基于梅毒螺旋体抗原与机器学习模型的梅毒治疗效果精准评估新策略

《iScience》：A pilot study: Incorporating Treponema pallidum antigens into machine learning models for accurate syphilis treatment outcome assessment

本研究针对传统非梅毒螺旋体试验(NTT)在梅毒疗效评估中的局限性，创新性地将梅毒螺旋体(Tp)潜在感染阶段依赖性抗原(plDAs)与机器学习(ML)技术相结合。研究发现Tp0134、Tp0768、Tp0971等抗原在治疗后抗体下降幅度显著优于传统方法，随机森林模型(AUC=0.815)能有效区分感染与治愈状态。该研究为梅毒治疗效果的动态监测提供了新思路，对改善临床决策具有重要意义。

　　

在全球范围内，梅毒这一古老的性传播疾病正呈现令人担忧的卷土重来之势。据世界卫生组织报告，全球约有800万15-49岁成年人感染梅毒，其中男性同性性行为人群(MSM)的感染率高达7.5%，远高于普通男性人群的0.5%。尽管青霉素治疗相对简单有效，但如何准确评估治疗效果却一直是临床实践中的难点。

传统上，医生们依赖非梅毒螺旋体试验(NTT)如快速血浆反应素试验(RPR)来评估治疗效果——治疗后抗体滴度下降4倍或以上视为治疗有效，转阴则意味着完全治愈。然而，这种方法存在明显局限：部分患者会出现血清固定现象，即治疗后抗体持续阳性；还有些未经治疗的患者也会出现无法解释的滴度下降。在药物供应有限的低收入和中等收入国家，这一问题尤为突出。

更为棘手的是，当前缺乏可靠的替代生物标志物来指导临床决策。梅毒螺旋体(Treponema pallidum, Tp)具有免疫逃逸和建立潜伏感染的能力，其膜蛋白抗原含量极低，这使得寻找能够准确反映治疗效果、感染活动性、复发或再感染的血清学标志物变得异常困难。

在这项发表于《iScience》杂志上的研究中，研究人员独辟蹊径，将目光投向了梅毒螺旋体的一类特殊抗原——潜在感染阶段依赖性抗原(plDAs)。这类抗原（包括Tp0134、Tp0768、Tp0971、Tp0462）仅在活菌感染阶段合成或高表达，而在灭活菌中不产生相应抗体，这与持续表达的Tp92抗原形成鲜明对比。基于这一特性，研究团队提出假设：这些抗原可能作为评估梅毒治疗效果的理想生物标志物。

为了验证这一设想，研究团队开展了一项多中心临床研究，收集了509份血清样本（包括配对治疗前后样本），采用建立的ELISA（酶联免疫吸附试验）方法动态监测抗体变化。结果显示，治疗后plDAs（尤其是Tp0134和Tp0768）的抗体下降幅度显著高于非感染阶段依赖性抗原Tp92和传统ELISA试剂盒。在低滴度患者中，plDAs仍能显示出明显的抗体下降，而RPR则难以达到4倍下降或血清转阴的标准，这表明plDAs可能弥补RPR在低滴度患者疗效评估中的不足。

研究最具创新性的部分在于将五种Tp抗原与机器学习算法相结合，构建能够区分当前感染与完全治愈的二元分类模型。通过嵌套交叉验证训练多种机器学习模型后，随机森林模型表现出最优性能（AUC=0.815）。SHAP（SHapley Additive exPlanations）值分析显示，Tp0768、Tp92和Tp0134是模型中最关键的特征。尽管Tp92单独作为生物标志物价值有限，但其在随机森林模型中的高重要性可能源于其作为稳定的非感染阶段依赖性参考的作用，为模型提供了关键的背景信息。

决策曲线分析(DCA)表明，在0.38-0.62的概率阈值范围内，随机森林模型比"全部治疗"或"全部不治疗"的策略具有更大的净临床效益。基于这一发现，研究人员提出了一个将机器学习模型与RPR测试相结合的双重策略临床决策算法，旨在保持RPR传统优势的同时，弥补其固有局限性。

主要技术方法包括：收集来自四家医院的509份临床血清样本，建立间接ELISA方法检测五种Tp重组抗原（Tp92、Tp0971、Tp0134、Tp0768和Tp0462）的特异性抗体，采用嵌套交叉验证训练七种机器学习模型（随机森林、XGBoost、支持向量机等），并通过SHAP分析进行模型可解释性评估。

参与者特征

患者数据严格按照纳入排除标准进行筛选，最终纳入75对配对随访患者和434例非配对个体（包括222例当前感染和212例完全治愈）。配对随访患者中，大多数随访集中在治疗后第3和第4个月，第6个月随访率显著下降，表明患者对长期随访的依从性欠佳。

亚研究1：配对随访患者

分析显示，高基线滴度患者更容易在6个月内达到滴度4倍下降（符合有效治疗标准），而低滴度患者往往需要更长时间观察。在6个月观察期内，仅42.67%的患者达到有效治疗标准，57.33%的患者滴度下降不足2倍或无变化，表明需要更长的观察期来确认治疗效果。

重组抗原抗体水平变化方面，Tp0768（32.11%）、Tp0134（42.97%）和Tp0971（40.33%）的中位抗体下降率显著高于Tp92（6.25%）和商业试剂盒（4.95%）。特别是在低滴度患者中，这些plDAs仍能显示出明显的抗体下降，而RPR则难以达到评估标准。

亚研究2：非配对随访患者群体

在非配对患者比较中，Tp92、Tp0134、Tp0768和Tp0971在当前感染病例中显示较高的吸光度值，而Tp0462普遍显示较低吸光度。ROC曲线分析显示Tp0768的AUC为0.81，表现出最强的区分能力，其次是Tp0134（AUC=0.71）。Tp0768的下降率最高（59.81%），其次是Tp0134（33.92%），进一步证实了这两个抗原在反映患者感染和治愈状态方面的价值。

机器学习模型的训练与测试

基于当前感染和完全治愈患者数据，研究构建了二元分类机器学习模型。七种模型中，随机森林在测试集上表现最优（敏感度82.3%，AUC=0.814）。递归特征消除显示，在剔除最不重要特征（性别）后，模型达到最高AUC值（0.815），而依次剔除性别、RPR基线滴度和年龄仅导致AUC边际下降，有效减少了模型的数据需求。

研究结论强调，plDAs（特别是Tp0768和Tp0134）在梅毒治疗效果评估中展现出显著优势，其抗体下降与RPR滴度下降密切相关。结合机器学习模型，这一策略为梅毒治疗效果的精准评估提供了新工具，有望在未来实现更有效的治疗效果评估。然而，研究也指出当前模型在RPR滴度下降4倍但仍为阳性的患者中表现不理想，尚不能完全替代现有的RPR疗效评估体系。

讨论部分深入分析了该研究的临床意义和局限性。一方面，该研究首次系统验证了多种Tp抗原在梅毒治疗效果评估中的潜力，并构建了可靠的机器学习模型；另一方面，样本量相对较小、随访时间短、患者依从性差等因素限制了结论的普适性。特别值得注意的是，机器学习模型本身仍受限于RPR检测方法的固有局限性，因为其样本分类依赖于RPR测试结果。

该研究的创新之处在于将感染阶段依赖性抗原与人工智能技术相结合，为突破传统梅毒疗效评估的困境提供了新思路。未来，扩大样本规模、结合多组学分析方法筛选更多生物标志物，以及开发多抗原组合检测方法，将有望进一步提高梅毒治疗效果评估的准确性和临床实用性。对于特殊人群如先天性梅毒、复发梅毒和神经梅毒患者，这种人工智能辅助的决策模型可能发挥更大价值。