《LIVER INTERNATIONAL》：Machine Learning Predicts Treatment Response and Prognostic Pathways From Whole-Blood Transcriptome in Primary Biliary Cholangitis
编辑推荐：
在原发性胆汁性胆管炎（PBC）患者中，将疾病进展和/或治疗干预反应联系起来的预后生物标志物仍未明确。在这项研究中，研究人员采用了一种机器学习（ML）方法，利用全血转录组数据来预测对奥贝胆酸（OCA）的治疗反应以及疾病进展相关的临床结局。研究人员开发了一个整合全
在原发性胆汁性胆管炎（PBC）患者中，将疾病进展和/或治疗干预反应联系起来的预后生物标志物仍未明确。在这项研究中，研究人员采用了一种机器学习（ML）方法，利用全血转录组数据来预测对奥贝胆酸（OCA）的治疗反应以及疾病进展相关的临床结局。研究人员开发了一个整合全血RNA测序分析的ML模型，该模型使用了来自POISE研究的纵向样本（发现队列）以及一组前瞻性收集的保持稳定或进展至肝移植/肝失代偿的PBC患者（独立验证队列）。该模型识别了1200个具有预后预测价值的候选基因，并通过通路分析对这些基因进行了研究。随后利用遗传算法将基因面板精炼至105个基因列表，并在POISE治疗结束时队列上进行了训练。该算法的泛化能力通过在基线POISE患者中评估其对OCA的反应或无反应得到了测试（AUROC 0.93），并在区分疾病进展者与非进展者的肝脏疾病相关生存率方面进行了独立验证（AUROC 0.94）。对ML候选基因的通路分析发现，法尼醇X受体（FXR）调节基因、自身免疫疾病相关炎症、免疫调节、纤维化以及整合应激反应通路的富集与PBC的预后相关。当研究人员将这些ML衍生的预后通路与PBC患者对比健康对照的RNA测序分析进行比较时，发现最相关的转录本是与PBC中整合应激反应和代谢重塑相关的转录本。ML衍生的评分将预后和疾病发病机制通路联系起来，并可用于未来的研究，以更好地了解PBC的病理生理学和管理。
原发性胆汁性胆管炎（PBC）是一种特征为免疫介导的肝内胆管破坏的系统性自身免疫疾病，超过40%的患者会进展为肝硬化甚至需要肝移植。目前，该疾病的病因尚不明确，普遍认为其机制涉及胆管上皮细胞遭受损伤并引发氧化损伤，进而触发整合应激反应（ISR），导致衰老样信号和细胞凋亡，这些信号在炎症作用下进一步加剧，最终引发导管消失、纤维化和肝硬化。在临床治疗方面，熊去氧胆酸（UDCA）是一线标准疗法，而法尼醇X受体（FXR）激动剂奥贝胆酸（OCA）则作为二线疗法。然而，OCA的长期临床结局评估（如COBALT IIIb/IV期研究）在患者招募和保留方面遭遇困难，且未达到主要终点。同时，现有的预后评分系统（如POISE标准、GLOBE或UK-PBC评分）主要侧重于预测肝损伤，在精确预测疾病进展和二线疗法反应方面存在不足，且无法提供深入的机制见解。为解决这些难题，研究人员开展了本研究，旨在探索整合纵向生物数据集的机器学习（ML）方法是否能超越传统生物标志物，同时识别预后轨迹并揭示PBC的疾病机制。这项研究成果已发表在《LIVER INTERNATIONAL》上。本研究得出结论，ML衍生的评分模型成功将预后与疾病发病机制通路相关联，为深入理解PBC的病理生理学及优化临床管理提供了全新的工具与视角。这不仅为难治性PBC患者的疗效预测提供了高效手段，也为探索三联疗法等新策略奠定了理论基础。
在关键技术方法方面，研究主要依赖提取自POISE研究（包括基线与治疗结束时的样本队列）和阿尔伯塔大学前瞻性收集的独立进展/非进展验证队列的全血样本进行RNA测序。数据规范化后，采用带有支持向量机（SVM）分类器的递归特征消除方法挑选候选基因，并利用遗传算法基于受试者工作特征曲线下面积（AUROC）优化并确定了最终包含105个基因的预后预测模型。随后，运用Ingenuity通路分析（IPA）对差异表达基因进行了通路富集分析与蛋白互作网络构建，以挖掘潜在的病理过程。
关于研究结果，主要分为以下三个部分。在“PBC的预后机器学习模型”部分，研究人员通过DESeq2分析未能发现POISE队列中治疗应答者与无应答者之间存在显著的基因表达差异，且主成分分析显示数据分布呈均质性。因此，采用机器学习算法筛选出1200个候选基因，并经遗传算法精炼出105个基因面板构建模型。结果显示，该模型在POISE治疗结束训练队列中 AUROC 达1.00，经Bootstrap校正后为0.92；在基线测试队列中区分OCA应答与否的 AUROC 为0.93；在独立验证队列中区分疾病进展与否的 AUROC 达0.94。此外，非应答者和进展者的风险评分显著升高，表明该模型能精确预测临床结局。在“与PBC进展相关的预后通路评估”部分，通路分析揭示了四个关键模块。在评估OCA相关预后通路中，发现IL11、IL17A与良好预后正相关，IL17F、CXCL10负相关，且两者在治疗前后表现出互逆表达模式；同时，PPARGC1A和KLF4等FXR共激活因子转录水平的升高与OCA应答及非进展显著相关。模块1“自身免疫相关炎症”涉及补体级联通路等多条途径，C7和C8B具有保护作用，而C1S和C2则与预后不良相关，且其表达模式因疾病阶段和队列不同存在变异。模块2“免疫调节”中，SPP1和CD8A被确认为核心预后基因，与良好预后呈负相关，CD8淋巴细胞的减少与PBC晚期进展一致。模块3“导管反应与纤维化”中，MMP2被确认为与改善预后正相关的顶级核心基因，具有抗纤维化作用。模块4“整合应激反应”涉及LTF与LCN2等核心基因，参与氧化与内质网应激反应，其表达升高与不良预后及急性胆管损伤相关。在“PBC与健康受试者通路对比评估”部分，对治疗前POISE患者与健康人群的转录组差异比较表明，大多数显著失调的通路与ISR相关，且伴随氧化磷酸化下调和线粒体功能障碍等代谢重塑特征。将疾病相关通路与ML推导的预后通路比对，发现多发性硬化症信号、巨噬细胞经典激活信号、血肿消退信号等均存在重叠，提示ISR在PBC的系统性病理中可能发挥核心驱动作用。
在讨论部分，本研究构建的机器学习模型展现出强大的泛化能力，能够精准预测PBC患者的OCA治疗反应与终末期肝病进展。与依赖单一基因表达差异的传统分析方法不同，该模型通过识别协同变化的转录本特征谱克服了样本异质性障碍。研究强调，ISR在PBC的系统性疾病特征中占据核心地位。然而本研究也存在一定局限性，ML模型具有“黑盒”性质，且由于队列特征偏向于肝功能代偿期患者，缺乏对终末期肝病转录组特征的全面捕获。此外，全血RNA反映的是系统性改变，无法直接对应肝内胆管细胞的局部病理。综上所述，本研究展示了ML驱动的转录组学对疾病动态病理的预测能力，为探索三联疗法等潜在干预手段提供了有力的理论支持。
研究结论部分翻译如下：ML推导的评分模型成功将预后与疾病发病机制通路相关联，并可用于未来的研究，以更好地理解PBC的病理生理学与管理策略。
