基于免疫原性细胞死亡相关生物标志物的脓毒症诊断新策略及机制研究

本研究针对脓毒症高死亡率但缺乏有效诊断标志物的临床难题，通过整合生物信息学与机器学习技术，筛选出BCL2、PRF1、CXCR3和EIF2AK3四个免疫原性细胞死亡(ICD)相关生物标志物，其AUC值均超过0.8，并揭示其通过核糖体通路及代谢重编程调控脓毒症进程的机制，为早期诊断和靶向治疗提供了新思路。

　　

脓毒症是全球范围内致死率极高的危重症，其核心病理机制涉及宿主免疫应答失调导致的器官功能障碍。尽管SOFA评分等临床工具的应用使诊断有所改进，但死亡率仍居高不下，现有治疗手段难以有效调控免疫失衡和炎症风暴。免疫原性细胞死亡(ICD)作为一种特殊的程序性细胞死亡形式，通过内质网应激(ER stress)和损伤相关分子模式(DAMPs)释放参与脓毒症进展，但其具体调控机制尚不明确。

为破解这一难题，重庆市中医院重症医学科联合感染科的研究团队开展了一项跨学科研究，通过整合多组学数据和机器学习算法，成功筛选出具有诊断潜力的ICD相关生物标志物，并深入解析其分子机制。研究成果发表于《Scientific Reports》，为脓毒症的精准诊疗提供了新靶点。

研究采用GEO数据库中GSE65682、GSE95233和GSE69528三个脓毒症患者血液样本数据集，结合57个已知ICD相关基因(ICDRGs)，通过差异表达分析、加权基因共表达网络分析(WGCNA)和随机森林(RF)模型筛选关键基因。采用基因集富集分析(GSEA)、基因集变异分析(GSVA)和CIBERSORT算法揭示生物标志物功能及免疫微环境特征，并通过RT-qPCR在临床样本中验证。

结果部分
差异基因与关键模块筛选：从GSE65682数据集鉴定出3983个差异表达基因(DEGs)，WGCNA分析锁定与脓毒症显著相关的darkgrey、paleturquoise和magenta模块，包含3177个关键基因。

候选基因功能解析：交叉分析获得CXCR3、PRF1等6个候选基因，富集分析显示其通过凋亡和自噬通路调控脓毒症，其中BCL2与EIF2AK3在蛋白质互作网络(PPI)中呈现强关联。

机器学习模型验证：RF模型筛选的BCL2、PRF1等5个特征基因中，4个在独立验证集中AUC>0.8。临床样本验证证实PRF1等基因在脓毒症中显著低表达，与CD8⁺T细胞浸润呈正相关。

机制与治疗探索：GSEA显示生物标志物富集于核糖体通路；GSVA揭示脓毒症中β-丙氨酸代谢激活而鞘脂合成抑制。药物预测发现IL-2和emapalumab-lzsg可能靶向PRF1调控免疫应答。

结论与意义
该研究首次系统鉴定了BCL2、PRF1、CXCR3和EIF2AK3作为脓毒症的ICD相关诊断标志物，其通过调控核糖体功能和代谢重编程影响疾病进程。特别值得注意的是，PRF1与CD8⁺T细胞的协同作用为免疫治疗提供了新方向，而EIF2AK3介导的内质网应激通路揭示了自噬调控的潜在价值。临床样本验证强化了生物信息学发现的可靠性，IL-2等靶向药物的预测为转化医学研究奠定基础。这项研究不仅为脓毒症早期诊断提供了高特异性标志物组合，更通过多组学整合策略为复杂疾病的机制解析提供了范式。