《World Allergy Organization Journal》：Machine learning-based MPO and Lp-PLA2 profiling reveals asthma-predominant inflammatory signature in asthma-COPD overlap
编辑推荐：
背景：哮喘-慢阻肺重叠(ACO)在分子水平上的特征尚不明确，导致诊断不确定性和治疗效果不佳。研究人员假设，通过对髓过氧化物酶(MPO)和脂蛋白相关磷脂酶A2(Lp-PLA2)进行机器学习分析，有助于将ACO揭示为一种独特的炎症内型。方法：研究人员于2023年7
背景：哮喘-慢阻肺重叠(ACO)在分子水平上的特征尚不明确，导致诊断不确定性和治疗效果不佳。研究人员假设，通过对髓过氧化物酶(MPO)和脂蛋白相关磷脂酶A2(Lp-PLA2)进行机器学习分析，有助于将ACO揭示为一种独特的炎症内型。方法：研究人员于2023年7月至2025年8月期间，在广州医科大学附属第一医院（国家呼吸医学中心）前瞻性招募了609例阻塞性气道疾病患者（哮喘 n=255，慢阻肺(COPD) n=100，慢阻肺急性加重(AECOPD) n=182，ACO n=72）。采用化学发光免疫分析法量化血清MPO和Lp-PLA2。采用了五种机器学习算法（XGBoost、LightGBM、CatBoost、神经网络、随机森林）进行监督分类，同时采用无监督聚类（层次聚类、k-means、DBSCAN）来定义分子表型。模型可解释性利用了SHAP分析和降维技术（PCA、UMAP、t-SNE）。结果：MPO/Lp-PLA2比值作为一种强有力的区分性生物标志物出现，ACO患者表现出名义上较低的比值（1.66，四分位距(IQR) 1.19–2.27），类似于哮喘（1.47，IQR 1.07–2.06）而非慢阻肺（2.26，IQR 1.98–2.56，错误发现率(FDR)校正 q=0.031）。无监督聚类显示，72.2%的临床确诊ACO患者与哮喘聚为一类，挑战了传统的疾病概念。集成机器学习模型实现了卓越的性能（曲线下面积(AUC) 0.954，95%置信区间(CI): 0.926–0.982），显著优于单个生物标志物（MPO/Lp-PLA2: AUC 0.782/0.714）和传统的临床标准（AUC 0.694）。临床上适用的ACO识别中性粒细胞-嗜酸性粒细胞(ACORN)评分显示出91.2%的阳性预测值(PPV)。结论：机器学习揭示ACO主要表现为类似哮喘的炎症特征。MPO/Lp-PLA2比值和ACORN评分能够实现精准表型分析，并具有潜在的治疗意义，倡导在阻塞性气道疾病中采用生物标志物指导的治疗策略。
本研究发表于《World Allergy Organization Journal》，针对阻塞性气道疾病中极具争议且缺乏明确分子定义的哮喘-慢阻肺重叠（ACO）实体展开深入探讨。
研究背景与意义
哮喘和慢阻肺（COPD）传统上以不同的炎症模式区分，即哮喘以2型（T2）嗜酸性粒细胞炎症为主，而慢阻肺以中性粒细胞炎症为主。然而，ACO挑战了这一二元分类。尽管ACO影响着15–25%的阻塞性气道疾病患者，且会导致更频繁的急性加重、肺功能加速下降和更高的医疗利用率，但由于缺乏明确的分子诊断标准，其分类和治疗方案往往不一致。既往单细胞RNA测序研究虽揭示了ACO患者中存在独特的细胞群，但ACO在分子水平上仍缺乏清晰界定。因此，研究人员旨在通过整合新型炎症生物标志物和人工智能技术，将ACO从一种有问题的重叠综合征转化为一个精确定义的治疗靶点。
关键技术与方法
研究人员开展了一项前瞻性横断面研究，样本队列来源于广州医科大学附属第一医院（国家呼吸医学中心），纳入时间为2023年7月至2025年8月。研究初始筛选了1082例患者，最终排除了471例临床记录不完整或缺失诊断标准的患者，将609例符合条件的参与者纳入分析。患者依据国际指南分为四组：哮喘（n=255）、慢阻肺（n=100）、慢阻肺急性加重（AECOPD，n=182）和ACO（n=72）。关键技术流程包括：采集静脉血样本，使用全自动免疫分析仪通过磁微粒化学发光免疫分析法（CLIA）定量检测血清髓过氧化物酶（MPO）和脂蛋白相关磷脂酶A2（Lp-PLA2）浓度。随后，研究人员实施了系统的机器学习框架：在数据准备阶段，对缺失数据采用链式方程多重插补（MICE），并使用隔离森林算法检测异常值；在特征工程阶段，构建了MPO/Lp-PLA2比值等生物学特征；在模型开发阶段，集成了XGBoost、LightGBM、CatBoost、神经网络和随机森林五种算法进行监督分类，并利用SHAP（沙普利加性解释）分析和UMAP/t-SNE等降维技术进行模型可解释性分析和表型可视化。此外，研究人员还开发了ACORN临床评分并在独立的时间分离队列中进行了验证。
研究结果
研究人群与基线特征
研究共纳入609例患者。四组表型在人口统计学和基础特征上存在显著差异。慢阻肺和AECOPD患者年龄较大且男性居多，吸烟负担最高；哮喘患者多为非吸烟者且年龄较轻；ACO患者则表现出介于两者之间的中间特征（中位年龄58岁，64%为非吸烟者）。肺功能测试（PFT）显示，第一秒用力呼气容积（FEV1）占预计百分比呈渐进性恶化趋势：哮喘（79.3%）> ACO（51.9%）> 慢阻肺（42.0%）> AECOPD（37.9%），证实了固定气流受限是这些疾病的统一病理生理特征。
炎症生物标志物特征细化呼吸道表型
全面的炎症分析揭示了不同的免疫特征。血清MPO水平在AECOPD中显著升高（327.9 ng/mL），反映了急性加重期的中性粒细胞激活。关键的是，MPO/Lp-PLA2比值成为新的区分性生物标志物。ACO患者的比值（1.66）与哮喘（1.47）相似，且显著低于慢阻肺（2.26，FDR校正后q=0.031）。这一发现表明ACO与哮喘具有更大的炎症相似性。此外，呼出气一氧化氮（FeNO）水平也证实了ACO患者存在显著的T2炎症成分。
多维分析揭示ACO的炎症身份
研究人员通过主成分分析（PCA）整合MPO和Lp-PLA2水平，结果显示ACO主要与哮喘聚类，而非慢阻肺。尽管AECOPD和ACO聚类存在部分重叠，但AECOPD沿MPO轴表现出更大的离散度。多种降维技术（UMAP、t-SNE）一致地将ACO定位在哮喘的炎症空间内，从根本上挑战了ACO仅是两种疾病简单相加的传统观念。
机器学习重新发现ACO内型
在监督学习方面，XGBoost分类器在识别ACO方面表现出色，准确率达94.2%。特征重要性分析显示，MPO/Lp-PLA2比值贡献最大（相对重要性28.4%）。在无监督聚类分析中，72.2%的临床确诊ACO患者表现出类似哮喘的T2-high特征，仅有19.4%与慢阻肺一致，8.3%形成过渡性聚类。这表明临床诊断中存在显著的表型错分：23.6%的临床ACO实为伴中性粒细胞的哮喘，11.1%为伴嗜酸性粒细胞的轻度慢阻肺，仅65.3%为真正的ACO内型。SHAP分析进一步定义了ACO的分子特征，包括MPO水平100–250 ng/mL、Lp-PLA2 < 130 ng/mL、嗜酸性粒细胞百分比2–5%等。
临床诊断工具的开发与验证
ROC曲线分析表明，集成机器学习模型的诊断性能卓越（AUC 0.954），显著优于传统临床标准（AUC 0.694）和单一生物标志物。基于此，研究人员开发了ACORN临床评分。该评分结合了血液嗜酸性粒细胞、FeNO、支气管舒张试验反应、MPO、Lp-PLA2及其比值、特应性病史和吸烟史等指标。当ACORN评分≥7时，判断为可能的ACO内型，其阳性预测值（PPV）高达91.2%。
讨论与结论
研究人员在讨论中指出，本研究证明了联合评估MPO和Lp-PLA2为阻塞性气道疾病表型分析提供了新视角，特别是MPO/Lp-PLA2比值作为区分指标的创新应用，结合机器学习重新分类，揭示了ACO主要类似哮喘的炎症特征，这代表了理解这一争议实体的范式转变。不同表型的生物标志物差异反映了不同的病理生理机制。ACO在炎症标志物和肺功能方面的中间位置支持了双重氧化负荷的假说。
结论翻译
研究表明，基于机器学习的髓过氧化物酶（MPO）和脂蛋白相关磷脂酶A2（Lp-PLA2）分析揭示，大多数临床确诊的哮喘-慢阻肺重叠（ACO）患者（72.2%）表现出的炎症特征更类似于哮喘而非慢阻肺，这表明当前的ACO诊断标准可能包含了比以往认识更大的炎症异质性。MPO/Lp-PLA2比值及衍生的ACO识别中性粒细胞-嗜酸性粒细胞（ACORN）评分工具为生物标志物指导的表型分析提供了临床适用的方法，具有优化患者分层和支持阻塞性气道疾病个体化治疗策略的潜力。
