脓毒症共识血液转录组框架
该研究汇总MARS(n=678)和GAinS(n=444)两个前瞻性观察队列ICU入院当日的血液转录组数据,用网络方法整合三种既往分类算法,提出三种共识转录组亚型(CTS1–3),并建立18基因随机森林分类器(袋外错误率2.2%)。在VANISH试验(n=176)和乌干达RESERVE-U队列(n=128)中验证了分类的稳健性。倾向评分匹配的MARS分析显示,CTS1和CTS2患者接受糖皮质激素后28天死亡率分别较未接受者升高33.7%和34%,CTS2患者中使用糖皮质激素存在伤害信号。作者认为该框架有助于脓毒症精准医学研究,但治疗含义需前瞻性RCT验证。
要点
- 三种共识转录组亚型:CTS1为炎症与内皮激活、未成熟中性粒细胞特征;CTS2为血红素代谢与纤溶紊乱、血小板和嗜酸性粒细胞特征;CTS3为干扰素信号、淋巴细胞和非经典单核细胞特征。
- 18基因随机森林分类器袋外错误率2.2%,平均轮廓宽度0.7,在VANISH试验(n=176)和RESERVE-U队列(n=128)中成功分类。
- MARS队列倾向评分匹配后,CTS1和CTS2接受糖皮质激素者28天死亡率分别较未接受者升高33.7%和34%(log-rank P分别为5×10⁻⁷和0.0003)。
- CTS2与28天死亡风险升高相关(OR=2.14,95%CI 1.22–3.8,P=0.00085);VANISH再分析中CTS2主效应OR=5.76(95%CI 1.31–25.4,P=0.021)。
- 作者结论:CTS分类框架可统一脓毒症分子亚型,但糖皮质激素相关的治疗含义需前瞻性RCT验证。
适用人群与场景
- MARS队列:荷兰ICU入院当日采样的脓毒症患者(n=678)。
- GAinS队列:英国ICU入院当日采样的脓毒症患者(n=444),另有ICU入院后第3或第5天随访样本(n=817)。
- VANISH随机对照试验:脓毒症休克患者(n=176)。
- RESERVE-U队列:乌干达Entebbe综合转诊医院住院的成人(≥18岁)严重未分化感染(疑似脓毒症)患者(n=128)。
诊断标准与关键阈值
- 共识转录组亚型(CTS)由三种既往分类算法(SRS1/SRS2、Mars1–4、inflammopathic/adaptive/coagulopathic)经网络分析和马尔可夫聚类整合而成。
- CTS1对应SRS1、Mars2和inflammopathic聚类;CTS2对应SRS2、Mars1和coagulopathic聚类;CTS3对应Mars3和adaptive聚类。
- 核心样本定义为原研究组分配的亚型与各CTS对应亚型一致,且超几何检验P<0.05。
- 18基因面板通过Kruskal–Wallis检验(Benjamini–Hochberg校正P<0.01)和随机森林分类器(500棵树)筛选。
研究设计与关键结果
- 研究类型:基于两个前瞻性观察队列(MARS和GAinS)的血液转录组数据整合分析,外加VANISH试验和RESERVE-U队列验证。
- 共纳入1,122例ICU入院当日独特患者样本(MARS n=678;GAinS n=444),使用微阵列(n=834)或RNA测序(n=288)生成转录组。
- 网络分析识别出三种共识转录组亚型(CTS1–3),三种分类方法间存在强互联性。
- 18基因随机森林分类器袋外错误率2.2%,平均轮廓宽度0.7,对1,122例样本的总体分类概率>0.8。
- CTS分类与SOFA评分、APACHE IV评分和ICU死亡率显著相关;CTS2患者APACHE IV评分最高、ICU死亡率最高。
- CTS1患者中44.4%诊断为腹腔感染或粪便性腹膜炎,CTS3患者中69.2%诊断为肺炎。
- MARS队列倾向评分匹配408例后,糖皮质激素使用显著增加28天死亡 odds(OR=3.83,95%CI 2.38–6.28,P=5.2×10⁻⁸)。
- 未使用糖皮质激素时,CTS1匹配患者基线死亡率最低(OR=0.15,95%CI 0.09–0.25,P=5.6×10⁻¹⁴),CTS2最高(OR=2.14,95%CI 1.22–3.8,P=0.00085)。
证据类型、等级与局限
- 证据类型:基于两个前瞻性观察队列的整合分析,加上随机对照试验(VANISH)的事后再分析及独立队列验证。
- 局限:原文未报告局限性。
对床旁实践的改变
- 作者认为,该共识框架可统一脓毒症分子亚型,有助于生物学解读并可能辅助临床试验设计以推进脓毒症精准医学。
- 作者指出,MARS队列中CTS1和CTS2患者使用糖皮质激素存在伤害信号,VANISH试验再分析提示CTS2患者使用糖皮质激素可能有害,但治疗含义需前瞻性RCT验证。
- 作者提出CTS2亚型可能与糖皮质激素抵抗相关,机制可能涉及血红素代谢增强导致氧化应激、KRAS信号增强干扰糖皮质激素受体功能、雌激素受体功能增强竞争共激活因子。
- 作者认为,该分类框架预期将随技术进步进一步迭代改进,并可能成为重症监护领域精准医学方法的关键桥梁。
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20 节 · 点击展开
主文
脓毒症是一种可能致命的临床综合征,其特征是宿主对感染的反应失调,常与存活者面临的重大长期健康问题相关1–3。尽管我们对脓毒症病理生理学的理解有所提高4–6,但患者对感染反应的异质性仍是开发特异性治疗策略的主要挑战。在脓毒症中已描述了宿主反应的若干特征,这些特征在激活程度或失调方面可能适应不良,包括炎症、补体和凝血系统的激活,以及尤其T淋巴细胞的凋亡增强7。尽管免疫系统的这些不同反应为我们提供了对脓毒症免疫病理学的认识,但它们并未完全捕捉脓毒症中宿主反应的复杂性和异质性。为更好地理解这种复杂性,血液转录组学使得能够识别生物学上不同的分子亚型8–12。早期研究的一个普遍发现是识别出一种预后不良亚型,其特征是血液转录组提示固有免疫和适应性免疫反应减弱8,9,11。该亚型因不同的患者分类方法而被赋予各种命名,凸显了该领域现有的挑战。值得注意的是,血液转录组亚型可能有助于预测治疗反应13,随着免疫调节剂的可及性不断增加以及在重型冠状病毒病2019(COVID-19)中获益的证据14–16,识别在脓毒症管理中哪些患者会获益或受到伤害至关重要。尽管取得了这些进展,这些发现的临床意义目前仍然有限。缺乏标准化的亚型模型是一个重要因素。
人们普遍认为,转录组学可通过发现和分配亚型17,在回顾性研究中显著增强疾病分层。血液转录组分析可全面分析脓毒症中循环细胞的免疫和炎症宿主反应,揭示主要涉及白细胞的多种分子通路的复杂相互作用18。尽管研究较为常见,但血液转录组学在转化为临床应用方面的有效性受到不一致的研究结果阻碍,特别是不同研究组所确定的亚型数量存在差异,目前范围为2至4种8,9,11。这些差异可能源于患者人群和管理、样本制备流程、基因表达平台、数据处理和算法的不同。此外,对数据的过拟合至少在一定程度上也可能是一个因素。为解决缺乏明确且广泛接受的开展此类研究方法的问题,有必要开发一个纳入并评估多种方法的综合框架。我们设想,在共同队列中应用不同分类策略对血液转录组亚型归属进行全面比较,可能有助于解决亚型数量及其生物学解释方面的差异。就血液转录组亚型达成共识是应用相关技术的关键,这些技术可协助风险分层、识别诊断和预后生物标志物,并通过根据不同的病理生理通路对患者进行分类来增强临床试验设计,即预测性富集12。考虑到血液转录组学是一种与细胞表型和临床表现均密切相关的高通量分子检测,我们还希望借助其他数据来源(包括单细胞RNA谱和血浆蛋白质组学)来定义表征亚型的关键生物学特征,并确定亚型归属是否与患者结局和临床严重程度相关。在此过程中,我们试图创建一个协作性、基于社区的努力范式,使分子亚型更容易转化为脓毒症以及可能相关的危重疾病综合征的临床实践。
结果
具有临床意义的三種脓毒症共识转录组亚型的识别
我们将来自荷兰脓毒症分子诊断与风险分层(MARS)项目(clinicaltrials.gov注册号NCT01905033)和英国脓毒症基因组进展(GAinS)研究(clinicaltrials.gov注册号NCT00131196)两项大型前瞻性观察性研究的脓毒症所致危重症血液转录组数据进行了合并。本研究共纳入在重症监护病房(ICU)入院当天获取的1,122份独特患者样本(MARS n = 678;GAinS n = 444),以及使用微阵列(n = 834)或RNA测序(RNA-seq)(n = 288)生成的血液转录组8,9,19–21。此外,GAinS研究者在ICU入院后3天或5天收集了817份样本。为尽量减少技术变异,对标准化后的RNA-seq和微阵列数据集进行了批次校正,并针对当前基因组版本(GRCh38)重新注释了微阵列探针序列。利用这一合并数据集,先前发表过脓毒症血液转录组亚型研究的三个研究者小组8–11各自独立使用其亚型分类算法对ICU入院时的样本进行分类。因此,每份患者样本具有三种亚型分类:脓毒症反应特征“SRS1和SRS2”8;“Mars1–4”9;“炎症型”、“适应型”和“凝血型”11。分析流程如图1a所示。我们使用基于网络的方法来检验三种脓毒症亚型分类系统之间的相关性,每个系统包含2–4种亚型(图1b)。随后使用马尔可夫聚类算法22对距离网络进行聚类。网络粒度由标准膨胀因子控制;轮廓宽度用作聚类稳健性和分类器性能的度量23。脓毒症亚型分类之间的重叠通过对并集进行超几何检验来确定,并使用Benjamini–Hochberg方法24校正名义概率。基于最有效的膨胀因子,我们识别出三种明确定义的共识转录组亚型(CTSs),它们在三种不同的亚型分类方法之间表现出显著的相互关联性(图1c和表1)。SRS1、Mars2和炎症型亚型聚类在一起(CTS1);SRS2与Mars1和凝血型亚型聚类在一起(CTS2),并与Mars3和适应型亚型聚类在一起(CTS3)。被分类为Mars4的患者在此分析中未聚类在一起;然而,超几何检验显示其与“适应型”分类存在显著关联(图1c)。Mars4患者患病率较低可能解释了缺乏稳健聚类的原因。
我们基于网络的分析识别出一组核心共识样本,这些样本代表每个CTS。核心样本的定义依据是研究组最初分配亚型与每个CTS相关亚型之间的一致性。这些样本在不同亚型分型方法中显示出亚型归属的高度一致性,这是通过超几何检验确定的(P < 0.05)。我们利用核心样本的基因表达数据推导出一套用于预测CTS的分类系统。在一对多方案中,使用Kruskal–Wallis检验和十折交叉验证,根据基因在核心样本集中区分CTS的重要性对其进行排序。随后,使用由500棵树组成的随机森林分类器,从误分类错误率、Brier分数和平均概率方面评估分类器的性能(Extended Data Fig. 1a–c)。我们最终确定了一个18基因组合(Fig. 1d),其袋外错误率等于2.2%。轮廓宽度分析产生了稳健的模型拟合,平均宽度等于0.7(Extended Data Fig. 1d)。非核心样本的受试者工作特征(ROC)曲线下面积(AUC)进一步支持了我们识别核心样本的方法,特别是因为CTS3对非核心样本的区分能力较低(Extended Data Fig. 1e)。此外,使用随机森林预测模型对每个样本(n = 1,122)输出的概率分布进行量化,显示对每个亚型的分配具有信心,总体概率超过0.8(Extended Data Fig. 1f)。
为提高CTS1–3模型的稳健性和泛化性,我们首先对ICU入院时获得的所有样本及独特基因(n = 7,260)进行了从头共识聚类,方法如前所述9。该分析确定了最佳聚类(亚型)大小为三个,进一步支持了我们的CTS1–3模型(扩展数据图2a–e)。观察到CTS1与从头聚类1、CTS2与从头聚类2之间分别具有高度一致性,符合率分别为85.4%和94.0%(扩展数据图2f)。CTS1和CTS2的高度一致性表明这些亚型被无监督聚类很好地捕获。相比之下,CTS3与从头聚类2显示混合一致性(69.7%),几乎完全与聚类3对应(29.3%;扩展数据图2f)。这一观察可能反映了过渡性或混合性免疫状态,或从头聚类方法在捕获CTS3独特特征方面的局限性。其次,我们使用来自乌干达恩德培综合转诊医院(RESERVE-U)25的前瞻性观察队列的公开RNA-seq数据测试了我们的CTS基因分类器,该队列纳入了因严重未分化感染(疑似脓毒症)住院的成人(≥18岁)。我们的CTS基因分类器和随机森林方法在共标准化RNA-seq数据(n = 128)上成功将RESERVE-U患者分配至CTS1–3,提供了人口学和地理学泛化性的证据(扩展数据图2g,h)。此外,我们在医院与ICU入院之间不同时间间隔的背景下测试了CTS基因分类器的敏感性,该间隔可能是触发ICU入院的器官功能障碍进展的良好替代指标。在我们的队列中,中位间隔为3天(扩展数据图3a)。在患者中,348例在医院入院1天或更短(第一四分位数,Q1)内转入ICU,284例在8天或更长时间(第三四分位数,Q3)后转入,44例在28天或更长时间后转入ICU。三个入院组之间未观察到CTS分布的实质性差异(扩展数据图3b)。原始CTS分配与基于不同医院至ICU入院间隔分组的CTS分类几乎完全重叠(入院间隔为1天或更短、8天或更长和28天或更长时分别为98%、99%和98%)。不同ICU入院间隔下分类器基因和CTS分配的热图展示见扩展数据图3c。轮廓系数和混淆矩阵分析进一步证明了基因分类器在不同ICU入院时间下的稳健性能(扩展数据图3d,e)。此外,按队列分层对患者进行分类成功识别了CTS,阳性轮廓宽度和混淆矩阵分析支持基因分类器的稳健性能(扩展数据图4a–f)。基于这些敏感性分析,我们得出结论:CTS基因分类器的性能不受住院至ICU入院时间间隔或研究地点的影响。
将患者样本分类为CTS1–3与序贯器官衰竭评估(SOFA)评分(图1e)、急性生理与慢性健康评估IV(APACHE IV)评分(图1f)及ICU死亡率(图1g)显著相关。CTS1分类和CTS2分类的患者相对病情更重,其中CTS2患者具有最高的APACHE IV评分和ICU死亡率。评估入院时CTS分组与MARS和GAinS患者SOFA评分的关联,揭示了一致的关系(扩展数据图5a,c)。分析MARS和GAinS患者中CTS归属与ICU死亡率的关联,显示了不同的结局,仅在根据CTS分类的MARS患者中观察到显著关联(扩展数据图5b,d)。CTS分组与主要感染解剖部位相关,其中较高比例的CTS1分类患者被诊断为腹腔内感染或粪便性腹膜炎(44.4%),而69.2%的CTS3患者被诊断为肺炎(表1)。接下来,使用Levene检验对各CTS间APACHE IV评分的方差齐性进行检验,结果不显著(P = 0.143),提示各CTS间方差相似。此外,我们使用ROC曲线评估APACHE IV评分将患者分类为CTS1–3的能力,并评估净重分类改善(NRI)以确定CTS在死亡风险评估中是否在APACHE IV之外提供预测价值。ROC分析得出的CTS1、CTS2和CTS3的AUC值分别为0.56、0.66和0.54,表明APACHE IV评分对CTS亚型的区分能力较差。重分类表显示变化极小,241例非幸存者中仅6例、881例幸存者中仅4例被重分类。Bootstrap NRI估计产生较窄的置信区间(0.0128–0.0172),提示分类性能仅有边际改善。这些发现表明,尽管APACHE IV反映了整体疾病严重程度,但它不能有效区分CTS亚型,进一步支持了CTS代表患者异质性的一个独立维度、不能被传统临床严重程度评分所捕捉这一观点。为探究 assigned CTS 患者在ICU住院期间的变化轨迹,我们使用18基因CTS分类器将GAinS队列中ICU入住后第3天和第5天采集的血液转录组数据(n = 817)分类为CTS1–3,并将其与ICU入院时样本(n = 444)一起分析。我们发现CTS模式在ICU住院期间是动态变化的,如35例在第1、3和5天均有可用血液转录组数据的患者的轨迹所示(图1h)。在较晚时间点仍停留在CTS1和CTS2的患者病情更重且结局更差(扩展数据图5b,d),这与不同CTS组间疾病进展和治疗反应的差异一致。在较晚时间点,CTS与SRS分类器之间患者聚类的一致性比例较低(扩展数据图5e)。
CTSs与皮质类固醇使用的影响
为检验糖皮质激素治疗对不同临床转录组亚型(CTS)结局(死亡率)的影响,我们评估了MARS队列中接受治疗的患者数量(治疗组 n = 362,未治疗组 n = 316)。对糖皮质激素治疗与CTS分型之间关联的卡方检验揭示了显著关系。具体而言,分配至CTS1和CTS2的患者中分别有61.5%和62.5%在ICU入住时接受了糖皮质激素治疗,而CTS3中这一比例为38.1%(图2a)。为进一步探讨糖皮质激素治疗对不同CTS分型死亡率的影响,我们使用了倾向性评分匹配。该方法能够平衡治疗组与未治疗组之间的协变量,确保治疗组间具有可比性。通过基于年龄、SOFA评分、原发感染部位、入院至ICU入住时间间隔及脓毒性休克诊断来估计接受糖皮质激素治疗的概率,我们匹配了408例患者(表2)。此后,分配至CTS1、CTS2或CTS3的患者在基线特征上基本相似,仅在腹部脓毒症诊断、肺炎及入院至ICU时间间隔方面观察到微小差异。接下来,我们拟合了二项逻辑回归模型以评估糖皮质激素使用对CTS1、CTS2和CTS3中28天死亡率的影响。糖皮质激素使用显著增加了28天死亡率的优势比(比值比(OR)= 3.83,95%置信区间(CI)= 2.38至6.28,P = 5.2 × 10−8)。在未使用糖皮质激素的情况下,匹配的CTS1分类患者基线死亡率最低(OR = 0.15,95% CI = 0.09至0.25,P = 5.6 × 10−14),其次为CTS3(OR = 0.80,95% CI = 0.46至1.38,P = 0.42)和CTS2(OR = 2.14,95% CI = 1.22至3.8,P = 0.00085)。后者提示CTS2归属与28天内死亡风险显著升高相关。CTS2分配患者的交互项显示,与CTS1相比,糖皮质激素效应无显著改变(OR = 0.56,95% CI = 0.16至1.94,P = 0.363)。CTS3中的交互项显著(OR = 0.2,95% CI = 0.06至0.66,P = 0.009),表明与参照组(CTS1)相比,CTS3患者使用糖皮质激素与死亡率显著降低相关。这提示糖皮质激素对分配至CTS3的患者相对于CTS1可能具有保护作用。总体而言,该模型解释了相当大比例的变异,赤池信息准则为441.38,表明拟合良好。Kaplan–Meier生存曲线和对数秩P值见图2b–d。实质上,分配至CTS1和CTS2并接受糖皮质激素治疗的患者28天死亡率相对于其未治疗对应组分别增加了33.7%和34%,对数秩P值分别为5 × 10−7和0.0003(图2b,c)。接下来,我们评估了参加血管加压素vs去甲肾上腺素作为脓毒性休克初始治疗(VANISH)临床试验13,26患者的血液转录组。VANISH研究者比较了去甲肾上腺素与血管加压素联合或不联合氢化可的松治疗脓毒性休克的效果。共176例患者被分类为CTS1–3(图2e)。评估氢化可的松治疗对28天死亡率影响的逻辑回归模型(含交互项)显示,接受氢化可的松治疗的CTS2分类和CTS3分类患者28天死亡率的预测概率较高(图2f)。交互项不显著,提示没有强证据表明药物效应在不同CTS亚型间存在差异。与我们之前的观察一致(图1f),CTS2的主效应显著(OR = 5.76,95% CI = 1.31至25.4,P = 0.021),表明其相对于CTS1和CTS3增加了死亡率的优势比(图2g)。
CTSs的生物通路特征及单细胞模式
为了描绘入住ICU时每种CTS的生物学特征,我们研究了部分患者可获得的额外分子数据,并进行了基因集富集分析(GSEA)和单细胞RNA测序(scRNA-seq)数据挖掘。GSEA揭示了每种CTS不同基因表达通路的差异丰度,从而为这些亚型的假定生物学基础提供了重要见解(图3a)。CTS1以典型的促炎通路为特征,包括白细胞介素-6(IL-6)信号传导、活性氧通路、糖酵解、脂肪生成、氧化磷酸化和哺乳动物雷帕霉素靶蛋白复合物1(mTORC1)信号传导。CTS2与血红素代谢通路、KRAS信号传导、肌生成和雌激素反应通路强烈相关,而同种异体移植排斥、Wnt β-连环蛋白、MYC、干扰素信号传导和DNA修复通路则表征了CTS3(图3a)。使用GSEA评估了CTS与从头聚类之间的转录水平一致性,在从头聚类1、2和3中识别出多个基因集可区分CTS1、CTS2和CTS3(扩展数据图6a,b)。此外,GSEA结果显示,虽然从头聚类3与CTS3类似地富集于干扰素信号传导和同种异体移植排斥通路,但与其他表征CTS的通路存在重叠,提示CTS3的混合一致性可能源于从头聚类无法解析的重叠生物学。接下来,我们使用最近生成的脓毒症全血单细胞图谱研究了CTS的假定细胞类型特异性。脓毒症单细胞图谱的组成和细胞注释如图3b所示。简言之,我们使用AUCell根据CTS1特异性、CTS2特异性和CTS3特异性基因集(每种CTS 30个基因)对单细胞图谱中的每个细胞进行评分。该分析显示,CTS1和CTS2基因集分别在未成熟中性粒细胞和血小板中评分较高(扩展数据图7a)。CTS3在淋巴细胞中表现出中等程度的评分升高。随后使用更大的基因集重复了该分析。即,比较每种CTS中样本之间的基因表达水平,并过滤差异表达基因以仅保留每种CTS中独特上调的基因(每组约3,000个基因)。接着,使用这些基因集进行细胞评分。该测试的结果强化了我们之前的分析,即CTS1基因在未成熟中性粒细胞中上调,包括蛋白精氨酸脱亚胺酶4(PADI4)+和白细胞介素-1受体2型(IL1R2)+中性粒细胞,而CTS2基因在血小板和嗜酸性粒细胞中上调(图3c,d)。CTS3基因可能在所有淋巴细胞群体(B细胞、T细胞和自然杀伤(NK)细胞)以及非经典单核细胞中上调。CTS评分的细胞类型特异性分布证实了这些发现(扩展数据图7b)。
CTSs与宿主反应生物标志物
为进一步深入了解CTSs的病理生物学特征,我们分析了MARS队列中一组反映脓毒症相关关键病理生理领域变化的血浆生物标志物。CTS1分类的患者具有最高水平的细胞因子和中性粒细胞活化标志物,包括IL-6、IL-10、IL-8、基质金属蛋白酶-8(MMP8)和中性粒细胞明胶酶相关脂质运载蛋白(NGAL)(图4a)。此外,在CTS1中观察到高水平的可溶性E-选择素和血管生成素-2与血管生成素-1比值(分别反映内皮活化和屏障功能紊乱)(图4a,b)。被分类为预后不良CTS2的患者中,纤维蛋白溶解标志物组织型纤溶酶原激活物(tPA)和1型纤溶酶原激活物抑制剂(PAI1)水平较高(图4c)。蛋白C水平在CTSs之间显著不同,CTS3中水平较高,CTS1分类患者中最低(图4d)。D-二聚体水平在各组之间无差异(图4e),提示尽管纤维蛋白溶解和抗凝可能存在差异,但总体血凝块形成和分解速率在各亚型间一致。总之,这些发现表明CTS1具有炎症状态增强以及中性粒细胞亚群和功能增加的特征。CTS2相对于其他亚型以血红素代谢转录特征和纤维蛋白溶解紊乱为特征。CTS3分类的患者与较轻的细胞和分子扰动相一致。
讨论
本研究是一组研究人员的合作成果,这些研究人员此前曾各自独立发表了脓毒症转录组亚型,旨在建立一种标准化的基于血液转录组学的策略,对全因脓毒症患者进行分类。通过对来自两个队列的大量脓毒症患者开展合作性生物信息学工作,我们开发了一种共识性血液转录组分类策略,可将危重脓毒症患者分为三种具有病理生理学意义的不同分子亚型。所提出的分类法得到了各亚型潜在生物学特征实质性变异的支持,尤其是CTS1和CTS2(图4f)。因此,我们加深了对脓毒症转录组亚型的理解,并揭示了CTS2分类患者(约占所研究脓毒症患者的20%)中此前未知的血红素代谢与凝血之间的关联。我们提出,采用这一新的分类法——由CTS1(IL1R2+和PADI4+未成熟中性粒细胞;炎症性和内皮性)、CTS2(血小板和嗜酸性粒细胞;血红素代谢和凝血)和CTS3(淋巴细胞、非经典单核细胞和NK细胞;干扰素信号传导、Wnt/β-catenin、DNA修复)组成——将促进未来涉及脓毒症分子亚型领域的研究,并可被科学界采用,以通过分类全身宿主反应来解决脓毒症异质性问题。
从临床角度来看,目前尚不确定哪些特征最适合作为脓毒症患者亚分类的依据。多项研究试图利用不同的数据来源对脓毒症患者进行亚分类,包括临床参数和分子数据29,30。本研究组的成员及其他研究者22也在一个队列中比较了脓毒症亚分类策略,结果显示分子亚型与临床亚表型之间的一致性很低31。单一策略不太可能在将脓毒症患者可靠地分配至亚型或亚表型方面优于其他策略。相反,结合代表脓毒症病理生理学主要方面的多种因素更有可能解决脓毒症的异质性。然而,目前尚不确定是否必须混合临床参数和分子谱才能准确识别可治疗特征并预测治疗反应。必须强调的是,尽管CTSs显示出较高水平的某些宿主反应可溶性介质,例如CTS1的促炎细胞因子和CTS2的凝血标志物,但仅凭这些关联并不能实现血液转录组亚型的分类。这强调了这样一个概念:与目前提倡的生物标志物或临床测量相比,转录特征可能提供更精确的疾病分类工具32。这些特征提供了有关疾病机制的有价值信息33,有助于诊断过程34–36,并可用于指导治疗决策13。此外,转录标志物在揭示疾病多样性方面发挥了关键作用,例如自身免疫性疾病。免疫细胞转录谱分析的使用提高了我们识别疾病活动变化并做出知情治疗决策的能力37。这些特征也被用于预测自身免疫性疾病的未来病程,表明它们在评估病情严重程度和复发可能性方面的重要性38。此外,我们的结果支持应用CTSs来追踪患者在ICU住院期间的变化轨迹。鉴于我们仅限于35名在所有三个时间点均有样本的患者,我们承认关于CTS动态变化的观察仍属探索性。CTSs的动态评估可能通过实现免疫状态的实时分层、为免疫调节治疗决策提供信息以及监测治疗反应,来支持脓毒症的适应性临床管理。CTS分类器来源于ICU入院时的样本,这可能是第3天和第5天样本中观察到的CTS与SRS聚类之间一致性降低的一个因素,并凸显了需要进一步工作来解决这一问题,并更全面地了解脓毒症亚型在个体患者层面如何快速转变。尽管属于探索性研究,我们的发现凸显了将系列CTS谱分析纳入未来脓毒症临床试验和精准指导治疗策略的潜在价值。
我们描述了一个18基因分类器,能够以高准确度实现用于ICU入院的CTS分类。分子诊断学的最新进展已解决了在重症监护环境中进行快速基因表达分析所引发的顾虑。TriVerity、Biomeme HR-B/V和BioFire HR-B/V等检测可分析22–42个基因,周转时间为30–60分钟,证明了在常规临床诊疗中实施此类系统的可行性39,40。尽管分子检测可能伴随相对较高的成本,但其改善患者结局并降低总体医疗费用的潜力值得在特定临床情境中开展成本效益研究。
以定量且具有临床相关性的方式描述脓毒症需要投入大量精力和资源。我们假设,通过识别分子水平均质的脓毒症患者亚组并表征这些样本中推测的“驱动”事件,可能有助于促进特异性疗法的开发。近期,本研究组成员观察到脓毒症中中性粒细胞数量和异质性大幅升高,提示在紧急粒细胞生成过程中未成熟粒细胞产生并释放入血增加,这在SRS1亚型27患者中显著富集,并伴有未成熟中性粒细胞群体(尤其是IL1R2+细胞)扩增的证据以及体外27对T细胞的免疫抑制效应。对循环造血干/祖细胞(HSPCs)的单细胞多组学分析显示了紧急粒细胞生成改变和STAT3介导的基因调控的表观遗传和转录组特征27,而与SRS的遗传关联进一步涉及CEBPB21——紧急粒细胞生成的主调控因子。我们的研究结果还显示,CTS1与PADI4+中性粒细胞相关,驱动形成称为中性粒细胞胞外诱捕网的DNA-组蛋白结构,其可捕获并杀伤病原体,但也促进内皮损伤和器官功能障碍41–43。血小板和嗜酸性粒细胞成为CTS2的突出特征。虽然血小板参与脓毒症已有充分文献记载44,但嗜酸性粒细胞的作用研究较少。嗜酸性粒细胞数量持续偏低与脓毒症不良临床结局相关,但其对免疫失调的机制性贡献尚不清楚45。CTS3以广泛的淋巴细胞特征以及非经典单核细胞(CD14loCD16hi)为特征。非经典单核细胞在刺激后产生促炎细胞因子(例如TNF、IL-12),有助于抗菌防御46。然而,其作用具有情境依赖性,在保护性免疫与潜在组织损伤性炎症之间取得平衡。尽管仍属推测,这些观察为促进开发新的脓毒症定制治疗提供了可能性,这将涉及在更均质的患者亚组中测试治疗药物13。在我们的研究中,对来自MARS队列(不仅限于脓毒性休克)的全面性脓毒症患者按CTS进行分层后进行的伪随机化,发现了在接受糖皮质激素治疗的CTS1(炎症型)和CTS2(凝血/纤溶型)患者中的有害信号;对VANISH试验的再分析提示类固醇治疗对CTS2患者造成伤害。尽管我们通过倾向评分匹配努力处理MARS观察性队列中的潜在混杂因素,并在随机对照试验(RCT)中回顾性检验了CTS分类方法,但CTS分类的治疗学意义需要通过精心设计的前瞻性RCT加以验证。CTS2亚型可能与糖皮质激素抵抗相关,原因包括血红素代谢增强导致氧化应激47、KRAS信号增强破坏糖皮质激素受体功能48以及雌激素受体功能增强与糖皮质激素受体竞争共激活因子49。此外,氢化可的松可能进一步加剧CTS2亚型的凝血特征,即糖皮质激素增加组织因子表达——脓毒症中单核细胞凝血的关键驱动因素50,而口服泼尼松龙增强了静脉内给予内毒素的健康个体的凝血激活51。我们的研究结果与一项早期研究13相结合,后者提示氢化可的松治疗与SRS2亚型的不良反应相关,表明分子分类策略相较于传统临床观察和亚表型分析可能具有深远的临床意义。
聚类和亚分类策略,即使基于宿主对脓毒症反应的重要特征,也可能不一定能够准确预测差异化的治疗反应。这可能源于急性药物本身,其多样的作用方式同时影响多个细胞生物学通路,或者源于我们使用静态“组学”数据准确确定通路参与或相互作用的能力有限。同样,鉴于脓毒症最终死因的高度多因素性质以及与合并症的关系,对结局(如死亡率)的预测效用有限。与管理、病例构成和未识别因素相关的队列差异是此类关联的进一步潜在混杂因素,正如我们此前针对SRS1与MARS和GAinS19所报告的那样。我们当前的研究旨在建立一个综合框架,用于在多种临床情境中系统分析脓毒症分子异质性,这目前被认为是可获得的最准确描述。我们预计它还将加速将CTS分类应用于体外模型,包括在免疫功能测定背景下的原代免疫细胞、细胞系和类器官。我们的发现证明了CTS基因分类器在独立队列中的稳健性。虽然脓毒症生物学受异质性和区域特异性因素影响,包括遗传学、表观遗传学、资源可及性和ICU入院的临床阈值,但Moore等人52最近的工作使用转录组学、单细胞和蛋白质数据识别了相似的免疫亚型,强化了这些免疫亚型的更广泛适用性。与Moore等人52的发现一致,CTS1、CTS2和CTS3大致分别对应于以髓系失调、淋系失调和淋系保护性反应为特征的聚类。我们的结果以及Moore等人52的伴随研究结果表明潜在的跨队列可推广性,但强调需要在不同人群中开展额外的多组学验证,特别是中低收入地区,并进行纵向研究,以了解与急性疾病自然史的关系。尽管如此,虽然我们的研究强调了亚型之间不同的生物学特征,但它受限于所观察到的关联本质上是相关性而非因果性的,且聚焦于对ICU入院的信息价值。因此,以及鉴于本研究的观察性本质,这些发现不能用于得出因果关系的结论。
总之,我们认为本研究概述的标准化框架为解决临床背景下的脓毒症分子异质性提供了共同基础。预计它将随着技术进步而进一步迭代和增强,从而能够整合更多数据来源。我们设想这将增进我们对脓毒症病理生理学的理解,并为在重症监护背景下建立精准医学方法提供关键桥梁。
方法
研究设计
本研究的总体设计和分析流程见图1a。共有三个参与研究组,每组此前均已开发并发表了一种利用全血样本将脓毒症患者分类为转录组亚型的方法8–11。本研究侧重于对现有去标识化转录组、可溶性生物标志物和临床数据进行二次分析。这些数据集中不包含任何个人可识别信息。每个数据集均经过处理和共归一化(见“RNA转录组数据预处理与共归一化”部分)。尽管这一决定排除了分析基因表达归一化对亚型分配影响的可能性,但使本研究能够聚焦于生物学解释,并评估不同亚型与生物信息学方法相比的临床相关性。随后,每个专家组将其分类策略应用于共同聚合数据集中的各数据集。
伦理
本研究依照《赫尔辛基宣言》(2013年10月)所述原则以及相关委员会的伦理标准开展。MARS患者(ClinicalTrials.gov注册号NCT01905033)通过两家招募医院,即Amsterdam UMC和UMC Utrecht的机构审查委员会(IRB)批准的退出同意法纳入(IRB编号10-056C)。对于英国GAinS,伦理批准已在国家和地方层面授予,所有患者或其法定代表均签署书面知情同意书,并在研究伦理委员会批准号05/MRE00/38、08/H0505/78和06/Q1605/55下开展。
白细胞RNA分离与生物信息学
对于MARS队列,在科隆基因组中心使用PAXgene血液RNA分离试剂盒(QIAGEN)分离总RNA(RNA完整性值> 6.0;Agilent Bioanalyzer),以生成互补DNA(cDNA)用于与人类基因组U219-96芯片板(Affymetrix)杂交。使用affy方法(v.1.36.1)53进行预处理和质量控制。芯片数据使用稳健多阵列平均进行背景校正、分位数归一化,并使用中位数抛光进行汇总。使用替代变量分析(SVA)方法(v.3.4.0)评估非实验性芯片效应的发生,并使用经验贝叶斯方法ComBat54进行校正。在MARS队列的第二组患者(n = 156)中,cDNA按先前描述20与Affymetrix人类转录组阵列2.0(Thermo Fisher Scientific)杂交。在使用oligo方法(v.1.44)55进行稳健多阵列平均背景校正、分位数归一化和log2转换后,使用SVA(v.3.28)评估数据中的非实验性芯片效应,并使用ComBat方法进行调整。探针使用biomart(v.2.36.1)注释;低表达探针使用genefilter方法(v.1.62)过滤。
对于GAinS队列,样本采集按参考文献8和19所述进行。简言之,在入住ICU后第1天、第3天和/或第5天从脓毒症患者获取全血(约10 ml)。使用LeukoLOCK系统(Thermo Fisher Scientific)进行白细胞分离,并使用Total RNA Isolation Protocol(Ambion)提取总RNA。样本或与Illumina HumanHT-12 V4.0表达珠芯片杂交,或用于RNA-seq。关于后者,使用NEB Ultra II Library Prep试剂盒(Illumina)制备cDNA文库,并使用NovaSeq 6000系统(Illumina)测序。使用STAR(v.2.7.3)将reads比对至参考基因组(GRCh38 v.99),并使用featureCounts55,56进行定量。随后对计数进行标准化和log转换,得到每百万log计数。原始微阵列数据使用GenomeStudio处理。
RNA转录组数据处理与共标准化
所有数据集通过首先使用Bowtie2(参考文献57)将Affymetrix和Illumina提供的微阵列寡核苷酸探针序列重新比对至GRCh38.p7进行合并,方法如先前所述58。标记为“完美匹配”的序列使用Biomart59进行注释。我们选择蛋白质编码生物类型进行进一步分析。随后使用Ensembl转录本ID按转录本名称合并数据集。然后使用R54中SVA包(‘sva’)中的经验贝叶斯方法ComBat对微阵列和RNA-seq研究的标准化数据进行非实验性批次效应校正。具体而言,基因表达被建模为平台差异(批次)的函数,批次作为分类协变量处理。为每个样本创建指示批次分配的向量(MARS-U219affy、MARS-HTA2.0affy、GAinS-Illumina、GAinS-RNA-seq、RESERVEU-RNA-seq或VANISH-Illumina)。批次相关变异使用ComBat(sva包)中实现的参数经验贝叶斯框架进行估计和校正。通过计算同一基因 locus 转录本的平均表达量,将转录本合并为唯一基因,最终得到7,260个唯一基因表达值。使用主成分分析在共标准化前后检查数据(扩展数据图8)。
特定于研究组的脓毒症转录组亚型分类
对于GSE65682(参考文献9)和GSE134347(参考文献20)的Mars1–4,使用先前描述的140基因特征训练随机森林分类器并分配患者样本。对于E-MTAB-4421、E-MTAB-4451和EGAD00001008730(参考文献8,21)的SRS 1和2,使用先前描述的SepstratifieR七基因方法将患者样本分配至SRS1或SRS2(参考文献19)。Stanford inflammapathic、adaptive和coagulopathic标签基于33个基因表达水平的几何均值进行分配11。
网络分析
为了评估三种分类系统之间的关联(相当于九个亚型总数),我们使用了基于网络的方法。该关联基于Jaccard相似系数和自举概率计算,定义为两个样本集交集大小与其并集大小之比,使用R语言中的jaccard包进行计算。为了量化亚型关联的统计学显著性,我们对分类至某一亚型的样本在另一亚型中过度代表的情况进行了超几何检验。所得P值使用Benjamini–Hochberg方法进行多重假设检验校正24。接下来,为了识别CTSs,我们采用了共识聚类方法,使用R语言MCL包中可用的马尔可夫聚类将网络划分为簇60。MCL是一种可扩展且高效的无监督网络聚类算法。我们使用R包cluster通过轮廓宽度评估聚类性能。重要的是,网络粒度通过标准膨胀因子进行控制,我们在测试了膨胀因子1–7后将其设定为2(超过膨胀因子七被标记为错误)。在将膨胀因子设定为2后,MCL方法重复十次以确定簇的稳健性和稳定性。
CTS分类器的推导
为了推导脓毒症CTS分类器,我们首先从ICU入院患者中筛选标记为“核心”样本的患者样本,筛选依据是初始分配的亚型(MARS、GAinS或Stanford)与每个CTS相关亚型之间的对应关系。随后,使用Kruskal–Wallis检验以一对一方案按非参数显著性对前5,000个基因进行排序。使用CMA R包中可用的随机森林分类器(高维数据方法的监督分类)61,我们通过基因数量逐步递增的十折交叉验证评估了CTS分类。随机森林是一种广泛使用的机器学习方法,其工作原理是生成训练数据的多个自举版本,并对每个自举版本拟合决策树。通过这样做,我们确定了使交叉验证误分类错误率低于5%的基因数量。此外,Brier评分和平均概率被用作辅助选择分类器规模的指标(扩展数据图1)。然后我们使用所得CTS分类器,利用R语言中的random forest包对整个队列进行CTS的随机森林预测。该方法同样应用于RESERVE-U研究(BioProject编号PRJNA794277)25和VANISH试验(E-MTAB-7581)13的样本。后验概率使用random forest包计算。
共识聚类
使用标准化基因表达数据进行从头共识聚类,采用ConsensusClusterPlus方法62,如前所述9。简言之,使用了1122例患者样本在ICU入院时获得的7260个独特基因表达谱。我们选择基于1减去Pearson相关距离的凝聚层次聚类算法,90%项目(样本)重采样,90%基因重采样,1000次迭代,聚类范围k=2-10。为估计k(亚型数量),我们结合经验累积分布函数、累积分布函数曲线下面积、cluster包中可用的轮廓宽度以及共表型距离相关分析来评估聚类稳定性。轮廓宽度23在所有队列中展示,直接量化亚型一致性、稳定性和分类器性能。最高的共表型相关系数表明最佳聚类大小。
通路分析、scRNA-seq整合和数据挖掘
具有CTS分配的基因表达数据使用Broad Institute提供的GSEA软件(www.gsea-msigdb.org/gsea/index.jsp)63进行分析。GSEA是一种计算方法,用于确定一组先验定义的基因在生物学状态(例如表型)之间是否显示统计学显著且一致的变化。我们在所有分析中使用了hallmarks分子特征。FDR校正P<0.05定义为显著过度代表。计算方法AUCell28用于评估脓毒症单细胞图谱27中单细胞水平基因集的活性,有助于识别细胞类型特异性基因表达模式。AUCell通过基于基因表达水平排名计算每个细胞中每个基因集的AUC来运作。该方法评估基因集的相对富集,有助于识别特定细胞亚群中的活跃生物过程。
血浆生物标志物检测
对于MARS队列,测量在ICU入院后16小时内获得的EDTA抗凝血浆中进行。IL-6、IL-8、IL-10和可溶性E-选择素使用FlexSet Cytometric Bead Array(BD Biosciences)通过FACSCalibur(BD Biosciences)测量。NGAL、蛋白C、MMP8、tPA、PAI1、血管生成素-1、血管生成素-2(均来自R&D systems)和D-二聚体(Procartaplex,eBioscence)使用Luminex多重检测通过BioPlex 200(Bio-Rad Laboratories)测量。选择蛋白质生物标志物是因为它们反映了被认为对脓毒症发病机制重要的病理生理领域的变化7,64,65:细胞因子网络的激活(IL-6、IL-8、IL-10);全身性炎症(MMP8、NGAL);凝血和纤溶系统的激活(D-二聚体、蛋白C、tPA、纤溶酶原激活物抑制剂-1);以及血管内皮的激活和功能障碍(可溶性E-选择素、血管生成素-1和血管生成素-2)。此外,虽然可以选择其他生物标志物,但所选生物标志物可在多重检测中测量,允许在大型患者组中进行分析。
统计学和可重复性
我们使用Kruskal–Wallis检验进行连续变量比较的非参数检验,随后进行Dunn事后检验;分类数据使用卡方检验和事后检验进行比较。Kaplan–Meier图和log-rank检验使用survival R包完成。我们使用R中MatchIt v.4.5.5包的倾向性评分匹配,评估糖皮质激素给药对分配至CTSs的MARS患者28天死亡率的影响。治疗变量(糖皮质激素使用)根据SOFA评分、入院至ICU入住时间间隔、原发感染部位、感染性休克和年龄进行匹配。倾向性评分使用逻辑回归模型估计。采用1:1比例的最近邻匹配以在治疗组和未治疗组患者之间建立平衡。使用卡钳值(设为1.2)匹配倾向性评分相似的患者,从而最小化不平衡。最终匹配数据集通过逻辑回归用于评估糖皮质激素使用与CTS分配对28天死亡率的交互作用。VANISH试验数据(E-MTAB-7581)13被用于逻辑回归模型,评估氢化可的松治疗与CTS归属对28天死亡率的交互作用。全文除非另有说明,P < 0.05界定为显著性。ROC AUC分析使用R中的pROC方法进行。NRI使用R中nricens v.1.6方法计算。所有分析均使用RStudio(v.4.3.2)进行。未使用统计学方法预先确定样本量。MARS、VANISH和RESERVE-U队列的所有数据均纳入分析。另一方面,GAinS队列中在原始研究中未通过质量控制的样本被排除。实验未进行随机化。研究者在对样本进行分类至各自研究组(MARS1–4、SRS1和2,或适应性、凝血障碍性和炎症性亚型)时对样本标识符设盲。
报告摘要
有关研究设计的更多信息可在与本文链接的Nature Portfolio报告摘要中获取。
在线内容
任何方法、附加参考文献、Nature Portfolio报告摘要、源数据、扩展数据、补充信息、致谢、同行评审信息;作者贡献和利益冲突的详细信息;以及数据和代码可用性声明可在10.1038/s41591-025-03964-5处获取。
补充信息
补充信息联盟与所属机构。
报告摘要
参考来源
- Scicluna BP, Cano-Gamez K, Burnham KL, et al. A consensus blood transcriptomic framework for sepsis. Nat Med. 2025. PMID: 41028542. doi:10.1038/s41591-025-03964-5
- 全文:PMC12705454(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12705454/
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。