基于蛋白质互作网络与机器学习的脓毒症坏死性凋亡生物标志物鉴定及其免疫微环境调控机制研究

本研究针对脓毒症诊断标志物匮乏的临床难题，通过整合GEO数据库转录组数据，运用蛋白质互作网络(PPIN)和机器学习算法筛选出CD40LG、TXN、AIM2三个核心坏死性凋亡相关差异表达基因(hub-NRDEGs)，揭示其与免疫细胞浸润的显著相关性，并通过动物实验验证其诊断价值，为脓毒症早期诊断提供新型分子标记物。

　　

脓毒症作为感染引发的全身炎症反应综合征，其高死亡率（中国90天死亡率达35.5%）和沉重医疗负担始终是重症医学领域的重大挑战。尽管已知线粒体功能障碍、内质网应激等多因素参与发病，但诊断标志物的临床转化效率低下，特别是坏死性凋亡（necroptosis）——这种伴随细胞膜破裂和损伤相关分子模式释放的程序性死亡方式，与脓毒症炎症级联反应的相互作用机制尚未阐明。重庆医科大学的研究团队在《Clinica Chimica Acta》发表的研究中，创新性地通过生物信息学与实验验证相结合的策略，揭示了坏死性凋亡关键基因在脓毒症中的诊断价值及免疫调控作用。

研究团队首先从GEO数据库筛选4个符合标准的人全血转录组数据集（GSE154918等），运用差异表达分析获得4974个脓毒症相关基因，与文献挖掘的336个坏死性凋亡相关基因(NRGs)取交集得到88个坏死性凋亡差异表达基因(NRDEGs)。通过STRING数据库构建蛋白质互作网络(PPIN)结合机器学习算法（LASSO回归和随机森林），最终锁定CD40LG、TXN、AIM2三个hub-NRDEGs。这些基因不仅可区分脓毒症亚型，还与中性粒细胞、巨噬细胞等免疫细胞浸润显著相关。动物实验证实，抑制硫氧还蛋白(TXN)会加剧脓毒症模型的坏死性凋亡，提示其保护性调控作用。

关键技术包括：1）基于GEO队列的转录组差异分析；2）PPIN网络拓扑特征筛选；3）机器学习算法双重验证；4）脓毒症小鼠模型和细胞实验验证。

主要研究发现：

1. NRDEGs筛选与验证：88个NRDEGs中，CD40LG、TXN、AIM2具有最优诊断效能（AUC>0.85），其表达水平可将脓毒症患者分为具有不同信号通路活性的亚群。
2. 免疫微环境关联：hub-NRDEGs与CD4⁺ T细胞、M1型巨噬细胞等呈显著正相关，TXN低表达组显示更广泛的免疫细胞失调。
3. 实验验证：LPS诱导的脓毒症模型中，三个基因的mRNA水平变化与转录组数据一致，TXN抑制剂处理加剧了RIPK3/MLKL通路介导的坏死性凋亡。

该研究首次提出CD40LG-TXN-AIM2三联标志物面板，其价值在于：1）为脓毒症提供高特异性诊断工具；2）阐明坏死性凋亡通过调节免疫微环境参与脓毒症进展的机制；3）提示TXN可能成为干预脓毒症细胞死亡的新靶点。研究不仅推进了对脓毒症分子分型的认识，更为开发基于坏死性凋亡调控的精准治疗策略奠定基础。