基于机器学习整合分析揭示浆细胞相关基因标志物ST6GAL1在特发性肺纤维化中的关键作用

本研究针对特发性肺纤维化(IPF)预后评估和治疗靶点匮乏的临床难题，通过单细胞测序(scRNA-seq)和加权基因共表达网络分析(WGCNA)筛选浆细胞相关基因，结合机器学习构建了包含ST6GAL1等7个基因的预后模型(PCRGS)。该模型在独立队列中验证具有优异预测性能(5年AUC=0.87)，实验证实ST6GAL1在博来霉素诱导的小鼠肺纤维化中高表达，分子对接预测槲皮素为其潜在抑制剂，为IPF免疫治疗提供新靶点。

　　

特发性肺纤维化(IPF)是一种致死率高的慢性进行性肺部疾病，中位生存期仅3-5年。尽管现有药物如吡非尼酮和尼达尼布可延缓疾病进展，但患者响应率有限，且缺乏有效的预后评估手段。近年研究发现，IPF患者肺部存在浆细胞异常浸润和自身抗体产生，提示适应性免疫失调可能是疾病进展的关键推手。然而，浆细胞相关分子如何影响IPF预后仍不明确，这成为临床精准诊疗的重要瓶颈。

针对这一科学问题，广州医科大学附属第一医院呼吸疾病国家重点实验室的研究团队开展了一项创新性研究。通过整合多组学数据和机器学习算法，首次建立了浆细胞相关基因标志物(PCRGS)，并发现ST6GAL1可作为潜在治疗靶点。相关成果发表于《BMC Pulmonary Medicine》，为IPF的免疫调控机制研究和个体化治疗提供了新思路。

研究采用四大关键技术：1) 基于GSE132771和GSE150910队列的单细胞转录组分析鉴定浆细胞标记基因；2) 应用WGCNA筛选与IPF状态最相关的基因模块；3) 通过101种机器学习算法组合构建预后模型；4) 利用博来霉素诱导的小鼠肺纤维化模型和空间转录组(ST-seq)验证核心基因表达定位。

scRNA-seq数据解析肺部免疫微环境
分析25,043个肺部细胞发现，IPF患者浆细胞比例呈上升趋势。通过UMAP聚类鉴定出17种细胞类型，其中浆细胞特异性表达97个标记基因，GO分析显示这些基因主要参与蛋白加工和免疫应答。

WGCNA揭示关键基因模块
构建基因共表达网络识别出与IPF最相关的yellowgreen模块(含84个基因)，该模块与浆细胞浸润水平显著正相关(r=0.41)。筛选出44个枢纽基因，其中ST6GAL1同时满足MM>0.7和GS>0.2的标准。

机器学习构建稳健预后模型
整合30个候选基因，通过CoxBoost和弹性网络(Enet)算法最终确定包含SLAMF7、JCHAIN、ST6GAL1等7个基因的PCRGS。在验证队列中，该模型3年预测AUC达0.72，显著优于22个已发表标志物(C-index=0.711)。多因素分析证实PCRGS是独立预后因素(HR=2.18, P<0.01)。

ST6GAL1的实验验证与机制探索
免疫荧光显示ST6GAL1与浆细胞标记CD138在纤维化区域共定位，Western blot证实博来霉素组St6gal1蛋白表达升高1.8倍(P<0.01)。网络药理学预测槲皮素能以-7.5 kcal/mol结合能靶向ST6GAL1，形成THR483和SER322氢键的稳定复合物。

这项研究开创性地建立了IPF浆细胞相关分子预后体系，突破性地发现ST6GAL1通过调控β1-整合素/AKT和Wnt/β-catenin通路可能参与纤维化进程。不仅为临床预后评估提供了新型生物标志物，更通过槲皮素的靶向预测为免疫调节治疗开辟了新途径。未来需在更大规模队列中验证PCRGS的普适性，并深入探究ST6GAL1介导浆细胞活化的具体分子机制。