基于多组学整合机器学习鉴定川崎病炎症相关诊断标志物及免疫异质性分型研究

本研究针对川崎病(KD)缺乏可靠诊断标志物和免疫异质性难题，通过整合多队列转录组数据和机器学习算法(LASSO/Boruta/SVM-RFE/Random Forest)，鉴定出ADM/ALPL/FCGR1A/HP/S100A12/SLC22A4六个高精度诊断标志物(AUC>0.9)，并首次将KD分为中性粒细胞/Treg主导(Cluster1)和B细胞/CD8+T细胞主导(Cluster2)两种免疫亚型，为精准免疫治疗提供新框架。

　　

川崎病(KD)作为儿童获得性心脏病的主要病因，其诊断和治疗面临两大核心挑战：缺乏特异性生物标志物导致误诊率高，以及免疫异质性造成标准化治疗响应差异。尽管静脉注射免疫球蛋白(IVIG)联合阿司匹林是标准疗法，但10-20%患者存在IVIG耐药。更棘手的是，KD临床表现常与其他儿科发热性疾病重叠，特别是非典型病例的冠状动脉病变风险更高。现有研究虽提示ITPKC等基因多态性与疾病相关，但尚未建立连接分子特征与免疫表型的系统性分析框架。

针对这些临床痛点，中国的研究团队在《Pediatric Rheumatology》发表创新性研究。他们整合GSE68004等4个 GEO 数据集，采用差异表达分析、加权基因共表达网络分析(WGCNA)和四种机器学习算法(LASSO/Boruta/SVM-RFE/Random Forest)筛选标志物，结合CIBERSORT/ssGSEA进行免疫浸润分析，并通过共识聚类实现分子分型。

Identification of KD-associated differential genes based on IRGs
研究首先整合GSE68004和GSE73641数据集，经SVA包校正批次效应后，通过limma鉴定出507个差异基因。WGCNA分析锁定与KD最相关的Turquoise模块(含705个IRGs)，最终获得107个重叠上调基因，构成后续分析基础。

Functional characterization of IRG-related differential genes
GO/KEGG分析显示这些基因富集于细胞因子介导的炎症反应(BP)、分泌颗粒组分(CC)和TNF信号通路。STRING构建的PPI网络揭示这些蛋白形成紧密互作网络，提示协同调控KD核心病理机制。

Machine learning-based biomarker screening
四算法交叉验证确定6个核心标志物：ADM(肾上腺髓质素)、ALPL(碱性磷酸酶)、FCGR1A(IgG Fc受体)、HP(结合珠蛋白)、S100A12(钙结合蛋白)和SLC22A4(有机阳离子转运体)。这些标志物间存在强正相关(r>0.7)，构成协调的炎症调控网络。

Diagnostic validation of candidate biomarkers
训练集AUC均>0.98，独立验证集GSE100154(AUC>0.7)和GSE63881(急性/恢复期KD区分AUC>0.9)均表现优异。特别值得注意的是，这些标志物能有效区分KD与人类腺病毒(HAdV)、A组链球菌病(GAS)等易混淆疾病(AUC>0.8)。

Immune infiltration dynamics in KD
CIBERSORT显示KD患者中性粒细胞、单核细胞和Treg显著增加，但CD8⁺T细胞和细胞毒活性降低。EPIC/MCPcounter多平台验证证实B细胞和CD8⁺T细胞浸润减少的特征。

Molecular subtyping of KD
基于6个标志物的共识聚类将KD分为两个亚型：Cluster1(89例)呈现中性粒细胞/Treg优势、TLR信号通路激活；Cluster2(64例)以B细胞/CD8⁺T细胞为主，伴随高细胞毒活性。GSE63881验证集中，Cluster1与IVIG耐药显著相关(p<0.01)。

Construction of regulatory networks
NetworkAnalyst预测ADM受KLF1/9/11等转录因子调控，构成网络核心节点。DrugBank分析显示FCGR1A可与21种药物(如利妥昔单抗)相互作用。miRTarBase鉴定出88个调控miRNA，包括炎症关键调控因子miR-146a-5p和血管功能调节剂miR-126-3p。

这项研究通过多组学整合和机器学习，首次建立了KD的炎症相关诊断标志物系统，并揭示其免疫异质性本质。分子分型结果直接指导临床决策：TLR/NF-κB高活的Cluster1可能受益于TNF-α/JAK-STAT抑制剂，而Cluster2则适合B细胞靶向治疗。调控网络分析不仅阐明分子机制，还筛选出可老药新用的治疗策略(如利妥昔单抗)。该研究为KD精准诊疗提供了从生物标志物发现到临床转化的完整解决方案，对改善IVIG耐药患者预后具有重要价值。未来需通过前瞻性队列验证标志物稳定性，并探索肠道菌群-免疫互作等新机制。