性免疫激活(免疫球蛋白升高)为特征;Cluster 2以急性炎症和最低免疫球蛋白水平为特征;Cluster 3为队列的脓毒症蛋白质组基线。基于10种蛋白和免疫球蛋白定量的随机森林分类器可高置信度区分Cluster 1–3,测试集AUROC为0.932±0.022。

要点

  • 333例脓毒症患者中识别出4个血浆蛋白质组亚型,Cluster 0病情最重,30天死亡率100%,中位生存时间第1天为2天(IQR 0–3)。
  • Cluster 0临床表现为急性肝衰竭(AST、ALT、LDH升高)、乳酸酸中毒、重度急性肾损伤及弥散性血管内凝血(aPTT、INR、血小板计数、纤维蛋白原异常)。
  • Cluster 1以免疫球蛋白升高为特征的适应性免疫激活,Cluster 2以急性炎症和最低免疫球蛋白水平为特征,Cluster 3为队列蛋白质组基线。
  • 基于10种蛋白和免疫球蛋白定量的随机森林分类器仅区分Cluster 1–3,测试集AUROC为0.932±0.022、精确率0.703±0.066、召回率0.802±0.044。
  • 第1天Cluster 0、1、2、3的30天死亡率无显著差异之外,Cluster 2与Cluster 3在第4天的30天死亡率存在显著差异,Cluster 2生存时间显著更短。

适用人群与场景

  • 符合Sepsis-3定义的脓毒症患者,脓毒症诊断须在研究纳入前48小时内作出,纳入当天为ICU治疗第1天。
  • 纳入自德国5所大学医院的前瞻性多中心观察性SepsisDataNet.NRW和CovidDataNet.NRW研究(德国临床试验注册号DRKS00018871)。
  • 排除:未纳入有任何复苏限制或已撤回支持治疗的患者。

诊断标准与关键阈值

  • 脓毒症诊断采用Sepsis-3定义。
  • 血浆蛋白质组亚型通过K均值聚类识别,基于第1天蛋白强度经z变换和主成分分析后的前35个主成分(>70%方差)。
  • 差异蛋白显著性阈值:ANOVA pFDR值≤0.05、事后检验p值≤0.05、均值比(RoM)≥1.5或≤0.67。

红旗征与不能漏的情况

  • Cluster 0代表最严重脓毒症,30天死亡率100%,中位生存时间第1天为2天(IQR 0–3)、第4天为4天(IQR 3–4.5),临床表现为急性肝衰竭、乳酸酸中毒、重度急性肾损伤和弥散性血管内凝血。
  • 从其他亚型迁移至Cluster 0的患者最终全部死亡。
  • 第4天Cluster 2患者30天死亡率显著高于Cluster 3,且生存时间显著更短。

研究设计与关键结果

  • 前瞻性多中心观察性队列,333例脓毒症患者,来自德国5所大学医院,中位年龄64岁(IQR 55–75),女性117例(37.9%)、男性216例(62.1%),74例(24.3%)有SARS-CoV-2感染,中位SOFA评分9(IQR 5–12),30天死亡率39.6%(132例)。
  • 第1天血浆蛋白质组K均值聚类识别出4个亚型,SOFA评分从Cluster 0至Cluster 3逐渐降低,Cluster 0的30天死亡率最高(100%),其余3个亚型间30天死亡率无显著差异。
  • 第1天和第4天分别有271个和206个蛋白在4个亚型间显著差异;与Cluster 0比较,第1天和第4天分别有247个和181个差异蛋白。
  • Cluster 1免疫球蛋白(IgG、IgA)升高,Cluster 2免疫球蛋白最低且急性期蛋白(SAA1、SAA2、HP、第4天CRP)最高,Cluster 3为蛋白质组基线。
  • 随机森林分类器基于10种蛋白(C9、ITIH3、ALB、GPLD1、C2、SERPINF2、C18orf63、SERPINC1、SERPINA4、PON1)和Ig定量,仅区分Cluster 1–3,测试集AUROC为0.932±0.022、精确率0.703±0.066、召回率0.802±0.044;训练集与测试集所有评估指标差异>0.1,提示过拟合。
  • Cluster 0因患者数少未纳入机器学习模型。

证据类型、等级与局限

  • 证据类型:前瞻性多中心观察性队列研究。
  • 局限:队列规模有限,需在独立队列中验证 findings 的普遍性,尤其Cluster 0样本量小。
  • 局限:机器学习模型和生物标志物组合为概念验证,需在独立队列中测试。
  • 局限:未评估30天生存以外的终点(如更长生存时间、二次感染)。
  • 局限:因缺乏合适数据,未分析治疗措施对血浆蛋白质组亚型的影响。
  • 局限:血浆蛋白质组覆盖范围有限,仅限前600种血浆蛋白,无法对低丰度蛋白作出结论。

对床旁实践的改变

  • 作者认为,识别出的血浆蛋白质组亚型可为治疗干预的获益与弊端提供结论,并有望支持临床试验中的预测性富集。
  • 作者认为,在临床环境中可通过检测代表性生物标志物组合实现患者分层。
  • 作者指出,基于质谱的血浆蛋白质组学目前不太可能进入临床常规,但其生成的基于10种蛋白和免疫球蛋白定量的机器学习分类器展示了蛋白质组亚型向临床转化的路径。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「指南或共识出处」,故未列出这些栏目。
全文中译17 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:Crit Care. 2025 Sep 2;29:392. doi: 10.1186/s13054-025-05639-6

引言

脓毒症是一种危及生命的疾病,由对感染的免疫反应失调引起[1]。它是重症监护病房(ICU)中常见的死亡原因,在全球医疗保健中构成重大负担,死亡率持续居高不下[2]。迄今为止,脓毒症治疗的主要进展基于对 underlying 感染的有效治疗和支持性措施[3]。所有特异性靶向脓毒症分子机制的治疗方法在大规模临床试验中均告失败[4]。其主要原因在于脓毒症是一种复杂的、多因素综合征,可能从受试药物中获益的患者亚组在异质性临床队列中被其他患者所掩盖[5]。个性化医疗的概念基于仅识别和治疗那些能从治疗中获益的患者。然而,这需要准确了解疾病背后的病理生理过程以及用于患者分层的适当标志物。

在这方面,高通量技术可用于无偏倚地筛选患者生物标志物并阐明分子疾病机制。基于质谱的血浆蛋白质组学已成为一种强大的分析工具,可触及大型患者队列和广泛的血液蛋白质。尽管存在这些机遇,分析脓毒症患者血液蛋白质组的研究仍然相对少见[6–9]。2024年发表的一项里程碑式研究首次实现了足以识别代表分子脓毒症亚型的患者亚组的队列规模[10]。该方法与其他主要使用临床标准参数或转录组数据的方法互补[11–14]。然而,表型分型研究的普适性仍存疑问,尤其是在不同地理位置之间[15, 16]。我们得出结论,除了单纯的识别之外,亚型的分子和临床特征描述是获得可转化见解的绝对必要条件。此外,深入的特征描述对于阐明所观察亚型的病理生理相关性并推断未来的治疗概念至关重要。

在本研究中,我们分析了来自多中心队列的蛋白质组学数据,该队列包含333名患者以及在早期脓毒症两个时间点采集的样本。我们应用聚类分析,识别出四种脓毒症血浆蛋白质组亚型及其在两个时间点之间的轨迹。我们呈现了这些亚型及其临床特征的深入特征描述。此外,我们开发了一种监督机器学习模型,基于最小化数量的特征将新患者分配至蛋白质组聚类,展示了未来如何在临床实践中实施蛋白质组亚型分型。

方法

患者队列

根据Sepsis-3定义[1]诊断为脓毒症的患者被纳入多中心、前瞻性、观察性SepsisDataNet.NRW和CovidDataNet.NRW研究(德国临床试验注册号:DRKS00018871)。脓毒症的诊断必须在研究纳入前48小时内作出,纳入时即为ICU治疗的第一天。在第1天和第4天采集血样(EDTA血浆和血清)。患者相关的ICU数据和基线特征来源于电子病历。治疗按照现行指南提供,不受研究纳入的影响。未纳入限制复苏或撤除支持治疗的患者。

血浆蛋白质组学

血浆样本的蛋白质组分析按近期描述的方法进行[6]。简言之,每份样本1 µl血浆采用SP3方案进行酶解,共分析来自333例患者的545份样本,分布于8个批次。批次C3和S9在Vanquish Neo UHPLC上分析,耦联Orbitrap Exploris 240。批次S3使用Ultimate 3000 RSLCnano HPLC耦联Orbitrap Fusion Lumos质谱仪分析。所有其他批次在Ultimate 3000 RSLCnano HPLC上测量,耦联Orbitrap Exploris 240(均为Thermo Scientific,德国不来梅)。样本以数据非依赖性采集模式测量,数据使用DIA-NN(v.1.8.1)处理,搜索限制为Homo sapiens的UniProt/SwissProt数据库(v.2022_05)。所有批次分别处理,随后按此前描述的方法进行归一化和评估[17](补充图1)。功能注释和富集分析使用STRING网络界面(string-db.org,v.12.0)进行。

蛋白质组聚类

聚类使用第1天蛋白质强度进行。仅纳入在两个时间点(第1天和第4天)均测量且每个时间点缺失值少于30%的蛋白质。相关特征保留在数据集中(补充表1)。聚类时,缺失值以中位数填补。首先,对每个蛋白质的第1天蛋白质强度使用z变换进行标准化。然后将标准化参数(均值和标准差)应用于第4天数据,以确保跨时间点的一致转换。随后,对第1天数据计算主成分分析(PCA)以降低维度。所得主成分用于将第4天数据投影到相同的降维特征空间。使用k-means算法对前35个主成分(> 70%方差,补充表2,补充图2和3)的PCA结果识别脓毒症血浆蛋白质组亚型。最佳聚类数通过轮廓曲线、Gap统计量、Davies-Bouldin指数及结果的初步生物学解释确定,最终得到四个不同的聚类(补充图4–6)。为将第4天数据分配至聚类,计算至各聚类中心的欧几里得距离,每个数据点被分配至最近聚类中心所属的聚类。所有计算使用Python(v.3.10.14)及pandas(v.2.1.1)和scikit-learn(v.1.3.1)软件包完成。

细胞因子测量

按照制造商的说明,使用LegendPlex人类炎症因子面板1(Biolegend,圣迭戈),方法如前所述[18]。简要而言,将血清样本混合并与LegendPlex微珠孵育,随后洗涤,并与检测抗体孵育。经过最终洗涤步骤后,使用流式细胞仪(Canto II,BD Biosciences,加利福尼亚州)进行测量。细胞因子浓度通过与待分析样本一同生成和测量的校准曲线进行插值计算。计算浓度低于定量下限(LOD)的视为零,高于上限LOD的替换为相应的上限LOD。

免疫球蛋白定量

将血清分装样本解冻并以10000xg离心5秒以沉淀析出物。取上清液用于测定IgG、IgA和IgM的浓度。测量在Cobas c501系统(Roche Diagnostics,曼海姆,德国)上使用罗氏试剂(Tina-quant IgA、IgG和IgM,第二代)按照制造商说明进行浊度法测定。

统计学

每日多次观测的临床变量按中位数、最小值或最大值进行聚合,采用最具临床信息价值的值(例如快速值的最大值和肌酐的最小值)。对每个变量和亚型计算第25百分位数、中位数和第75百分位数。对于分类变量,使用卡方检验或Fisher检验计算p值,并使用Bonferroni校正进行调整。连续变量采用Kruskal-Wallis检验,随后进行Dunn事后检验用于两两比较。四种蛋白质组亚型之间蛋白质强度的差异使用ANOVA随后进行Tukey事后检验来检验统计显著性。ANOVA p值根据Benjamini-Hochberg方法校正。聚类之间的相对变化以平均蛋白质强度的比值计算。显著性阈值设定为ANOVA pFDR值≤0.05、事后检验p值≤0.05以及均值比(RoM)≥1.5或≤0.67。

机器学习

蛋白质组学数据集按上述方法进行完整性过滤。优先采用临床常规诊断确定的定量值,所有代表免疫球蛋白的条目被移除,并替换为通过正交方法测定的IgG、IgA和IgM浓度。由常规测量代表的蛋白质如C反应蛋白(CRP)、纤维蛋白原γ链(FGG)、纤维蛋白原α链(FGA)、纤维蛋白原β链(FGB)、血红蛋白亚基α(HBA2)、血红蛋白亚基β(HBB)和血红蛋白亚基δ(HBD)也被排除(补充表3)。对于临床数据集,考虑缺失值少于30%的常规ICU数据。每日多次观测的变量按上述方法聚合,缺失值使用随后两天的数据进行补充。在模型开发之前,通过计算特征之间的Pearson相关性去除相关特征,排除绝对相关性大于0.7的两个特征之一(补充表4)。对于临床数据,仅使用Kruskal-Wallis检验p值<0.05的变量(补充表5和6)。聚类0因患者数量少、不足以进行稳健建模而未纳入机器学习。

为了识别最相关的特征,采用了基于随机森林模型的多分类器(补充图7)。数据被分为训练集和测试集(80%训练,20%测试),并进行了100次蒙特卡洛交叉验证(MCCV)以评估不同特征集的模型指标。特征选择以嵌套迭代的方式进行:医学特征和蛋白质组学特征分别在两个不同的循环中单独添加。在外循环中,医学特征根据其重要性排名逐步纳入,而在内循环中,针对每个医学特征子集迭代添加蛋白质组学特征。该方法能够对每个领域的特征进行独立评估。迭代训练的特征顺序基于额外的100次MCCV(80%训练,20%验证)确定。在此过程中,使用SHAP值(Shapley加性解释)计算医学和蛋白质组学数据的特征重要性中位排名。缺失值在每次MCCV迭代中使用中位数进行插补。使用Python中keed包的KneeLocator函数确定召回率增长率显著下降的点。基于该阈值,将在MCCV迭代中最常被选择的蛋白质以及IgA、IgG和IgM用于训练随机森林模型(图3b),并计算SHAP值以评估每个特征对模型预测的贡献。所使用的超参数见补充表7。计算使用Python(v.3.10.12)及pandas(v.2.2.2)、numpy(v.1.26.4)、keed(v.0.8.5)、shap(v0.46.0)和scikit-learn(v.1.5.1)软件包完成。

结果

队列特征

该队列包含n = 333例患者,入组于德国五所大学医院。中位年龄为64岁(IQR 55–75),其中女性117例(37.9%),男性216例(62.1%)。74例患者(24.3%)显示SARS-CoV-2感染,中位SOFA评分为9(IQR 5–12)。30天死亡率为39.6%(n = 132例患者)。无患者存在既存急性或慢性肝功能衰竭。既存慢性肾脏病或需要肾脏替代治疗的患者数分别为n = 69(21%)和n = 15(5%)。所有患者均进行了第1天的血浆蛋白质组分析,而第4天血浆样本的检测数据可获得于213例患者。

脓毒症血浆蛋白质组亚型的鉴定、轨迹及临床表征

k-means算法基于第1天的数据识别出四种脓毒症血浆蛋白质组亚型。这四个聚类显示脓毒症严重程度递减,以SOFA评分表示,最高评分见于聚类0,最低见于聚类3(图1a;表1)。因此,最高的30天死亡率也见于聚类0(图1b和c),而其他三个聚类之间的30天死亡率无显著差异。聚类0在第1天的中位生存时间为2天(IQR 0–3),第4天为4天(IQR 3–4.5)。年龄、性别和感染灶方面未发现显著差异。使用第4天对应的蛋白质组数据将各患者分配至相同的聚类。结果说明聚类具有相对稳定性,大多数患者停留在一个聚类中。然而,部分患者也从一聚类迁移至另一聚类。向聚类0的迁移与结局呈现显著关联,所有经过聚类0的患者最终均死亡(图1b)。聚类0患者的ICU住院时间和总住院时间显著更短(补充图8)。值得注意的是,我们观察到第4天聚类2和聚类3之间30天死亡率存在显著差异,同时聚类2患者的生存时间显著更短(补充图9,补充表5)。

临床上,聚类0的特征为急性肝衰竭(AST、ALT、LDH)、乳酸酸中毒及伴随的高级别急性肾损伤(AKI)。此外,aPPT、INR、血小板计数和纤维蛋白原浓度提示弥散性血管内凝血(DIC)。由于过度消耗导致的CRP下降在第4天不如第1天明显(图1d,补充表5,补充图10)。这些特征凸显了聚类0患者的濒危状态。聚类1在第1天表现为心率较高、肝功能标志物AP、胆红素升高,以及CHE和胆固醇降低。第4天,四个聚类之间的心率无显著差异,这可能是所施加治疗稳定病情的效果。第1天,聚类2的特征为中度AKI,肌酐和尿素水平较高,且CRP水平为所有四种亚型中最高。总蛋白低于聚类1和聚类3,这一观察在第4天更为明显,此时聚类2还表现出AP水平升高和血小板计数降低。聚类3总体表现为最轻微的脓毒症表型和最不令人警觉的临床指标。因此,其可被视为我们数据集中的基线,然而在第1天,其30天生存率与聚类1和聚类2无显著差异。被确定为影响最大的三种功能障碍——急性肾损伤、急性肝衰竭和急性凝血病——在脓毒症发病前均不存在。

表1 脓毒症诊断当日基线特征,按蛋白质组聚类区分 查看原表 ↗
图1 脓毒症血浆蛋白质组亚型的临床特征。a 四个聚类间SOFA评分的分布以箱线图展示。箱体表示第25和第75百分位数,须线延伸至最极端数据点,中位数以水平线表示,p值来自Dunn事后检验。b 桑基图显示患者分别在第1天和第4天被分配至蛋白质组亚型的情况。终点为30天生存率。数据展示n = 250例患者;第1天至第4天期间转出ICU的n = 83例患者未显示。c 根据30天生存率对四个亚型进行Kaplan-Meier分析。d 热图展示第1天和第4天的临床常规数据。仅显示在聚类1、2或3之间具有显著差异的参数(Bonferroni校正的Kruskal-Wallis检验后行Dunn检验)。数据按均值聚合,经z变换,并使用欧氏距离和Ward连接法进行聚类。e 箱线图展示第1天的细胞因子测量值。箱体表示第25和第75百分位数,须线延伸至最极端数据点,中位数以水平线表示,离群值以单独数据点表示,p值来自Dunn事后检验 查看原图 ↗

免疫状态

在第1天,我们发现IL-6、IL-8、IL10、IL-18和CCL-2水平存在显著差异(补充表4)。细胞因子浓度的分布与SOFA评分的分布相似,聚类0中观察到最高水平,聚类3中最低(图1e)。在第4天,我们另外发现IL-17a在聚类1和3之间具有显著差异。淋巴细胞和白细胞计数在各亚型之间无显著差异。

脓毒症血浆蛋白质组亚型的特征

蛋白质组分析显示,各亚型与聚类0相比差异最大。总体而言,我们在第1天发现所有四个聚类之间有271个显著差异蛋白,第4天有206个蛋白(图2a、补充图11、补充表8)。其中,在第1天和第4天分别有247个和181个蛋白与聚类0相比存在差异。这说明了聚类0独特的血浆组成,其与最严重的脓毒症和最高死亡率相关。对所有显著蛋白的层次聚类分析揭示了第1天与所识别亚型相关的五种特征性丰度模式。在第4天,可区分四种模式,调控模式α缺失(补充图11和12、补充表9)。

聚类0的典型特征是,我们发现细胞死亡和组织损伤标志物升高,其特征为共同的胞质定位(图2a,丰度模式δ)。这些主要为由与代谢过程相关的肝脏蛋白组成,如葡萄糖、醛和氨基酸代谢以及细胞解毒(图2b)。富集的生物学过程可能表明相应蛋白在细胞死亡前积累,指向活性氧清除增强和向无氧糖酵解的代谢转变。另一方面,我们发现与血液凝固以及补体激活和急性期反应相关的蛋白在聚类0中耗竭,在所有亚型中显示最低水平(丰度模式β和γ)。

在聚类1中,与补体和凝血以及急性期反应相关的蛋白质水平降低也很明显,突出了相关过程在脓毒症中的重要性。同样,载脂蛋白,特别是与高密度脂蛋白颗粒重塑相关的载脂蛋白,在聚类1中的丰度低于聚类2和3(图2d、补充图11b和c),在聚类0中显示出更为显著的耗竭(丰度模式β)。这一发现与临床值一致,临床值表明聚类1中肝功能降低,聚类0中急性肝衰竭(图1d)。另一个引人注目的发现是聚类1中免疫球蛋白(Ig)的升高,特别是因为这一观察结果无法基于临床常规数据预先推测(图2a,丰度模式ε)。高水平的免疫球蛋白表明该亚型中存在强烈的适应性免疫反应,对应于高SOFA评分和细胞因子水平。相反,最低的免疫球蛋白水平见于聚类2,这也对应于总蛋白的特征性低水平。由于没有临床常规参数可用于具体证实这些观察结果,因此事后测定了IgG、IgA和IgM的总水平。这些独立测量验证了IgG和IgA的互补水平,并显示聚类2中IgM水平最低(图2c)。然而,在聚类2中观察到与急性炎症反应相关的蛋白质水平最高,包括血清淀粉样蛋白A1和A2(SAA1、SAA2)以及触珠蛋白(HP),第4天还包括CRP(图2a,丰度模式γ,图2d)。在聚类1、2和3中,警报素S100 A8和A9的最高水平也见于聚类2(补充图11)。

第1天观察到另一种蛋白质调控模式,显示其在聚类3中水平最低(图2a,α模式)。这组蛋白质包含与白细胞跨内皮迁移相关的蛋白质(ICAM1、VCAM1)、肾功能标志物胱抑素C(CST3)以及免疫调节蛋白如VSIG4。第4天未观察到类似的调控模式。聚类3中最低的丰度以及与疾病严重程度增加相对应的水平升高,强调了聚类3的基线特征。

图2 脓毒症血浆蛋白质组亚型的蛋白质组特征。a 热图显示第1天显著差异丰度蛋白质(方差分析 pFDR 值 ≤ 0.05,事后检验 p 值 ≤ 0.05,均值比 ≥ 1.5 或 ≤ 0.67)。蛋白质强度经 z 变换后使用 Pearson 聚类与 Ward 连接方法进行聚类。树状图的前五个分支被划分并用希腊字母标记以区分丰度模式。右侧标注了选定基因本体或 KEGG 类别的蛋白质注释。b 与聚类0相比显著差异蛋白质的功能富集。展示了第1天和第4天以及三个与聚类0的两两比较的八个选定类别。富集分析使用 string-db.org(v.12)以基因本体生物学过程(GOBP)进行。c 免疫球蛋白测量以箱线图表示。箱体代表第25和第75百分位数,须线延伸至最极端数据点,中位数以水平线显示,异常值以单独数据点显示,p 值由 Dunn 事后检验计算。d 火山图展示第1天聚类1、2和3之间的两两比较。注释有显著富集 GOBP 术语的蛋白质被突出显示并以基因名称标记。虚线表示所应用的显著性阈值 查看原图 ↗

通过监督机器学习预测脓毒症血浆蛋白质组亚型

生成随机森林机器学习(ML)分类器以展示根据脓毒症血浆蛋白质组亚型对患者进行分层。首先,通过迭代地向模型中添加特征并评估召回率,确定了超过该数量后召回率仅获得边际改善的特征数量。主要基于临床特征的分类器仅表现出较差的性能,突显了临床常规检测与血浆蛋白质组学数据的互补性(图3a,补充表10)。在超过100次蒙特卡洛交叉验证(MCCV)迭代中,与十个特征组合中最频繁被选择的蛋白质由以下基因编码:C9、ITIH3、ALB、GPLD1、C2、SERPINF2、C18orf63、SERPINC1、SERPINA4和PON1(表2,补充图13)。在此水平上,纳入临床特征仅带来极小的性能提升。我们随后使用所识别的特征训练了一个新模型,并通过MCCV评估其指标。由于免疫球蛋白(Igs)为区分聚类1和聚类2提供了特别相关的信息,它们也被纳入最终模型。在此,所有评估指标在训练集和测试集之间观察到大于0.1的差异,表明存在过拟合,可能由数据点数量不足所致。尽管存在过拟合,测试数据在所有三个聚类中仍达到了可接受的模型性能,AUROC为0.932 ± 0.022,精确度为0.703 ± 0.066,召回率为0.802 ± 0.044(表3)。我们评估了单个特征对模型预测的贡献,发现C9、C2和SERPINF2(图3b)具有总体最高的预测价值。在聚类1中,最重要的特征为ALB、GPLD1、SERPINC1和SERPINA4(图3c),它们与较低的值相关,而C18orf63水平升高(补充图14)。在聚类2中,最重要的特征C9、C2、SERPINF2和ITIH3显示水平升高。在聚类3中,ITIH3和SERPINA4显示出最高的重要性,较低的ITIH3水平和较高的SERPINA4水平与聚类特异性预测相关。

图3 特征选择与机器学习模型性能:a 散点图表示平均召回率随纳入医学特征数量的变化。紫色虚线显示仅使用蛋白质特征时的平均召回率。透明区域曲线代表标准差。红色点线表示计算得出的拐点,此处曲线斜率显著下降。当仅有少量蛋白质可用时,医学特征对模型性能影响较大,随着蛋白质数量增加,该效应减弱。b 条形图显示模型训练中所用特征的平均SHAP值。颜色表示每个特征对相应聚类的贡献。c 基于所有MCCV迭代中特征在模型内的相关性,各聚类特征排名的箱线图。箱体代表第25和第75百分位数,须线延伸至最极端数据点,中位数以红线显示,离群值以单独数据点显示 查看原图 ↗

讨论

所鉴定的血浆蛋白质组亚型以不同的脓毒症严重程度为特征,这反映在SOFA评分和细胞因子数量上。聚类0代表最严重的患者,其生存时间最短且死亡率为100%。伴随的临床常规数据显示总体数值极端,指向肝衰竭、急性肾损伤和弥散性血管内凝血(DIC)。基于这些特征,聚类0似乎更像是脓毒症进展中的终末阶段,而非疾病内型意义上的分子亚型。然而,聚类0患者的重症监护病房(ICU)住院时间和总住院时间显著缩短,表明该亚型具有快速恶化的特征(补充图8)。我们得出结论,更精细的时间分辨率可能有助于阐明哪些患者在死亡过程中经过聚类0,以及它究竟代表一种内型、脓毒症中的某个时间点,还是两者的混合。

对于其余三个聚类,我们观察到不同免疫反应的显著证据,其中聚类1和聚类2表现出相反的表型。聚类1以全面的免疫反应为特征,包括高免疫球蛋白(Ig)水平所提示的适应性免疫系统。补体和凝血因子以及急性期蛋白的下降也提示先天免疫系统的激活和相应蛋白的消耗。相比之下,聚类2显示最低的Ig水平但最高的急性期蛋白水平。此外,S100A8/A9蛋白强度升高提示明显的 neutr…

尽管我们发现SOFA评分在聚类1、2和3之间逐渐降低,但在第1天未观察到30天死亡率的显著差异。与这些发现相反,ALBIOS试验报告90天后较高的死亡率与IgG和IgA水平升高相关[21]。此外,有报道高密度脂蛋白的下降可预测脓毒症死亡率[22]。这两项观察结果均与聚类1中SOFA评分和细胞因子水平升高相符,而这些本身可预测较高的死亡率[23],因此聚类1患者预后更差本应是可预见的。遗憾的是,我们的研究未评估更晚的终点如90天生存率以及继发感染等不良事件。

脓毒症亚型,也称为亚类、表型或内型,常被同义使用[24],被认为是迈向脓毒症个体化治疗的主要途径。与主要依赖临床常规和实验室数据的临床亚型不同[13, 25],分子亚型有潜力提供对病理生理学的直接洞察。迄今为止,已报道多种分子亚型,通常基于使用全血或免疫细胞的转录组分析[14, 26–28],但也有基于多重细胞因子测量或两者结合的研究[29, 30]。最近,首项基于血浆蛋白质组学数据描述三种分子亚型的研究已发表[10]。值得注意的是,Mi及其同事还观察到一种以高免疫球蛋白(Ig)水平和低载脂蛋白水平以及补体激活为特征的亚型(称为SPC1)。与我们的观察结果的重叠意味着该亚型具有普遍性,并凸显了其潜在的临床相关性,例如在临床试验中的患者分层方面。一个明显可能受血浆蛋白质组亚型影响的治疗考虑是使用静脉注射(富含IgM的)免疫球蛋白制剂,其在临床试验中显示出异质性结果,目前仍存在争议[31, 32]。

虽然脓毒症血浆蛋白质组亚型提供了临床相关信息,但将新患者分配到这些亚型仍然具有挑战性。由于基于质谱的血浆蛋白质组学目前不太可能进入临床常规应用,我们仅基于10种蛋白质生成了一个机器学习(ML)分类器。额外的免疫球蛋白(Ig)定量在常规诊断平台上进行了测量,而白蛋白和抗凝血酶III(SERPINC1)的检测方法已经 readily 可用。未来,其余蛋白质可以通过免疫测定法进行测量,最好采用多重检测方式。该分类器仅区分亚型1–3,因为聚类0太小,无法生成稳健的ML模型。然而,正如先前所述[33],病情最严重的脓毒症患者可能可以根据临床常规数据进行识别。区分血浆亚型1–3最重要的蛋白质是补体C9(C9)。C9是膜攻击复合物(MAC)的组分,低水平的C9被发现与革兰阴性菌血症患者的脓毒性休克相关[34]。经典途径的组成部分补体因子C2被发现是第二重要的蛋白质,突显了补体系统在脓毒症中的相关性。另一个高度相关的特征是血清白蛋白(ALB)。有趣的是,低水平的白蛋白(提示聚类1)先前已被报道与不良预后相关[35, 36],这支持了聚类1可能与比使用30天生存终点所观察到的更差结局相关的印象。此外,激肽释放酶抑制剂kallistatin(SERPINA4)的降低同样提示聚类1,已被报道与脓毒性休克和脓毒症死亡率相关[37]。抗凝血酶III(SERPINC1)以及α2-抗纤溶酶(SERPINF2)都是凝血级联反应的重要调节因子,已被报道与脓毒症死亡率和器官功能障碍相关[7]。α-胰蛋白酶抑制剂ITIH3已在脓毒症中被描述[38],并且与重症COVID-19的死亡率相关[39],而血清对氧磷酶PON1的活性已被证明可预测30天死亡率[40]。综上所述,有充分证据表明大多数所选蛋白质具有诊断相关性,突显了该模型的价值,并提示我们的发现可能适用于独立队列。所开发的模型表明,不同技术平台之间的转移并非将蛋白质组学亚型转化为临床应用的必然障碍,并开辟了如何实现患者分层的前景。

表2 所选生物标志物组合的基因和蛋白质名称 查看原表 ↗
表3 随机森林ML分类器的性能指标。该分类器基于10种蛋白质和额外的Ig定量,并使用100次蒙特卡洛交叉验证进行评估 查看原表 ↗

局限性

我们研究的主要局限性在于队列规模有限,因此有必要在独立队列中验证我们的发现,以评估其可推广性。这一点尤其应考虑针对小型聚类0,然而由于相应患者的濒死状态,该聚类对我们的数据集蛋白质组特征产生了重大影响。因此,所开发的机器学习模型和生物标志物组合代表了概念验证,即蛋白质组学结果如何可能转化为临床应用,并需要在独立队列中进行测试。我们假设观察到的脓毒症血浆蛋白质组亚型所显示的特征将在其他队列中可重现,这一假设因与Mi等人[10]的观察结果一致而得到加强。我们的研究在评估30天生存期以外的终点方面也存在局限性。无法评估较长生存时间或继发感染的差异。由于缺乏适当数据,我们未检查治疗措施对血浆蛋白质组亚型的影响。所呈现的分析在血浆蛋白质组覆盖范围方面存在局限性。由于仪器限制和血浆特定蛋白质组成,目前使用LC-MS/MS测量低丰度蛋白质(如某些细胞因子)极具挑战性。因此,我们的观察仅限于前600种血浆蛋白质,无法对更低丰度蛋白质作出陈述。

结论

所鉴定的脓毒症血浆蛋白质组亚型以 distinct 特征为特点,为理解这一异质性综合征的潜在疾病机制和免疫过程提供了见解。这些发现使得能够就治疗干预的获益和弊端得出结论,并具有支持临床试验中患者预测性富集的潜力。在临床环境中,可通过测量代表性生物标志物组合来实现患者分层。这些发现代表了脓毒症管理迈向精准医学的重大进步。

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

参考来源

  1. Bracht T, Kappler K, Bayer M, et al. Plasma proteomics identifies molecular subtypes in sepsis. Crit Care. 2025. PMID: 40898225. doi:10.1186/s13054-025-05639-6
  2. 全文:PMC12403962(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12403962/

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。