基于机器学习预测斑块型银屑病患者对Brodalumab的治疗反应及应答速度

这篇研究通过整合斑块型银屑病患者的转录组（GSE117468）和临床数据，利用Lasso回归和LightGBM算法构建了预测Brodalumab（IL-17RA抑制剂）治疗反应（PASI 75）及4周应答速度的模型。结合皮损（LS）与非皮损（NL）组织数据，模型AUC-ROC最高达95.14%（12周）和98.70%（4周），揭示了HLA-D等经典通路及WIF1等新靶点的预测价值，为精准医疗提供工具。

　　

Abstract

生物制剂虽革新了斑块型银屑病治疗，但患者反应差异显著。本研究通过机器学习模型预测Brodalumab的疗效与应答速度，旨在实现个体化治疗。

Purpose

针对中重度银屑病患者对Brodalumab的差异化反应，开发基于转录组和临床数据的预测工具，优化治疗决策。

Patients and Methods

数据源自GSE117468的491例活检样本（116例患者），涵盖皮损（LS）与非皮损（NL）组织。通过差异基因分析筛选Brodalumab相关基因，Lasso回归选择特征基因，LightGBM构建预测模型，并采用五折交叉验证评估性能。

Results

患者分为Brodalumab（140/210 mg）和安慰剂组，应答者定义为12周时PASI 75改善≥75%。Lasso筛选出IL-17、PPAR信号等经典通路基因及WIF1、SLC44A5等新靶点。基于LS和NL联合数据的LightGBM模型表现最优：12周预测AUC-ROC达95.14%（140 mg）和92.83%（210 mg）；4周应答速度预测AUC-ROC达98.70%（140 mg）和97.51%（210 mg）。

Conclusion

模型为Brodalumab疗效预测提供可靠工具，支持精准医疗并优化资源分配。

Plain Language Summary

研究背景：生物制剂疗效存在个体差异，预测工具有助于临床选择。

方法：分析116例患者LS/NL活检转录组数据，构建机器学习模型预测12周PASI 75及4周早期应答。

发现：LS与NL数据整合模型精度最高，关键基因包括IL-17和WIF1等。

意义：可指导个性化治疗，提升疗效并降低成本。

Graphical Abstract

图示模型构建流程及核心基因通路。

Introduction

斑块型银屑病影响全球2-3%人口，生物制剂如Brodalumab（靶向IL-17RA）虽快速起效（中位PASI 75时间4.2周），但仍有26.84%患者无应答。传统预测模型（如血清标志物AUC-ROC仅71-78%）存在局限性。本研究利用皮肤转录组数据，通过AI提升预测精度。

Materials and Methods

数据来源：GSE117468的491例样本（AMAGINE-1/2/3试验），经伦理审查豁免。

分析流程：limma包筛选差异基因（DEGs），Lasso回归选择特征基因，LightGBM建模，五折交叉验证评估。

Results

12周疗效预测：LS&NL模型AUC-ROC达95.14%（140 mg），特征基因富集于IL-17、HLA-D等通路。

4周应答速度：LS&NL模型AUC-ROC达98.70%，关键基因包括SAA1、LOC441528等。

模型对比：LS&NL性能显著优于单一组织模型（NL模型AUC-ROC仅61.70%）。

Discussion

本研究首次整合多维转录组数据，突破传统血液标志物局限。LS&NL模型优势在于同时捕获炎症微环境（LS）和遗传背景（NL）。局限性包括需外部验证，未来将开发临床检测Panel（如PCR靶向测序）降低成本。

Conclusion

AI与转录组学的结合为银屑病精准治疗开辟新途径，未来需扩展多组学数据优化模型。

Abbreviations

AI（人工智能）、AUC-ROC（受试者工作特征曲线下面积）、PASI（银屑病面积严重指数）。

Ethical Compliance

研究使用公开匿名数据，经广东省人民医院伦理委员会批准（KY2025-680-01）。

Disclosure

作者声明无利益冲突，使用ChatGPT 4o辅助翻译。

Data Sharing Statement

数据可通过GSE117468获取，预测工具正在开发中。