基于49项结核病转录组数据集的基因特征跨研究可重复性分析

本研究针对结核病(TB)基因特征跨研究异质性难题，构建了首个手动整理的TB转录组数据库curatedTBData，整合49项人类血液转录组研究。通过系统评估72个TB基因标志物，发现19个标志物在区分活动性TB与健康对照时加权平均AUC达0.94，7个标志物在区分活动性TB与潜伏感染(LTBI)时AUC达0.93。该资源为开发跨队列通用型诊断标志物提供了标准化分析平台。

　　

结核病(TB)作为全球致死率最高的传染病，每年导致约1000万人罹患活动性肺结核(PTB)，而全球约18亿人携带结核分枝杆菌处于潜伏感染(LTBI)状态。尽管GeneXpert MTB/RIF等新技术提升了诊断效率，但在儿童TB、少菌型TB及合并症患者中仍存在诊断盲区。血液基因表达特征虽展现出诊断潜力，但受限于研究异质性（地域差异、年龄分层、合并症状态）、统计方法不一致及模型过拟合等问题，现有标志物的跨研究可重复性始终是悬而未决的科学难题。

针对这一挑战，由W. Evan Johnson和Prasad Patil领衔的研究团队开发了curatedTBData——首个通过R/Bioconductor平台发布的结核病转录组资源库。该研究系统整合了49项人类血液转录组数据集（含34项标志物开发队列和11项验证队列共679样本），采用MultiassayExperiment架构实现原始数据、标准化数据与临床元数据的统一管理。通过标准化预处理流程，研究人员对72个已发表的TB基因特征进行跨研究验证，发现Blankley_5等特征在区分PTB与健康对照时表现出0.94的加权AUC（95%CI:0.87-0.98），而Bloom_RES_268等特征在PTB与LTBI鉴别中达到0.93的AUC值。研究还创新性地采用ssGSEA（单样本基因集富集分析）和PLAGE（通路水平分析）双算法验证，并探索了集成学习策略提升预测效能。该成果发表于《Tuberculosis》，为TB精准诊断提供了里程碑式的研究范式。

关键技术方法包括：1) 基于TBSignatureProfiler包的72个TB特征系统评估；2) 采用ssGSEA和PLAGE算法计算加权AUC；3) MultiassayExperiment框架下的多组学数据整合；4) 标准化预处理流程消除批次效应；5) 集成学习策略优化预测模型。

【研究结果】

1. Study selection
   通过阶梯式筛选策略优先纳入34项用于标志物开发的训练集，补充11项文献验证队列，最终构建含49项研究的资源库。数据持续更新机制确保纳入最新研究成果。

2. Overall performance of TB gene signatures
   在PTB vs 健康对照比较中，Blankley_5等3个特征通过ssGSEA获得0.94加权AUC，Maertzdorf_15等3个特征通过PLAGE达到同等效能。PTB vs LTBI比较中，Bloom_RES_268等特征表现最优（AUC=0.93）。研究同时发现不同算法对特征性能评估存在显著差异。

3. Discussion
   研究揭示了现有TB标志物在跨研究验证中的性能波动，强调临床异质性和分析方法对结果的影响。数据库填补了TB转录组研究缺乏标准化比较平台的空白，其结构化元数据支持合并症等亚组分析。

4. Contribution summary
   curatedTBData首次实现TB转录组数据的"即插即用"式分析，支持从标志物验证到新特征发现的完整研究流程。研究证实集成学习可提升单一标志物的泛化能力，为开发适应不同流行病学场景的诊断工具奠定基础。

【结论与意义】
该研究通过构建全球最大的标准化TB转录组资源库，系统揭示了现有血液基因特征的性能边界与局限性。研究发现约26%的TB标志物在跨研究验证中保持0.90以上AUC，其中Blankley_5等特征展现出优异的稳定性。研究创新点在于：1) 建立可扩展的数据整合框架；2) 开发标准化分析流程；3) 证实集成学习策略的增效作用。这项工作不仅为TB诊断研究提供了关键基础设施，其方法论框架更可拓展至其他感染性疾病研究领域。随着更多数据纳入，curatedTBData有望成为结核病精准医学研究的核心引擎，加速从实验室发现到临床应用的转化进程。