脓毒症治疗告别“一刀切”！中国团队发布亚洲最大多组学图谱，精准分型登上NC

阅读量 :24
背景介绍
脓毒症是一种由宿主对感染反应失调引起的危及生命的器官功能障碍综合征，占全球死亡病例的约20%，是重症医学领域的主要致死原因之一。其显著的病理生物学异质性阻碍了有效治疗方法的开发——同样的治疗方案，对不同患者可能完全无效甚至有害。传统分型方法依赖单一指标或无监督聚类，难以准确反映患者的异质性，常导致治疗策略与患者实际需求不符。2025年11月24日，由浙江大学医学院附属邵逸夫医院联合中国脓毒症多组学进展（CMAISE）联盟和多个单位发表在Nature Communications的研究：《Deriving consensus sepsis clusters via goal-directed subgroup identification in multi-omics study》，首次提出“目标导向亚组识别（GD-SI）”框架，对多组学数据进行分析整合，实现了从“生物学分型”到“治疗反应分型”的跨越。

文章标题

研究队列设计

本研究基于中国多组学脓毒症进展（CMAISE）队列，该队列是亚洲最大的脓毒症多组学资源库，涵盖了43家医院的1327名受试者（包括47名健康对照），研究采用了前瞻性、多中心的设计方案，囊括了转录组(n=2776)、蛋白质组(n=468)、代谢组(n=457)和表型组(n=3895)的多组学数据。

研究内容

1. 研究设计框架

Fig.1 为研究设计和多组学分析流程图，左侧描述CMAISE队列纳入来自43家医院的1327名参与者（含健康对照），并匹配多组学检测。流程图展示了研究关键的分析步骤：1、对每个组学层进行无监督共识聚类分析，评估跨组学层的一致性；2、采用DIABLO方法进行多组学数据整合，识别与急性肾损伤（AKI）相关的生物标志物；3、最后，建立和使用GD-SI框架，在各个组学层面分别通过LASSO回归模型计算个体化的治疗获益评分，用于指导液体复苏策略和乌司他丁（UTI）治疗获益的患者分层。

Fig.1 研究设计和多组学分析流程图

2. 无监督聚类跨组学一致性对比

Fig.2 a-d分别展示转录组、蛋白质组、代谢组和表型组数据的模糊聚类比例值，横轴为聚类数k=2-6，纵轴为PAC值，不同曲线代表不同算法（如亲和传播、K均值等），较低PAC值表示较高的聚类稳定性，Fig.2 e-g为冲积图，e图对应k=2，f图对应k=3，g图对应k=4，每个子图中堆叠条形图显示各组学层（代谢组、表型组、蛋白质组、转录组）的簇分配，流动线表示患者在不同组学簇间的转换，直观展示对齐情况。无监督聚类在各组学层内稳定，但跨层一致性低，尤其转录组与表型组间显著不匹配，说明单一组学方法的局限性以及传统无监督方法的限制。

Fig.2 无监督聚类跨组学一致性对比

3. DIABLO多组学整合分析
整合多组学内容，DIABLO识别出稳健重要的多组学特征，能有效区分AKI（急性肾损伤）亚型(Fig.3)，但这里也缺少关键的临床获益关联。

Fig.3 DIABLO多组学整合分析结果

4. 液体复苏策略的转录组GD-SI分层
根据患者对限制性和宽松性输液方案的不同生存反应对患者进行分层，该流程涉及三个集成步骤：首先，使用倾向得分控制基线混杂；其次，应用A-learning Cox 模型来估计个体水平的治疗效益评分；最后，使用 LASSO 正则化将这些分数细化为基于稀疏集的简约模型。结论：GD-SI能分层患者以优化液体策略反应，而其中关键的指标则涉及免疫和能量代谢(Fig.4f)。

Fig.4 液体复苏策略患者分层和以及相关差异通路展示

5. 乌司他丁治疗的转录组GD-SI分层
研究团队根据患者对乌司他丁治疗的获益情况，使用GD-SI框架进行分析，构建获益评分体系，并发现其与吞噬囊泡膜等通路激活相关(Fig.5f)。

Fig.5 乌司他丁治疗策略患者分层和以及相关差异通路展示

6. 各个组学GD-SI分层一致性
目标导向亚组识别（GD-SI）基于不同组学对脓毒症患者进行治疗获益分层时，展现出强大的跨组学一致性(Fig.6)，能够有效识别对乌司他丁（UTI）和液体复苏疗法反应良好的患者。

Fig.6 各个组学分层一致性

研究结论

本研究开发的GD-SI框架将生物学异质性与临床可操作性相结合，为精准试验设计提供了方法参考。通过将多组学数据与治疗反应直接关联，该方法不仅提高了患者分型的准确性，而且显著增强了临床可操作性。研究结果表明，与传统无监督聚类方法相比，GD-SI框架在跨组学层的一致性方面表现更优，且在不同国际重症数据库中都展现出良好的泛化能力。

更重要的是，该框架为精准医疗提供了可扩展的基础设施，使临床医生能够根据患者的多组学特征预测其对特定治疗的反应，从而实现真正的个体化治疗。未来，这一方法有望扩展到其他治疗领域，如抗生素时机选择和抗凝治疗策略制定，为应对脓毒症治疗面临的挑战提供新策略。

原文链接：https://www.nature.com/articles/s41467-025-65271-4

背景介绍
脓毒症是一种由宿主对感染反应失调引起的危及生命的器官功能障碍综合征，占全球死亡病例的约20%，是重症医学领域的主要致死原因之一。其显著的病理生物学异质性阻碍了有效治疗方法的开发——同样的治疗方案，对不同患者可能完全无效甚至有害。传统分型方法依赖单一指标或无监督聚类，难以准确反映患者的异质性，常导致治疗策略与患者实际需求不符。2025年11月24日，由浙江大学医学院附属邵逸夫医院联合中国脓毒症多组学进展（CMAISE）联盟和多个单位发表在Nature Communications的研究：《Deriving consensus sepsis clusters via goal-directed subgroup identification in multi-omics study》，首次提出“目标导向亚组识别（GD-SI）”框架，对多组学数据进行分析整合，实现了从“生物学分型”到“治疗反应分型”的跨越。

文章标题

研究队列设计

本研究基于中国多组学脓毒症进展（CMAISE）队列，该队列是亚洲最大的脓毒症多组学资源库，涵盖了43家医院的1327名受试者（包括47名健康对照），研究采用了前瞻性、多中心的设计方案，囊括了转录组(n=2776)、蛋白质组(n=468)、代谢组(n=457)和表型组(n=3895)的多组学数据。

研究内容

1. 研究设计框架

Fig.1 为研究设计和多组学分析流程图，左侧描述CMAISE队列纳入来自43家医院的1327名参与者（含健康对照），并匹配多组学检测。流程图展示了研究关键的分析步骤：1、对每个组学层进行无监督共识聚类分析，评估跨组学层的一致性；2、采用DIABLO方法进行多组学数据整合，识别与急性肾损伤（AKI）相关的生物标志物；3、最后，建立和使用GD-SI框架，在各个组学层面分别通过LASSO回归模型计算个体化的治疗获益评分，用于指导液体复苏策略和乌司他丁（UTI）治疗获益的患者分层。

Fig.1 研究设计和多组学分析流程图

2. 无监督聚类跨组学一致性对比

Fig.2 a-d分别展示转录组、蛋白质组、代谢组和表型组数据的模糊聚类比例值，横轴为聚类数k=2-6，纵轴为PAC值，不同曲线代表不同算法（如亲和传播、K均值等），较低PAC值表示较高的聚类稳定性，Fig.2 e-g为冲积图，e图对应k=2，f图对应k=3，g图对应k=4，每个子图中堆叠条形图显示各组学层（代谢组、表型组、蛋白质组、转录组）的簇分配，流动线表示患者在不同组学簇间的转换，直观展示对齐情况。无监督聚类在各组学层内稳定，但跨层一致性低，尤其转录组与表型组间显著不匹配，说明单一组学方法的局限性以及传统无监督方法的限制。

Fig.2 无监督聚类跨组学一致性对比

3. DIABLO多组学整合分析
整合多组学内容，DIABLO识别出稳健重要的多组学特征，能有效区分AKI（急性肾损伤）亚型(Fig.3)，但这里也缺少关键的临床获益关联。

Fig.3 DIABLO多组学整合分析结果

4. 液体复苏策略的转录组GD-SI分层
根据患者对限制性和宽松性输液方案的不同生存反应对患者进行分层，该流程涉及三个集成步骤：首先，使用倾向得分控制基线混杂；其次，应用A-learning Cox 模型来估计个体水平的治疗效益评分；最后，使用 LASSO 正则化将这些分数细化为基于稀疏集的简约模型。结论：GD-SI能分层患者以优化液体策略反应，而其中关键的指标则涉及免疫和能量代谢(Fig.4f)。

Fig.4 液体复苏策略患者分层和以及相关差异通路展示

5. 乌司他丁治疗的转录组GD-SI分层
研究团队根据患者对乌司他丁治疗的获益情况，使用GD-SI框架进行分析，构建获益评分体系，并发现其与吞噬囊泡膜等通路激活相关(Fig.5f)。

Fig.5 乌司他丁治疗策略患者分层和以及相关差异通路展示

6. 各个组学GD-SI分层一致性
目标导向亚组识别（GD-SI）基于不同组学对脓毒症患者进行治疗获益分层时，展现出强大的跨组学一致性(Fig.6)，能够有效识别对乌司他丁（UTI）和液体复苏疗法反应良好的患者。

Fig.6 各个组学分层一致性

研究结论

本研究开发的GD-SI框架将生物学异质性与临床可操作性相结合，为精准试验设计提供了方法参考。通过将多组学数据与治疗反应直接关联，该方法不仅提高了患者分型的准确性，而且显著增强了临床可操作性。研究结果表明，与传统无监督聚类方法相比，GD-SI框架在跨组学层的一致性方面表现更优，且在不同国际重症数据库中都展现出良好的泛化能力。

更重要的是，该框架为精准医疗提供了可扩展的基础设施，使临床医生能够根据患者的多组学特征预测其对特定治疗的反应，从而实现真正的个体化治疗。未来，这一方法有望扩展到其他治疗领域，如抗生素时机选择和抗凝治疗策略制定，为应对脓毒症治疗面临的挑战提供新策略。

原文链接：https://www.nature.com/articles/s41467-025-65271-4

问询（中文）

公众号