多组学与机器学习联用鉴定活动性结核病的免疫代谢生物标志物：区分非结核分枝杆菌感染与潜伏感染的关键突破

本研究通过多组学(omics)整合机器学习方法，成功鉴定出可区分活动性结核病(TB)与非结核分枝杆菌(NTM)感染、潜伏结核感染(LTBI)及其他肺部疾病(ODx)的循环免疫代谢生物标志物。研究人员通过对三个队列(发现队列76例TB-NTM患者和72例TB-LTBI-ODx患者，验证队列68例TB和30例LTBI患者)的功能组学数据分析，发现血浆多组学生物标志物在区分活动性TB与非TB时表现出优异性能(AUC 0.70-0.90)，其中脂质PC(14:0_22:6)被确认为最具区分度的生物标志物。该研究为结核病精准诊断提供了新思路。

　　

结核病(Tuberculosis, TB)至今仍是全球重大公共卫生威胁，但临床上面临着与潜伏结核感染(Latent TB Infection, LTBI)、非结核分枝杆菌(Nontuberculous Mycobacteria, NTM)感染鉴别的重大挑战。传统诊断方法存在灵敏度不足、特异性有限等问题，迫切需要寻找可靠的生物标志物。

研究人员开展了一项开创性研究，采用多组学(omics)整合机器学习的方法，系统探索了活动性TB的免疫代谢特征。研究设计严谨，包含两个发现队列(76例TB-NTM患者和72例TB-LTBI-其他肺部疾病患者)和一个验证队列(68例TB患者和30例LTBI患者)。通过全面的组学分析和机器学习建模，成功鉴定出三组血浆多组学生物标志物，这些标志物在区分活动性TB与非TB时表现出稳定且优异的诊断性能，受试者工作特征曲线下面积(Area Under the ROC Curve, AUC)达到0.70-0.90。

研究最关键的发现是确定了脂质分子PC(14:0_22:6)作为区分活动性TB的最重要预测因子。该分子在活动性TB患者中呈现显著低表达模式，这一发现在两个独立外部验证数据集中得到进一步证实(AUC 0.77-1.00)。研究还通过功能分析揭示了TB相关免疫代谢通路的变化特征，为理解TB发病机制提供了新视角。

在技术方法方面，研究主要采用了：1)多中心队列样本收集策略；2)高通量代谢组学和脂质组学分析技术；3)机器学习算法构建预测模型；4)独立队列验证策略。

研究结果部分显示：

1. "组学特征筛选"：通过整合代谢组和脂质组数据，鉴定出TB特异性分子特征
2. "机器学习模型构建"：开发了基于随机森林等算法的诊断模型，AUC达0.89
3. "关键生物标志物验证"：PC(14:0_22:6)在所有验证集中保持稳定区分能力
4. "通路分析"：发现TB患者中甘油磷脂代谢通路显著改变

结论部分强调，该研究首次系统鉴定了可用于TB鉴别诊断的免疫代谢生物标志物谱，特别是确立了PC(14:0_22:6)的诊断价值。这些发现不仅为TB精准诊断提供了新工具，也为理解TB发病的代谢调控机制提供了重要线索。研究采用的"多组学+机器学习"策略为复杂感染性疾病的生物标志物发现提供了范式。论文发表在《Journal of Proteome Research》，对推动结核病诊疗水平提升具有重要意义。