基于生物信息学与机器学习的儿童脓毒性休克诊断标志物CD177/MCEMP1/MMP8/OLAH鉴定及免疫浸润特征研究

《Scientific Reports》：Integrating bioinformatics and machine learning for comprehensive analysis and validation of diagnostic biomarkers and immune cell infiltration characteristics in pediatric septic shock

《Scientific Reports》最新研究推荐：山东中医药大学附属医院急诊科吕鹏团队整合GSE8121/GSE13904/GSE26378三个基因表达数据集，运用LASSO和SVM-RFE机器学习算法筛选出CD177、MCEMP1、MMP8和OLAH四个诊断标志物（AUC>0.9），通过CIBERSORT解析免疫细胞浸润特征，为儿童脓毒性休克的早期诊断和免疫调控治疗提供新靶点。

　　

儿童脓毒性休克作为威胁全球儿童健康的危急重症，其院内死亡率高达10.8%，但临床仍缺乏有效的早期诊断标志物。传统"细菌理论"向"宿主理论"的认知转变，使研究者意识到免疫失调在脓毒症进展中的核心作用。山东中医药大学附属医院急诊科吕鹏团队在《Scientific Reports》发表的研究，通过整合多组学数据与人工智能算法，为破解这一临床难题提供了创新解决方案。

研究团队采用三大关键技术路线：1）从GEO数据库获取GSE8121/GSE13904/GSE26378三个儿童外周血转录组数据集（样本量>10/组），经sva包校正批次效应后，用LIMMA包筛选出12个差异表达基因（DEGs）；2）结合LASSO回归和SVM-RFE机器学习算法鉴定关键标志物，并通过ROC曲线验证诊断效能；3）应用CIBERSORT算法解析22类免疫细胞浸润特征，建立标志物-免疫细胞相关性网络。

研究结果部分揭示重要发现：

1. DEGs筛选与功能分析：鉴定出全部上调的12个DEGs，GSEA显示补体凝血级联、FcγR介导的吞噬等通路显著激活（P<0.05）。DO分析关联口腔疾病、冠状动脉疾病等，KEGG提示活性氧代谢、细菌防御反应等生物学过程。

2. 诊断标志物鉴定：机器学习交叉筛选出CD177、MCEMP1、MMP8和OLAH四个标志物，在验证集GSE26378中表达差异极显著（P<0.01），诊断AUC值达0.998-0.966。

3. 免疫浸润特征：脓毒症组静息CD4记忆T细胞、γδT细胞等比例升高，而浆细胞、调节性T细胞（Tregs）、M0巨噬细胞等显著降低（P<0.05）。相关性分析显示CD177/MCEMP1与中性粒细胞呈正相关，与静息树突细胞负相关。

讨论部分指出，该研究首次系统揭示CD177（中性粒细胞表面蛋白）、MCEMP1（肥大细胞表达蛋白）、MMP8（基质金属蛋白酶）和OLAH（羟基酰基谷胱甘肽水解酶）构成的诊断组合，其机制可能通过调控中性粒细胞趋化（CD177）、促炎因子释放（MCEMP1）、白细胞粘附（MMP8）等先天免疫过程，推动脓毒症从促炎状态向免疫抑制转化。研究发现获得性免疫细胞（T/B细胞）比例升高而先天免疫细胞（巨噬细胞/中性粒细胞）降低的现象，为"免疫麻痹"理论提供了新证据。

该研究的临床意义在于：①建立机器学习驱动的多标志物诊断模型，突破单指标诊断瓶颈；②揭示免疫细胞动态失衡特征，为个体化免疫调节治疗提供靶点；③所用生物信息学流程（CIBERSORT+机器学习）为其他危重症研究提供方法论参考。作者坦言样本量限制需扩大验证，但这项跨学科研究无疑为儿童脓毒性休克的精准诊疗开辟了新路径。