综述：基于人工智能的儿童特应性皮炎生物标志物研究：遗传、免疫、微生物及代谢维度分析

《Molecular Medicine》：An AI-augmented review of childhood atopic dermatitis biomarkers across genetic, immune, microbial, and metabolic domains

　　

摘要

背景

特应性皮炎是一种常见的炎症性皮肤病，也是儿童疾病负担的重要来源。关于儿童特应性皮炎的生物标志物研究涉及遗传、免疫、微生物和代谢等多个领域，但以往的综述往往只关注单一分子层面、特定样本部位或临床分类。因此，该领域缺乏一种能够跨领域比较并分析生物标志物，同时明确区分证据强度的综合性系统级研究。此外，该领域文献的大量涌现也给传统的手动审查工作带来了实际挑战。

主要内容

为弥补这些不足，我们对儿童特应性皮炎的生物标志物进行了人工智能辅助的多领域综述。ASReview用于标题和摘要筛选，而ChatGPT则协助进行结构化数据提取，并需人工验证。在526项研究中，我们共发现了141个基因组相关、95个免疫组相关、57个微生物组相关以及75个代谢组相关的儿童特应性皮炎生物标志物。其中出现频率最高的生物标志物包括Filaggrin、IgE、CCL17、Staphylococcus、Bifidobacterium以及维生素D。通过采用结构化的证据分级框架，有8种生物标志物被认定为具有较强证据支持：IgE、CCL17、CCL27、嗜酸性粒细胞阳离子蛋白、嗜酸性粒细胞、IL-18、IL-31以及Escherichia。通过整合不同生物标志物领域的证据，我们构建了一个系统级的概念性特应性皮炎模型，该模型认为屏障功能缺陷、Th2型炎症、微生物群失衡以及代谢紊乱会共同推动炎症与屏障功能障碍的恶性循环。我们还开发了一个网络应用，以便人们查看这些生物标志物研究结果：https://leejw.shinyapps.io/eczema_review_526/。

结论

本综述全面总结了儿童特应性皮炎的生物标志物，并将这些证据纳入一个综合性的多领域概念模型中。研究结果为那些考虑多种生物学因素的方法提供了依据，这些因素包括屏障修复、免疫调节、针对微生物群的策略以及代谢因素，同时也强调了在将其应用于临床之前还需要进一步验证。从方法学角度来看，这项研究展示了如何通过人工与人工智能相结合的审查流程来实现可扩展的生物医学证据整合，同时不会取代人工的监督作用。