儿童克罗恩病抗肿瘤坏死因子治疗反应的基因表达谱预测模型研究

为解决儿童克罗恩病(CD)抗肿瘤坏死因子(anti-TNF)治疗缺乏有效预测标志物的难题，来自ESPGHAN儿科炎症性肠病Porto组的研究人员通过前瞻性生物样本库和系统评价，构建了基于TREM1、IL23R等5个关键基因的机器学习预测模型，验证队列准确率达82%，为个体化治疗选择提供了新工具。

　　

这项突破性研究揭示了儿童克罗恩病(CD)对抗肿瘤坏死因子(anti-TNF)治疗响应的分子机制。研究团队首先通过系统评价筛选出150个潜在关联基因，随后利用ESPGHAN Porto组前瞻性生物库中20例患儿的回肠活检样本进行RNA测序（13例达到12个月无激素缓解SFR，7例原发性无应答PNR）。

采用最大相关-最小冗余(mRMR)算法构建的支持向量机模型，鉴定出TREM1、IL23R、CCL7、IL17F和YES1五个核心基因标志物。该模型在交叉验证中展现出优异的预测性能：受试者工作特征曲线下面积(AUC)达0.88，灵敏度/特异度分别达到92%和71%。更令人振奋的是，在德国和加拿大22例患儿组成的独立验证队列中，模型准确率仍保持82%，成功识别出唯一PNR病例。

这些发现为临床实践带来重要启示：肠道黏膜中特定基因表达模式可有效预测治疗响应，其中TREM1（触发受体表达髓系细胞1）和IL23R（白细胞介素23受体）等基因的过表达与良好疗效显著相关。研究者特别指出，这组生物标志物有望指导临床医生为儿童CD患者选择最优治疗方案，避免无效治疗带来的经济负担和副作用风险。

该研究由国际多中心团队完成，涉及ESPGHAN（欧洲儿科胃肠病学、肝病学和营养学会）的Porto工作组，以及德国和加拿大的合作机构。值得注意的是，部分作者披露了与制药企业的合作关系，包括AbbVie、Takeda等anti-TNF制剂生产商，但声明这些关系不影响研究客观性。