基于血浆蛋白质组学的儿童结核病生物标志物发现：多国队列研究与机器学习驱动的诊断模型

本研究针对儿童结核病(TB)诊断难题，通过高通量血浆蛋白质组学分析511例多国儿童样本，结合机器学习方法鉴定出3-6个蛋白质组成的生物标志物组合(AUC 0.87-0.88)，达到WHO筛查测试标准。该研究首次在儿童群体中发现WARS1等特异性标志物，为开发非痰液诊断工具提供新思路，对改善全球儿童结核病管理具有重要意义。

　　

结核病仍是全球传染病致死的主要原因，儿童患者面临更严峻的诊断困境。由于难以获取合格痰标本，目前96%的儿童结核病死亡发生在未接受治疗的患者中。现有诊断方法灵敏度不足，特别是对HIV感染或营养不良患儿更易漏诊。这促使全球急需开发基于宿主反应的儿童特异性诊断标志物。

J. David Gladstone Institutes的研究团队在《Nature Communications》发表突破性研究，通过多中心合作收集511例来自非洲和南美四国的儿童样本，涵盖确诊TB、临床诊断TB和非TB呼吸道疾病组。研究采用数据非依赖采集(DIA-PASEF)质谱技术实现高通量血浆蛋白质检测（35分钟/样本），平均每个样本定量498种蛋白质，动态范围跨越4个数量级。通过机器学习筛选出3-6个蛋白质的最优组合，在独立验证集中达到90%敏感性和70%特异性的WHO标准。

研究首先通过质谱分析发现47个差异蛋白，其中色氨酰t-RNA合成酶(WARS1)在确诊TB组显著上调(log₂FC=0.39)，与色氨酸代谢通路激活相关。免疫球蛋白可变区(IGHV1-18等)的寡克隆表达提示特异性体液免疫应答。补体激活通路显著富集，反映结核分枝杆菌细胞壁成分引发的先天免疫反应。

Machine learning based identification of a TB biosignature

通过LASSO回归筛选50个特征蛋白后，采用穷举法评估所有3-6蛋白组合。四蛋白模型(WARS1/APOM/TNC/CD44)表现最优，测试集AUC达0.88(95%CI 0.83-0.99)。单个蛋白诊断效能有限(AUC 0.58-0.75)，组合后显著提升。载脂蛋白M(APOM)的下调(log₂FC=-0.45)与结核病相关的脂代谢紊乱一致。

Detection of unconfirmed TB

模型在115例临床诊断TB中预测63%为阳性，这些病例在蛋白质表达谱上与确诊TB高度相似。值得注意的是，所有模型均能区分活动性TB与潜伏感染，证明标志物组合对疾病状态的特异性。

该研究建立了首个经多国验证的儿童结核病血浆蛋白质诊断模型，其创新性体现在三方面：技术上实现微量血浆(1μL)的高通量检测；生物学上发现儿童特有的WARS1等标志物；临床上达到WHO筛查工具标准。标志物组合在资源有限地区尤其有价值，只需简单血液检测即可辅助诊断。未来需在婴幼儿、HIV感染等高风险亚群中进一步验证，并开发适合基层医疗的检测形式。这项工作为终结儿童结核病死亡提供了重要的诊断工具研发基础。