《Immunity, Inflammation and Disease》：Integrative Network Analysis and Machine Learning Identify Cell Adhesion-Related Biomarkers and Immune Heterogeneity in Allergic Rhinitis
编辑推荐：
专业术语翻译（摘要部分）
背景：变应性鼻炎（allergic rhinitis，AR）是一种高度流行的鼻黏膜炎性疾病，但能够捕获其疾病特异性转录特征的分子指标仍定义不足。本研究旨在识别AR中细胞黏附相关的诊断生物标志物，并探讨其免疫相关性及分子异质性。
方法：
专业术语翻译（摘要部分）
背景：变应性鼻炎（allergic rhinitis，AR）是一种高度流行的鼻黏膜炎性疾病，但能够捕获其疾病特异性转录特征的分子指标仍定义不足。本研究旨在识别AR中细胞黏附相关的诊断生物标志物，并探讨其免疫相关性及分子异质性。
方法：研究人员分析了公开可用的AR微阵列数据集，其中GSE75011作为发现数据集，GSE46171和GSE40037用于检验诊断模型的可重复性。研究人员从MSigDB中筛选了预定义的黏附相关基因集，以提供生物标志物筛选的生物学搜索空间。将显示疾病相关表达变化的基因与该黏附基因集重叠，获得AR相关黏附基因。通过富集分析、蛋白质相互作用图谱绘制和模块提取，研究人员检验了这些基因的生物学功能及相互作用结构。通过整合三种互补的特征选择策略——最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归、随机森林（random forest，RF）建模和支持向量机-递归特征消除（support vector machine-recursive feature elimination，SVM-RFE）——对诊断候选基因进行优先级排序。随后评估了所选标志物的诊断区分能力、个体化预测、校准性能及潜在临床净获益。此外，研究人员还探索了免疫浸润、上游调控网络、候选化合物以及基于非负矩阵分解（non-negative matrix factorization，NMF）的分子亚型。
结果：研究人员在AR中共鉴定出38个差异表达的黏附相关基因，并从关键蛋白质-蛋白质相互作用（protein-protein interaction，PPI）模块中提取出13个枢纽基因。整合机器学习最终将TNFSF14和CD83确定为诊断生物标志物。TNFSF14/CD83联合模型在GSE75011中显示出强大的诊断区分能力，曲线下面积（area under the curve，AUC）为0.968，并在GSE46171和GSE40037中保持了外部性能，AUC值分别为1.000和0.758。两种生物标志物均与改变的免疫细胞特征相关，尤其是T细胞相关特征。利用双标志物表达模式，AR样本可被分为两个探索性分子模式，这两个模式在免疫谱和富集的生物学过程方面存在差异。
结论：TNFSF14和CD83可能是与AR相关免疫改变相关的有前景的候选诊断生物标志物。这些发现还揭示了AR内部的免疫异质性，并为基于生物信息学的生物标志物发现和分子分层提供了框架。
论文解读文章
一、研究背景与目的
变应性鼻炎（allergic rhinitis，AR）是一种由过敏原暴露触发IgE依赖性免疫激活的鼻黏膜慢性炎性疾病，临床表现为鼻塞、喷嚏、流涕和鼻痒，严重影响患者生活质量与工作效率。流行病学估计全球约10%–30%的人口受其影响，且患病率在近几十年持续上升。AR的病理生理涉及双相免疫应答：过敏原激发后，肥大细胞释放组胺和白三烯引起速发症状；随后以2型辅助性T细胞（T helper type 2，Th2）细胞因子（尤其是IL-4和IL-13）为主的级联反应驱动嗜酸性粒细胞、嗜碱性粒细胞和淋巴细胞向鼻黏膜组织募集，形成以Th2为主导的炎症微环境。
在细胞层面，白细胞向气道的募集关键依赖于内皮细胞和上皮细胞表达的黏附分子（cell adhesion molecules，CAMs）。过敏原刺激下，细胞因子激活内皮和上皮黏附程序（包括ICAM-1、VCAM-1及选择素相关通路），促进白细胞黏附并穿越血管进入鼻黏膜。AR患者鼻组织中ICAM-1和VCAM-1表达较健康对照显著升高，阻断CAM相互作用可减轻动物模型的气道炎症。然而，目前能够捕获AR疾病特异性转录特征的分子指标仍不明确，传统诊断依赖临床症状和过敏原检测，缺乏精准的分子诊断工具。
本研究旨在从细胞黏附相关的免疫转录改变视角，识别AR的候选诊断生物标志物，并探讨其免疫相关性及分子异质性，为AR的分子诊断和个体化治疗提供生物信息学框架。
二、主要技术方法
研究人员利用公共基因表达综合数据库（Gene Expression Omnibus，GEO）获取AR相关微阵列表达谱，以GSE75011（15例AR、25例对照）为发现队列，GSE46171（6例AR、3例对照）和GSE40037（10例AR、12例对照）为外部验证队列。采用limma筛选差异表达基因，并与从MSigDB获取的GOBP_CELL_ADHESION基因集（1542个黏附相关基因）取交集获得差异表达黏附相关基因。通过STRING构建蛋白质-蛋白质相互作用（protein-protein interaction，PPI）网络，利用Cytoscape的MCODE插件提取核心模块。随后整合三种机器学习算法——最小绝对收缩和选择算子（LASSO）回归、随机森林（RF）和支持向量机-递归特征消除（SVM-RFE）——进行特征筛选，以受试者工作特征（receiver operating characteristic，ROC）曲线评估诊断性能，并通过列线图、校准曲线和决策曲线分析（decision curve analysis，DCA）评估临床效用。此外，采用单样本基因集富集分析（single-sample gene set enrichment analysis，ssGSEA）、CIBERSORT和MCP-counter进行免疫浸润分析，利用NetworkAnalyst和miRTarBase构建上游调控网络，通过Enrichr的DSigDB数据库筛选候选化合物，并以非负矩阵分解（non-negative matrix factorization，NMF）进行分子分型。
三、研究结果
3.1 AR中的差异表达黏附相关基因（DEARGs）
研究人员在GSE75011中比较AR样本与健康对照，通过差异表达基因与黏附基因集取交集，共获得38个差异表达黏附相关基因（differentially expressed adhesion-related genes，DEARGs）。基因本体（Gene Ontology，GO）注释显示这些基因富集于细胞-细胞黏附正调控、白细胞细胞-细胞黏附调控、细胞活化、细胞-基质连接、黏着斑及细胞因子受体结合等生物学过程。京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes，KEGG）通路分析显示富集于免疫球蛋白超家族CAM信号、细胞因子-细胞因子受体相互作用及细胞黏附分子相互作用等通路。PPI网络经MCODE检测得到两个模块，评分最高的核心模块包含13个枢纽基因，功能注释指向CD4阳性α-β T细胞分化调控、T细胞活化、细胞-细胞黏附及白细胞细胞-细胞黏附等免疫调节过程。表达比较显示，CX3CR1和CADM1在AR中上调，而NR4A3、PDCD1、MAP3K8、TNFSF14、ZC3H12A、DUSP1、NLRP3、SMAD7、TBX21、CD83和ICOSLG下调。
3.2 跨算法筛选确定TNFSF14和CD83为AR诊断标志物
研究人员对13个枢纽候选基因并行应用三种机器学习算法。LASSO在lambda.min设置下保留5个基因；RF筛选出MeanDecreaseGini值大于1的6个基因；SVM-RFE在包含3个特征时分类误差最低。三种算法输出的交集为TNFSF14和CD83两个基因。在GSE75011中，TNFSF14和CD83的AUC分别为0.931和0.845；双基因联合模型的AUC达0.968，优于任一单标志物。在外部验证队列中，该分类器在GSE46171中AUC为1.000，在GSE40037中为0.758。表达模式分析显示，两基因在三个数据集中总体倾向于在AR中下调，但各数据集间存在一定差异。将两基因纳入列线图进行个体化概率估计，校准曲线显示预测概率与观测诊断状态总体一致，DCA提示该分类器在多个阈值设定下具有潜在临床净获益。
3.3 TNFSF14和CD83的功能与调控特征
基因特异性富集分析显示，CD83主要关联RNA生物合成过程负调控、RNA聚合酶II转录负调控及氧水平应答等生物学过程；TNFSF14则更密切关联细胞活化、细胞内信号级联及神经系统过程相关特征。通过NetworkAnalyst预测转录因子（transcription factor，TF）-mRNA调控网络，两种标志物均连接多个候选TF，其中TNFSF14的TF互作谱较CD83更广泛。基于miRTarBase构建的竞争性内源RNA（competing endogenous RNA，ceRNA）网络显示，TNFSF14在网络中占据更核心位置，连接更多预测的非编码RNA调控因子，提示其可能受更复杂的调控架构支配。DSigDB药物富集分析筛选出与TNFSF14/CD83表达特征相关的候选化合物，包括嘌呤霉素、甲萘醌、血根碱及倍他米松戊酸酯等，但这些关联被视为探索性发现。
3.4 免疫图谱分析揭示AR中T细胞相关重塑
ssGSEA分析显示，AR样本中活化树突状细胞（activated dendritic cells，aDCs）和滤泡辅助性T细胞（T follicular helper cells，Tfh）评分降低，而T辅助细胞特征评分中度升高。免疫功能特征方面，AR组T细胞共刺激评分降低。CIBERSORT反卷积分析突出显示两种改变的CD4 T细胞亚群：静息记忆CD4 T细胞在AR中降低，而初始CD4 T细胞升高。Pearson相关分析显示，CD83和TNFSF14与多种免疫细胞亚群存在既不同又重叠的相关关系，提示两种生物标志物可能密切参与AR中的免疫重塑。
3.5 基于诊断标志物的探索性分层揭示AR免疫异质性
研究人员基于两种诊断标志物的表达谱对训练队列中的AR样本进行NMF聚类，共识结果支持两分组结构。主成分分析（principal component analysis，PCA）显示两个NMF定义组占据不同转录组空间。两诊断基因在亚型间表达分布不同：TNFSF14在亚型2中表达较高，CD83在亚型1中表达较高。ssGSEA显示亚型间存在多种免疫细胞特征差异，包括浆细胞样树突状细胞（plasmacytoid dendritic cells，pDCs）、T辅助细胞和肿瘤浸润淋巴细胞（tumor-infiltrating lymphocyte，TIL）相关评分；免疫功能特征方面，APC共刺激、检查点活性、细胞溶解活性和T细胞共刺激等存在亚型相关差异。MCP-counter提供两种亚型间免疫细胞组成的相对丰度差异概览。亚型间差异表达基因富集于脱嘧啶化、酮体分解代谢及小分子分解代谢过程，提示代谢相关转录差异可能促成观察到的分离。
四、讨论与结论
讨论部分指出，TNFSF14编码TNF超家族配体，作为淋巴细胞活化的共刺激因子，通过结合疱疹病毒进入介质（herpesvirus entry mediator，HVEM）和淋巴毒素β受体刺激T细胞增殖。尽管TNFSF14在哮喘模型中已被证实促进Th2驱动的炎症，本研究数据中其在AR中显著下调，这一反向表达模式可能反映免疫细胞组成改变、疾病阶段依赖性调控或代偿性免疫应答，需功能研究阐明其生物学意义。CD83是树突状细胞（dendritic cell，DC）成熟和免疫调节的经典标志物，膜结合型和可溶性CD83（soluble CD83，sCD83）均可调节T和B细胞应答。已有研究显示sCD83通过改变抗原特异性Th2应答（降低IL-4/IL-13）改善实验性AR，本研究观察到CD83在AR中表达降低，与sCD83的免疫抑制功能受损可能相关的推测一致，但应将其视为AR的免疫相关转录特征而非CD83介导调控受损的确定性证据。
免疫分析结果与AR的已知免疫级联一致：过敏原暴露触发肥大细胞脱颗粒和Th2偏向的细胞因子环境，IL-4/IL-13增强内皮VCAM-1等黏附分子表达，持续促进免疫细胞浸润。TNFSF14和CD83可能标记AR免疫网络中的关键节点——TNFSF14影响T细胞活化和存活，CD83反映正常情况下有助于炎症消退的DC-T细胞相互作用。预测的上游调控因子包括NF-κB、STAT和IRF家族成员，与过敏原诱导炎症的已知机制相符。
研究局限性包括：完全基于公共基因表达数据的二次分析，缺乏蛋白质水平和功能实验验证；GEO队列样本量有限，尤其外部验证数据集较小，可能影响机器学习特征选择的稳定性；患者临床元数据（疾病严重程度、治疗状态）稀疏；分析聚焦于数据库来源的黏附相关基因，可能遗漏其他AR相关标志物；生物信息学预测（TF、ceRNA和化合物关联）需实验确认；AR合并症（哮喘、结膜炎）未加以控制；群体和地理背景的特异性可能影响分子模式的普适性；体转录组分析中观察到的表达变化可能部分反映免疫细胞组成改变而非特定细胞群的内在调控。
结论部分总结：研究人员从黏附相关免疫景观中识别出TNFSF14和CD83作为区分AR患者与对照的候选生物标志物。这些基因表现出稳健的诊断性能，并与T细胞介导免疫的特征性改变相关。数据进一步揭示AR的两种分子亚型具有不同的免疫和代谢特征，凸显疾病异质性。这些发现提示TNFSF14和CD83不仅可作为有前景的生物标志物，还可增进对AR发病机制的理解，未来对这些靶点的验证可能促进AR的分子引导诊断和个体化治疗。
