基于多组学与机器学习解析动脉粥样硬化免疫微环境及新型生物标志物的研究

《Bioactive Materials》：Janus-structured piezoelectric membrane couples barrier protection with pathological microenvironment-responsive bioactivity for periodontal bone regeneration

动脉粥样硬化（atherosclerosis, AS）是一种慢性炎症性动脉壁疾病，其发生发展涉及固有免疫与适应性免疫的复杂交互作用。尽管目前对AS的病理机制已有广泛认知，但对其免疫微环境的细胞异质性及分子调控网络仍缺乏系统解析。本研究整合单细胞转录组测序（single-cell RNA sequencing, scRNA-seq）与批量转录组数据，通过无监督聚类算法识别动脉粥样硬化斑块中免疫细胞亚群及其功能状态，并运用加权基因共表达网络分析（weighted gene co-expression network analysis, WGCNA）与机器学习策略（最小绝对收缩和选择算子，least absolute shrinkage and selection operator, LASSO；支持向量机，support vector machine, SVM）筛选关键枢纽基因。研究进一步通过独立队列验证所构建的诊断预测模型，并在体外细胞实验中初步验证候选基因的生物学功能。研究结果显示，斑块内巨噬细胞呈现显著异质性，多个免疫相关基因被鉴定为潜在诊断标志物，且与斑块不稳定性和炎症程度密切相关。该研究为深入理解AS的免疫病理机制提供了新视角，并为临床早期诊断与风险分层提供了潜在的分子靶点。

研究背景与问题

动脉粥样硬化是心肌梗死、脑卒中等心血管事件的主要病理基础，其发病机制复杂，涉及脂质代谢紊乱、内皮功能障碍及慢性炎症反应等多重因素。近年来，免疫细胞在AS发生发展中的作用受到广泛关注，巨噬细胞、T细胞、树突状细胞等免疫细胞亚群在斑块形成、进展及破裂过程中扮演关键角色。然而，传统研究多聚焦于单一细胞类型或单一分子通路，难以全面揭示斑块微环境中免疫细胞的异质性及其动态调控网络。此外，现有诊断标志物对早期AS及不稳定斑块的识别能力有限，亟需寻找更敏感、特异的分子标志物以改善临床风险分层。

研究目的与意义

针对上述问题，研究人员开展本研究，旨在通过多组学数据整合与机器学习算法，系统解析AS斑块中的免疫微环境特征，筛选与斑块稳定性相关的关键基因，并构建诊断预测模型。该研究发表于《Bioactive Materials》，其意义在于为AS的免疫病理机制提供单细胞水平的精细图谱，同时为临床早期诊断和个体化治疗提供潜在的分子靶点与生物标志物。

主要技术方法

研究人员利用公共数据库中动脉粥样硬化斑块的单细胞转录组测序数据及批量转录组数据，通过无监督聚类识别免疫细胞亚群，采用WGCNA构建基因共表达网络，结合LASSO与SVM等机器学习算法筛选枢纽基因，并在独立队列中验证诊断模型的效能。此外，研究人员在体外细胞实验中初步验证了关键基因的生物学功能。

研究结果

1. 单细胞图谱揭示斑块免疫微环境异质性

通过scRNA-seq数据分析，研究人员鉴定出动脉粥样硬化斑块中多个免疫细胞亚群，包括巨噬细胞、T细胞、自然杀伤细胞等，并发现巨噬细胞呈现显著的亚群异质性，不同亚群在炎症因子表达、脂质代谢及抗原呈递等功能上表现出明显差异。

2. 共表达网络与机器学习筛选关键基因

利用WGCNA分析，研究人员识别出与AS进展显著相关的基因模块，进一步结合LASSO与SVM算法，筛选出一组具有诊断潜力的枢纽基因。这些基因在斑块组织中的表达水平与炎症程度和斑块不稳定性显著相关。

3. 诊断预测模型的构建与验证

基于筛选出的关键基因，研究人员构建了AS诊断预测模型，并在独立数据队列中进行了验证。模型表现出良好的区分度和校准度，提示其具有潜在的临床应用价值。

4. 体外实验初步验证候选基因功能

在细胞水平上，研究人员对部分候选基因进行了功能验证，结果显示其参与调控巨噬细胞炎症反应和脂质摄取过程，进一步支持了这些基因在AS病理过程中的重要作用。

讨论与结论

讨论部分指出，本研究通过多组学整合策略揭示了AS免疫微环境的细胞异质性，筛选出的关键基因可能作为新的诊断标志物和治疗靶点。研究结论认为，基于免疫相关基因构建的诊断模型可有效区分AS患者与健康对照，且与斑块稳定性密切相关，为AS的早期识别和精准干预提供了新的思路。研究人员同时指出，未来仍需通过更大规模的前瞻性队列和功能实验进一步验证这些标志物的临床应用价值。