脓毒症免疫状态评估基因组合的研发
本研究旨在开发用于脓毒症免疫状态床旁快速评估的生物标志物组合。通过ssGSEA、WGCNA和PPI网络分析,从公共转录组数据中筛选出TBX21、GNLY、PRF1、IL2RB四个基因。外部验证显示四种机器学习模型的AUC为0.891–0.909。在99例双盲随机脓毒症患者中,根据四基因表达聚类为ISS1和ISS2两个内型;ISS2中接受氢化可的松(OR 12.46,95%CI 3.11–65.72)或胸腺素(OR 4.17,95%CI 1.13–16.51)者90天死亡率更高,而ISS1中未见此关联。作者认为该四基因组合有潜力评估免疫状态并指导免疫治疗,但需进一步前瞻性验证和转化研究。
要点
- 四基因组合TBX21、GNLY、PRF1、IL2RB在外部验证中区分免疫状态的AUC为0.891–0.909(RF 0.891,SVM 0.905,XGB 0.900,GLM 0.909)。
- 99例双盲随机脓毒症患者按四基因表达聚类为ISS1(低表达,免疫抑制型)和ISS2;ISS2中氢化可的松组90天死亡率61.9% vs 无氢化可的松组11.5%(P=0.0005)。
- ISS2中氢化可的松与90天死亡率升高相关(OR 12.46,95%CI 3.11–65.72),胸腺素亦相关(OR 4.17,95%CI 1.13–16.51);ISS1中未见此关联。
- 作者指出ISS2中氢化可的松组基线病情更重(体温37.8 vs 37.4°C,APACHE II 24 vs 18,脓毒性休克95.2% vs 69.2%),关联应谨慎解读、不能视为因果。
- 作者认为四基因组合经RT-PCR可在数小时内完成免疫分型,但随机双盲队列(n=99)对治疗×内型交互检验把握度不足,交互分析为探索性且不精确(氢化可的松Wald P=0.109;胸腺素Wald P=0.454)。
适用人群与场景
- 前瞻性临床队列(Zhongda Hospital)纳入99例符合Sepsis 3.0诊断标准、随机双盲分组的脓毒症患者,用于四基因组合分型(ISS1/ISS2)并探索与治疗反应的关系。
- 排除标准包括:<18岁;脓毒症诊断已超过24小时;从其他ICU转入;30天内再次入ICU;血液系统恶性肿瘤或自身免疫病;入ICU 24小时内血小板减少或血小板计数未知;肝硬化、肝炎或脾切除史。
- 外部验证公共转录组数据集GSE154918限定为39例诊断为脓毒症或脓毒性休克的成人患者,用于病例-病例比较和模型区分度外部验证。
诊断标准与关键阈值
- 基于ssGSEA算法计算22种免疫特征富集水平,按ssGSEA评分中位数将样本分为高(immunity_H)和低(immunity_L)两个亚型。
- WGCNA高阈值(MM>0.85,GS>0.50)筛选出7个基因(EOMES、PRF1、FGFBP2、TBX21、IL2RB、RUNX3、GNLY),低阈值(MM>0.80,GS>0.20)构建PPI网络选出6个枢纽基因(TBX21、IL2RB、GNLY、PRF1、GZMB、GZMH),两组交集为四个基因(TBX21、GNLY、PRF1、IL2RB)。
- 基于四基因表达谱的共识聚类将患者分为ISS1(四基因低表达,免疫抑制内型)和ISS2两个免疫状态亚组。
- 模型分类阈值:在内网测试集上以最大化Youden's J预设单一概率截断值,固定后用于外部验证;另以0.5截断值作为参考列出结果。
研究设计与关键结果
- 研究类型:生物标志物筛选与验证研究,含公共转录组数据挖掘、外部验证和单中心双盲随机队列(n=99)及小鼠CLP模型。
- 筛选阶段:760例脓毒症样本按ssGSEA中位数分为immunity_H(n=469,61.71%)和immunity_L(n=291,38.29%);暗红色模块与免疫状态相关性最强(Cor=0.54,P=6e-59)。
- 外部验证区分度(AUC,DeLong 95%CI):RF 0.891(0.764–0.991)、SVM 0.905(0.812–0.997)、XGB 0.900(0.810–0.990)、GLM 0.909(0.809–1.000);固定内网截断值下各模型特异度均为1.000,敏感度0.432–0.818,准确率0.490–0.837。
- ISS2 vs ISS1基线:ISS2中位年龄更高(76 vs 68岁,P=0.0358);SOFA评分呈非显著升高趋势(11 vs 9,P=0.0517)。
- ISS2中氢化可的松组 vs 无氢化可的松组:90天死亡率61.9% vs 11.5%(P=0.0005),28天死亡率52.4% vs 11.5%(P=0.0036);氢化可的松组基线体温更高(37.8 vs 37.4°C,P=0.0333)、APACHE II更高(24 vs 18,P=0.0168)、脓毒性休克比例更高(95.2% vs 69.2%,P=0.0305)。
- ISS2中胸腺素组 vs 无胸腺素组:90天死亡率57.1% vs 24.2%(P=0.045);28天死亡率无显著差异。
- logistic回归:ISS2中氢化可的松与90天死亡率升高相关(OR=12.46,95%CI 3.11–65.72,P=0.0009),胸腺素亦相关(OR=4.17,95%CI 1.13–16.51,P=0.0347);氢化可的松与28天死亡率升高相关(OR=8.43,95%CI 2.12–43.72,P=0.0047)。
- 交互分析:氢化可的松ISS2特异性风险升高(HR_ISS2=7.44 vs HR_ISS1=2.02),交互方向为正但把握度不足(Wald P=0.109);胸腺素交互较弱且无统计学意义(Wald P=0.454,HR_ISS2=2.52,HR_ISS1=1.37)。
证据类型、等级与局限
- 证据类型:生物标志物发现与验证研究,含公共转录组数据挖掘、外部验证、单中心双盲随机队列(n=99)和小鼠CLP模型;原文未给出证据等级或推荐强度。
- 局限:临床免疫治疗验证在单中心、双盲、随机队列中进行。
- 局限:免疫细胞分数通过CIBERSORT反卷积算法估计,可能无法完全反映外周血免疫浸润。
- 局限:随机双盲队列(n=99)对正式的治疗×内型交互检验把握度不足,交互分析为探索性且不精确(氢化可的松Wald P=0.109;胸腺素Wald P=0.454)。
- 局限:单中心设置和基于反卷积的细胞分数限制了结果向相似ICU人群以外的推广。
- 局限:ISS2内倾向性评分匹配仅6对(N=12),置信区间宽,需谨慎解读。
- 作者结论:结果支持四基因组合评估免疫状态并指导免疫治疗的潜在效用;需进一步前瞻性验证和转化研究。
对床旁实践的改变
- 作者认为四基因组合经RT-PCR可在数小时内完成免疫分型,可能有助于在ICU中识别对氢化可的松或胸腺素反应不同的亚组。
- 作者指出氢化可的松和胸腺素在脓毒症免疫治疗中的作用并不完全一致,不同药物在ISS分型中的机制差异有待进一步探索。
- 作者认为基于免疫状态的分层有助于脓毒症免疫治疗的精准应用,但随机双盲队列把握度不足、交互分析为探索性,临床效用需经把握度充足的多中心研究确认。
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16 节 · 点击展开
引言
脓毒症的特征是免疫反应失衡,即过度炎症与免疫抑制同时发生[1]。过度炎症与免疫抑制之间的相互作用决定了个体的免疫内型。免疫内型的高度个体化给诊断和个体化治疗带来了重大障碍。尽管已有多种免疫调节药物可供使用,[2]但脓毒症中免疫反应的高度变异性给诊断和个体化治疗带来了巨大挑战[3–5]。因此,准确识别免疫状态是为脓毒症提供适当免疫治疗的关键一步[6]。目前用于免疫识别的一些指标,如单核细胞人白细胞抗原-DR亚型(HLA-DR),与脓毒症相关免疫抑制有关,并广泛用于临床免疫监测[7–9]。然而,依赖单一生物标志物来指导针对过度炎症或免疫抑制的免疫治疗是不够的,因为每种生物标志物仅反映有限的病理过程。脓毒症涉及多条通路的 simultaneous 激活或抑制;因此,生物标志物组合可能更准确地反映免疫状态。
对异质性脓毒症人群进行分层是确定免疫状态的必要条件。尽管已有几项研究对脓毒症亚组进行了分层,但大多数研究聚焦于预后(预后富集策略)和严重程度[10–12],而非直接评估免疫状态。Davenport等[13]根据无监督层次聚类,基于脓毒症反应特征(SRS1和SRS2)将脓毒症患者分为两个不同的组。结果显示,SRS1表现出免疫抑制特征(T细胞耗竭和HLA II类分子下调),且两组之间编码TNF、IL6或IL1B的细胞因子基因表达未见差异。另一项研究鉴定了四种与脓毒症相关的分子内型(Mars 1–4)[10]。此外,基于多个转录组数据集,脓毒症可分为三种亚型:炎症型(固有免疫激活)、适应性型(适应性免疫激活)和凝血障碍型(凝血功能障碍)[14]。此外,脓毒症分层具有潜在的治疗意义,α、β、γ和δ分层在各项临床试验中效果各异[15]。这些研究强调了脓毒症的异质性,以及聚类分析如何增进我们对这一综合征多样病理生理机制的理解。
已有报道通过使用15基因组合将脓毒症患者根据免疫状态分为免疫适应性优势(IA-P)组和免疫固有性优势(IN-P)组。与IN-P患者相比,IA-P患者表现出较低的白细胞计数和休克发生率。此外,IA-P患者的SOFA评分、APACHE II评分和死亡率均较低[16]。
我们假设特定的基因表达水平与免疫状态相关,可作为生物标志物用于脓毒症患者的个体化分层和管理。本研究旨在筛选一组更精确、更具临床适用性的与脓毒症相关的免疫状态生物标志物,以支持免疫治疗决策。
方法与材料
脓毒症免疫状态的生物标志物筛选与验证
本研究所使用的发现和验证数据集来自基因表达综合数据库(https://www.ncbi.nlm.nih.gov/geo/):GSE65682 和 GSE154918。采用单样本基因集富集分析(ssGSEA)算法测量脓毒症样本中22种免疫特征的富集水平。根据ssGSEA评分的中位数将样本分为两个亚型。通过CIBERSORT反卷积算法估计不同免疫细胞类型的相对比例[17]。
进行加权基因共表达网络分析(WGCNA)以筛选与亚型相关性最强的模块。利用PPI网络筛选候选模块中的枢纽基因。使用机器学习算法,包括广义线性模型(GLM)、支持向量机(SVM)、XGBoost(XGB)和随机森林(RF),验证免疫状态预测模型。通过受试者工作特征(ROC)曲线下面积(AUC)评估这些模型的性能。所有算法和Kaplan–Meier生存曲线均通过R4.3.1生成。
WGCNA分析
在R 4.3.1中使用WGCNA构建共表达网络。经过标准预处理后,保留MAD排名前10,000的基因。我们使用符号网络和基于Pearson相关的符号TOM(corType = "pearson")。通过pickSoftThreshold在1–30的幂次范围内选择软阈值功率,优先考虑高的无标度拟合度和合理的连通性;我们选择β = 20(无标度R2≈0.92;图S2A)。模块检测使用blockwiseModules,参数为minModuleSize = 30、deepSplit = 2、mergeCutHeight = 0.2、reassignThreshold = 0、numericLabels = TRUE。模块–性状关联通过Pearson相关与immunity_H/L表型计算(P < 0.05)。与免疫状态关联最强的暗红色模块被用于后续GO/KEGG分析(图S2D、S2E)和候选基因筛选。
PPI网络与枢纽筛选
我们在STRING(人类)中构建了PPI网络,将证据通道限制为Experiments + Databases并保留高置信度边(综合评分≥ 0.70)。在来自免疫相关模块的WGCNA候选集上(按|MM|和|GS|优先排序,采用宽松的纳入阈值|MM|> 0.80且|GS|> 0.20),去除孤立节点。我们计算了度中心性和介数中心性,并得出秩积元排名;前k(k = 6)个节点被指定为PPI枢纽。最终面板由严格的WGCNA枢纽(|MM|> 0.85且|GS|> 0.50)与PPI枢纽的交集确定。在k = 5–10和score = 0.6–0.9范围内的稳健性检验产生了稳定的筛选结果。
外部验证队列与患者
对于外部验证,我们使用了两个独立队列:(1)公共转录组数据集(GSE154918):我们将分析限制于39例诊断为脓毒症或脓毒性休克的成年患者,用于病例–病例比较和模型区分度的外部验证。
(2)前瞻性临床队列(中大医院):纳入99例随机、双盲脓毒症患者,对四基因面板进行检测以推导免疫状态内型(ISS1/ISS2)并探索与治疗反应的关系。人口学和临床特征总结于表1。
本研究使用的所有人类样本均来自东南大学附属中大医院重症医学科,并经中大医院伦理委员会批准(批准号:2022ZDSYLL196-P01)。所有参与者均获得了书面知情同意。纳入本研究的患者符合脓毒症3.0诊断标准,治疗分配采用随机双盲法。应用以下排除标准:(1)< 18岁;(2)脓毒症诊断时间> 24小时;(3)从其他重症监护病房(ICU)转入;(4)30天内第二次入住ICU;(5)血液系统恶性肿瘤或自身免疫性疾病;(6)入住ICU 24小时内血小板减少或血小板计数未知;(7)肝硬化、肝炎或脾切除术史。
盲肠结扎穿刺模型
所有动物操作严格遵循美国国立卫生研究院实验动物使用指南。研究方案经中国江苏东南大学医学院机构动物护理和使用委员会批准(许可证号:20190222014)。小鼠盲肠结扎穿刺(CLP)操作按照先前报道的方案进行,通过选择5%/20%的结扎长度建立不同严重程度的脓毒症模型[18]。
实时PCR
使用TRIzol试剂(TaKaRa, Biotechnology, 中国)提取总RNA。使用HiScript II Q RT SuperMix for qPCR(Vazyme, Vazymebiotech, 中国)进行cDNA合成。使用AceQ Universal SYBR qPCR Master Mix(Vazyme)进行实时PCR。
模型评价与ROC分析
我们将Immunity_H定义为阳性类别。对于每个模型,在留出的内部测试集和独立外部队列上获得预测概率。由这些概率生成ROC曲线(较高值表示Immunity_H),并计算AUC及DeLong 95%置信区间(pROC)。交叉验证(重复五折,10次重复)仅用于超参数调优;最终ROC/AUC在留出数据上计算。在内部测试集上通过最大化Youden's J预先设定单一概率截断值,然后固定用于外部验证。在此固定截断值下,我们报告敏感性、特异性和准确性(敏感性和特异性的精确二项95% CI),并提供混淆矩阵(TN/FP/FN/TP);0.5截断值下的结果另外列出作为参考。
回归分析与验证
主要频率学派分析(报告于正文)。我们在GraphPad Prism中拟合频率学派逻辑回归模型(MLE及Wald置信区间),用于ISS2分层内90天/28天死亡率,以治疗暴露(氢化可的松或胸腺素;分别建模)作为预测变量。这些估计值呈现于正文中。
贝叶斯稳健性验证(报告见补充材料)。为解决小样本不确定性和潜在分离问题,我们另外拟合了带弱信息先验的贝叶斯逻辑回归(logit链接)(治疗系数采用Student-t(df = 3, 0, 2.5);截距采用Student-t(df = 3, 0, 10))。我们汇总后验中位比值比及其95%可信区间(CrIs)、后验概率Pr(OR > 1),以及暴露组(p₁)和非暴露组(p₀)经g-computation得到的后验标准化风险及风险差(RD)及其95% CrI。采用后验预测检验和留一交叉验证(LOO-CV)评估模型充分性。所有贝叶斯结果见补充材料(表S7:氢化可的松;表S8:胸腺素)。贝叶斯模型得出的区间记为CrIs,以区别于频率学派的CI。
方法——统计分析
结局
主要结局为90天死亡率。次要结局为28天死亡率。
统计分析
所有分析均采用GraphPad Prism 9.5和R 4.3.1进行。由于大多数指标呈右偏分布,连续变量以中位数[IQR]汇总,因此组间比较主要采用Mann–Whitney U检验(双侧)。分类变量以n(%)汇总,当所有期望单元格计数≥ 5时采用卡方检验;否则,对于低频/稀疏的2 × 2表采用双侧Fisher精确检验。生存分析采用Kaplan–Meier方法,并采用log-rank检验进行比较。近似正态分布变量间的相关性采用Pearson r评估,否则采用Spearman ρ评估。双侧α = 0.05定义为统计学显著性。Cox模型中的治疗 × 内型效应修饰通过纳入乘积项进行评估;显著性采用双侧Wald检验和似然比检验(含交互项与不含交互项的模型比较)评估。比例风险假设采用Schoenfeld残差评估。
结果
筛选与脓毒症免疫状态相关的基因面板
采用ssGSEA计算760份脓毒症样本的免疫浸润评分。根据ssGSEA评分的中位数,将样本分为两个亚型:高免疫(immunity_H)和低免疫(immunity_L)(图1A、S1)。为探究这些免疫亚型的生物学特征,采用WGCNA构建共表达网络并识别在样本间强相关的基因模块。采用Pearson相关分析评估模块-性状关系(图1B),其中暗红色模块与免疫状态相关性最强(Cor = 0.54,P = 6e-59)。该模块中的基因主要与T细胞和NK细胞免疫相关(图S2D和S2E)。
随后应用高阈值(MM > 0.85,GS > 0.50)识别出七个与两个模块和性状均强相关的基因(EOMES、PRF1、FGFBP2、TBX21、IL2RB、RUNX3和GNLY)(图1C)。同时,使用较低阈值(MM > 0.80,GS > 0.20)筛选基因以构建PPI网络。共识别出六个基因:TBX21、IL2RB、GNLY、PRF1、GZMB和GZMH(图1D和E)。两组的四个重叠基因主要表达于NK细胞和T细胞(图S3),被确立为脓毒症免疫状态生物标志物(图1F)。为探究该基因组合与传统免疫标志物之间的关系,我们分析了本院脓毒症患者的RNA-seq数据。然而,测序数据中未检测到TBX21。因此,我们聚焦于另外三个基因:PRF1、IL2RB和GNLY。这些基因(PRF1、IL2RB和GNLY)的表达与单核细胞HLA-DR表达及NK细胞百分比之间观察到显著相关性(图S5)。
验证基因组合对免疫状态的预测效能
为验证基因组合的预后作用,我们通过GSE65682数据集的临床数据对四个基因进行了生存分析(图2A)。此外,使用外部验证数据集GSE154918验证脓毒症患者与健康个体之间基因组合表达的变化。上述两组之间基因组合表达水平存在显著差异(图2B)。值得注意的是,脓毒症与脓毒性休克之间也观察到差异,提示这四个基因不仅在脓毒症中下调,还与脓毒症严重程度相关(图2B),CLP小鼠模型也表现出类似的差异(图S4C)。
为评估该基因 panel 识别脓毒症患者免疫状态的潜力,采用 GLM、SVM、XGB 和 RF 四种机器学习算法构建预测模型。GSE65682 数据集按分层随机抽样拆分(70%/30% 训练/测试;固定种子),并在训练集上使用重复五折交叉验证(5 × 10)以 ROC-AUC 为选择指标优化超参数。独立外部数据集 GSE154918 仅用于验证模型。生成 ROC 曲线以评估各模型的预测性能(图 2C)。对于外部队列的分类指标,我们采用预先设定的概率截断值,该截断值通过最大化 Youden's J 在内测试集上选定(即固定截断值延续至外部验证),并报告敏感性、特异性和准确性(表 S2);精确二项 95% CI 和混淆矩阵见补充材料(表 S3)。外部队列的区分能力仍然很强(AUC,DeLong 95% CI):RF 0.891(0.764–0.991),SVM 0.905(0.812–0.997),XGB 0.900(0.810–0.990),GLM 0.909(0.809–1.000)。在固定内部截断值下,各模型特异性均为 1.000,敏感性范围为 0.432–0.818,准确性为 0.490–0.837(表 S2)。最后,创建了基于 GLM 的列线图(图 2D),其敏感性和特异性通过 ROC 分析从模型预测概率中得出,展示了一种可靠的方法,用于预测个体免疫状态并指导脓毒症患者的个体化辅助治疗。
我们进一步尝试使用该基因 panel 连同患者年龄和性别,预测 ICU 入住后 3 天的多器官衰竭(MOF)(详细队列获取见方法部分)。尽管 AUC 超过 0.7(图 S7),但其对多器官衰竭的预测效能低于其预测免疫状态的性能,这与其作为免疫状态标志物的设计一致。由于 MOF 是受血流动力学、代谢、感染和医源性因素影响的多因素下游结局,预期从免疫状态到短期 MOF 风险仅存在部分传递。
ISS 基因 panel 识别氢化可的松或胸腺素治疗死亡风险升高的亚组
为评估该基因 panel 的临床相关性,在来自双盲、随机分组的脓毒症患者的 99 份外周血样本中检测了目标基因的 mRNA 水平。基于四基因 panel 表达谱的共识聚类用于根据脓毒症中两种不同的免疫状态(ISS,表 1,图 S6)对样本进行分类。ISS1 以四个免疫相关基因的低表达为特征(图 3A),代表具有免疫抑制内型的脓毒症亚组。在外部队列(n = 99)中,ISS2 的中位年龄高于 ISS1(76 岁 vs 68 岁,P = 0.0358)。SOFA 评分在 ISS2 中显示出数值更高的非显著趋势(11 vs 9,P = 0.0517)。除这些变量外,基线特征大致相似(表 1)。这些发现表明,ISS 分层可区分免疫内型,而未引入重大基线失衡,其中年龄显示出最明显的差异。四基因评分与 ssGSEA 综合评分呈正相关,且 Immunity-H 与 ISS2 在很大程度上重叠(图 S8)。这些发现阐明了整体免疫活性分层(Immunity-H/L)如何映射到四基因内型(ISS1/ISS2)。在 ISS2 内,氢化可的松组的基线严重程度高于无氢化可的松组——体温更高(37.8 vs 37.4 °C,P = 0.0333)、APACHE II 更高(24 vs 18,P = 0.0168)、脓毒性休克更多(95.2% vs 69.2%,P = 0.0305)——并表现出更高的 28 天和 90 天死亡率(52.4% vs 11.5%,P = 0.0036;61.9% vs 11.5%,P = 0.0005;表 2)。对于 ISS2 中的胸腺肽,治疗组的若干炎症/严重程度标志物和 ICU 住院时间更高,90 天死亡率更高(57.1% vs 24.2%,P = 0.045;28 天无显著性;表 3)。鉴于这些基线失衡,ISS2 内氢化可的松使用与结局之间的关联应谨慎解释,不应视为因果关系。Logistic 回归分析显示,在 ISS2 中接受氢化可的松(OR = 12.46 [3.11, 65.72],P = 0.0009)或胸腺肽(OR = 4.17 [1.13, 16.51],P = 0.0347)治疗与更高的 90 天死亡率相关(图 3B 和 C)。作为稳健性检查,使用弱信息先验的贝叶斯 logistic 回归产生了方向一致的效应;完整后验摘要见补充材料(表 S7,氢化可的松;表 S8,胸腺肽)。而氢化可的松在 ISS2 中也与更高的 28 天死亡率相关(OR = 8.43 [2.12, 43.72],P = 0.0047;表 S1)。在包含治疗 × 内型交互项的模型中,氢化可的松显示出 ISS2 特异性风险升高(HR_ISS2 = 7.44)相对于 ISS1(HR_ISS1 = 2.02),交互作用方向为正但检验效能不足(Wald P = 0.109);胸腺肽显示出较弱且非显著的交互作用(Wald P = 0.454),HR_ISS2 = 2.52,HR_ISS1 = 1.37(详见表 S9–S12)。
此外,进行了倾向性评分匹配(PSM)以平衡不同亚组患者的基线特征。该方法旨在尽量减少混杂偏倚并增强亚组之间的可比性,从而能够更稳健地评估各亚组内的效应。共有72对匹配样本纳入logistic回归分析。ISS1的模型在拟合过程中未收敛,可能由于样本量有限。相比之下,ISS2模型成功收敛,显示在ISS2中使用氢化可的松与较高的90天死亡率(P = 0.0268)和28天死亡率(P = 0.0373)相关。这些发现支持了我们关于氢化可的松影响的关键结论。尽管ISS1的模型拟合不佳,但从ISS2得出的结论的可靠性和科学有效性不受影响。在ISS2中,比较氢化可的松与无治疗的层内PSM产生了6对匹配(N = 12)。在匹配样本中,Firth惩罚logistic回归显示:90天死亡率:OR = 47.7 [2.94–7830.01],P = 0.0041;28天死亡率:OR = 23.4 [1.59–3579.50],P = 0.0188(表S4)。效应方向与主要分析一致。鉴于样本量有限和潜在分离,较宽的置信区间需要谨慎解读。这些发现提示,脓毒症的准确分层可能提高临床试验中免疫治疗的有效性。
讨论
本研究开发并鉴定了一个脓毒症免疫状态基因组合。基于ISS基因组合对脓毒症进行分层显示,在ISS2亚组中,氢化可的松或胸腺素治疗与更高的死亡率相关。这些发现提示,根据免疫状态直接对脓毒症进行分层有助于免疫治疗的精准应用。我们的发现与既往研究一致,既往研究报道SRS2/IA-P内型患者接受皮质类固醇治疗时死亡率显著更高[16, 19]。然而,这些研究中用于类固醇治疗反应的患者分层基于RNA-seq数据,而我们使用的是RT-PCR,后者更适合临床实践。该方法可将患者免疫分层所需时间缩短至仅数小时。此外,脓毒症生物标志物的开发旨在以更少的标志物实现准确分层,而使用数十个基因作为分层标志物可能对未来的潜在快速诊断开发构成挑战。我们提出了一种简化的四基因工具用于评估脓毒症免疫状态。我们的结果进一步拓展了基于免疫状态的分层在免疫治疗中的应用,对胸腺素的差异反应可扩展至其他免疫治疗。值得注意的是,氢化可的松和胸腺素在脓毒症免疫治疗中的作用并不完全一致,不同药物在ISS分层中的机制差异仍有待进一步探索。
本研究的主要局限性在于临床免疫治疗验证是在单中心、双盲、随机队列中进行的。另一局限性在于免疫细胞分数是通过CIBERSORT反卷积算法估算的,该算法可能无法完全捕捉外周血免疫浸润。综上所述,我们的数据支持以下概念:简化的四基因组合可反映脓毒症免疫状态,并可能有助于识别对氢化可的松或胸腺素具有差异反应的亚组,未来工作可开发快速床旁检测以支持ICU决策。然而,由于随机双盲队列(n = 99)对正式的治疗×内型检验把握度不足,我们的交互分析为探索性且不精确(氢化可的松:Wald P = 0.109;胸腺素:Wald P = 0.454),尽管分层特异性风险比提示氢化可的松效应在ISS2中更强。结合单中心设置以及使用基于反卷积的细胞分数,这些限制限制了结果在类似ICU人群之外的推广性。有必要开展把握度充分的多中心研究,采用预设的交互假设、内型分层随机化以及针对交互效应的样本量计算,以确认临床效用。
我们建议推动脓毒症生物标志物研究从诊断和预后方法向解决特定临床问题的范式转变。患者的免疫内型对脓毒症的精准治疗至关重要[20, 21],识别脓毒症的免疫状态应成为该领域的研究优先事项。
补充信息
附加文件1。
参考来源
- Gao C, Lu X, Jiang Y, et al. Development of a gene panel for immune status assessment in sepsis. Ann Intensive Care. 2025. PMID: 41139765. doi:10.1186/s13613-025-01594-1
- 全文:PMC12554855(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12554855/
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。