基于多组学与人工智能的腹膜透析液生物标志物研究：前沿进展与挑战

《Clinical Kidney Journal》：Peritoneal dialysis effluent biomarkers from a multi-omics and artificial intelligence perspective: advances and challenges

本综述聚焦腹膜透析(PD)患者精准监测的临床难题，系统阐述了如何利用腹膜透析液(PDE)中的多组学生物标志物，结合人工智能(AI)技术，实现对腹膜纤维化(PF)、腹膜失超滤等并发症的早期诊断、预后评估及精准治疗。文章详细总结了转录组、蛋白质组、代谢组等组学技术在PDE生物标志物挖掘中的应用进展，并强调了AI驱动多组学整合在提升模型预测效能、揭示病理机制方面的巨大潜力，为推进PD精准医疗提供了重要方向。

　　

在全球范围内，慢性肾脏病(CKD)影响着超过8.5亿人，其中约530万人进展至终末期肾脏病(ESRD)。腹膜透析(PD)作为ESRD患者重要的肾脏替代疗法(RRTs)之一，因其具备居家治疗、成本效益高、对心脏负荷小以及能更好地保护残余肾功能等优势，约占所有透析治疗的11%。然而，长期PD治疗常伴随严重的并发症，如腹膜透析相关性纤维化(PF)、腹膜功能丧失或感染性腹膜炎(PDAP)，这些因素导致患者不得不提前终止治疗，严重影响其生活质量和预后。因此，对腹膜功能及并发症进行早期、无创的动态监测显得尤为重要。

在此背景下，腹膜透析液(PDE)因其独特的生物学特性受到越来越多的关注。PDE是PD过程中与毛细血管进行溶质交换后直接获得的材料，富含核酸、蛋白质、代谢物、细胞碎片及细胞外囊泡(EVs)等多种生物活性成分。这些成分的动态变化能够准确反映腹膜的结构和功能状态，使得PDE成为动态监测PD患者疾病进展的非侵入性生物标志物的重要来源。

尽管传统的生物标志物（如IL-6、CA125等）在评估腹膜炎症和功能方面有一定价值，但其特异性不足、难以区分局部与全身炎症，且检测方法存在滞后性，限制了其临床广泛应用。近年来，高通量组学技术的迅猛发展为PD生物标志物研究带来了前所未有的深度和广度。转录组学能够揭示基因表达调控机制，蛋白质组学反映蛋白质表达与相互作用，代谢组学则捕捉疾病相关的代谢通路变化。更为重要的是，人工智能(AI)技术，特别是机器学习和深度学习，能够灵活处理数据，擅长挖掘多模态数据中的非线性和高维关系，为整合多组学数据、构建高精度预测模型提供了强大工具。基于AI的多组学分析不仅极大地增进了人们对PF等病理生理机制的理解，也推动了新型生物标志物和治疗靶点的开发。

本研究发表在《Clinical Kidney Journal》，作者团队来自陆军军医大学大坪医院肾脏内科、重庆市肾脏病精准诊疗重点实验室等机构。为系统阐述这一领域的最新进展，研究人员对利用多组学与AI技术开发PDE生物标志物的相关研究进行了全面综述。

研究人员主要通过对现有文献进行系统性梳理和总结，涵盖了转录组学（包括单细胞转录组和非编码RNA测序）、蛋白质组学（特别是细胞外囊泡蛋白质组）、代谢组学、微生物组学以及其他新兴技术（如表观基因组学、糖组学、单细胞外囊泡分析）在PDE生物标志物研究中的应用。同时，重点分析了多组学技术整合的策略以及AI算法在构建预测模型、解析复杂分子网络中的作用。研究还关注了来自临床PD患者的PDE样本队列分析，以评估这些生物标志物的临床转化潜力。

基于多组学的PDE生物标志物研究进展

转录组学

转录组测序技术助力了PD相关损伤评估、PDAP和患者预后的研究。研究发现CD24可能是监测腹膜损伤的潜在生物标志物，CD14+巨噬细胞与CD1c+树突状细胞比值升高可能预测复发性腹膜炎和早期导管故障。单细胞转录组技术揭示了CCL5在免疫细胞浸润和纤维化进程中的作用，并绘制了长期PD患者腹膜微环境的细胞图谱，阐明了巨噬细胞、T细胞和腹膜间皮细胞(PMC)亚群在PF中的协同作用。此外，AQP1的下调可作为超滤衰竭(UFF)的早期诊断指标，自噬相关基因MAP1LC3B可能是潜在治疗靶点。非编码RNA测序，特别是microRNA(miRNA)测序，发现miR-223和miR-31可作为细菌感染的有效预测因子，而miR-129-5p的下调与PF密切相关。相较于游离miRNA，细胞外囊泡内的miRNA因其被磷脂双分子层包裹而表现出更优的稳定性，例如巨噬细胞来源的外泌体miR-204-5p被确定为靶向PF的有效成分。

蛋白质组学

检测PDE中的关键蛋白水平是识别潜在生物标志物的可靠策略。研究发现转铁蛋白可作为感染性腹膜炎发展的生物标志物，IL-6、IL-18和FLT3LG有潜力作为预测PD患者炎症状态的早期生物标志物。对于包裹性腹膜硬化(EPS)， intelectin-1和dermatopontin等蛋白水平特异性升高，为其早期诊断提供了分子基础。PDE中的细胞外囊泡富含蛋白质、DNA、RNA和代谢物，其蛋白质组分析能够比传统的腹膜平衡试验(PET)更早地揭示腹膜功能恶化的信号动态变化。例如，含有水通道蛋白1(AQP1)的外泌体可作为透析效率的指标，糖蛋白96(GP96)可用于评估腹膜炎症状态和溶质转运速率(PSTR)，蛋白酪氨酸磷酸酶4A1(PTP4A1)则与PD治疗时长和腹膜功能下降相关。

代谢组学

PDE富含氨基酸、糖类、脂质及其衍生物等代谢物。基于代谢组学技术，PDE中的生物标志物可用于预测腹膜功能障碍的发生、早期预后和PD相关并发症的风险。研究显示，丙氨酸、肌酐、葡萄糖、乳酸以及瓜氨酸、胆碱等小分子代谢物可用于区分高转运和低转运类型。丙氨酰-谷氨酰胺(AlaGln)补充相关的代谢组学变化表明其具有抗氧化效应。非靶向代谢组学分析揭示，犬尿氨酸及其代谢物水平与PD患者的炎症、氧化应激和冠状动脉疾病相关。

微生物组学

肠道微生物组通过代谢物调节、炎症反应激活和免疫调节等途径参与PF过程。与CKD相关的肠道菌群改变导致肠屏障功能障碍，使微生物及其碎片、毒素进入腹腔，引发腹腔内和全身性慢性低度炎症，从而促进PF。微生物组测序发现，PDE中细菌DNA片段和氧化三甲胺(TMAO)水平可预测复发性腹膜炎，TMAO还与肾纤维化进展加速有关。此外，肠道菌群失调与营养不良、认知障碍相关，而干酪乳杆菌Zhang(LCZ)可通过重塑肠道菌群激活PPAR-γ并抑制NF-κB介导的炎症来预防PF。

其他新技术

全基因组微阵列分析发现TSP1、COL13和VEGFA可作为超滤功能下降的标志物。糖组学方法用于分析PD患者样本的糖基化谱，单细胞外泌体分析技术也为PDE中外泌体生物标志物的深入研究提供了新方向。

多组学技术整合与AI驱动的创新方法

单一组学技术通常只提供生物系统某一层面的信息，而整合多组学技术能帮助我们在多个层面上更深入地理解生物标志物与疾病之间的复杂关系。例如，整合单细胞转录组和代谢组数据揭示了腹膜间皮细胞(PMC)中高糖酵解驱动的间皮-间充质转化(MMT)和PF的病理机制，提示代谢酶和相关miRNA可作为潜在干预靶点。整合miRNA组和转录组数据分析证实miR-21通过抑制PDCD4等基因促进纤维化。结合单细胞RNA测序和外泌体蛋白质组技术，研究发现阻断EV分泌或敲低整合素连接激酶(ILK)表达能显著抑制成纤维细胞活化和PF进展。联合蛋白质组和转录组分析揭示了αB-晶状体蛋白在PD相关血管生成和纤维化中的核心作用。利用微生物组和代谢组联合分析，研究探讨了肠道微生物来源的关键内源性代谢物在PD患者中的作用。

AI技术，如机器学习和深度学习，正逐步融入PD研究的各个方面。研究人员利用AI算法处理和整合快速增长的组学数据，分析疾病进展的潜在分子网络，提高疾病检测的准确性。例如，MAUXI模型结合Extra Trees和线性判别分析(LDA)，基于PDE中与MMT相关的分子特征预测PD技术生存和失败。将转录组学与AI结合有助于EPS的早期诊断，该研究将五种miRNA比值与临床特征结合，使用AdaBoost、随机森林等算法构建了具有良好诊断性能的预测模型。在微生物学与AI结合领域，研究发现PD液中细菌多样性降低与PD技术失败独立相关，并基于Cox比例风险模型构建了预测评分。通过整合XGBoost、随机森林和支持向量机(SVM)等机器学习算法，基于GEO转录组数据筛选出SOCS1等PF潜在生物标志物。AI还能通过多组学数据实现PD患者糖尿病的个性化营养管理。

研究结论与展望

本综述系统总结了基于转录组、蛋白质组、代谢组等多组学技术结合AI整合多维数据的最新发现，为PD并发症和预后提供了有前景的非侵入性生物标志物和预测模型。当前研究已超越单分子检测的局限，向多组学整合和AI预测模型迈进。基于AI的多组学分析在PDE生物标志物开发方面潜力巨大，有望显著改善PD患者预后，最终推动精准医疗的实现。

然而，该领域仍面临诸多挑战。组学数据方面，存在高异质性、实验方案和质量控制标准不统一、数据整合困难等问题。PDE样本的收集、储存和处理流程缺乏共识加剧了批次效应。在AI层面，小样本量和批次效应增加了模型过拟合风险，降低了其泛化能力。临床转化方面，现有研究多为实验室基础研究或单中心小样本临床研究，缺乏大规模、多中心、前瞻性队列研究的外部验证，限制了模型的临床适用性和推广价值。此外，AI应用还面临伦理争议、隐私问题、数据泄露风险、模型可解释性不足以及维护成本高等挑战。

未来工作需聚焦于建立标准化技术框架，加强跨学科合作，创建数据共享机制，以克服当前技术瓶颈，推动PDE生物标志物研究的临床转化。通过分阶段实施，在大型多中心队列中验证模型的泛化能力，将多组学数据整合到动态预测模型中以提高生物标志物的时间敏感性，并结合可解释AI技术阐明关键特征基因的生物学意义，提升临床可信度。最终，多组学技术与AI的深度融合将进一步提升生物标志物的发现效率和临床价值，为患者提供更精准的诊断和治疗方案。