患者队列建立与样本采集
收集ARDS患者临床数据、血浆样本和预后信息，以用于模型开发和验证
从75例ARDS患者（根据AECC或柏林定义诊断）收集临床数据，并在ICU入院48小时内采集血浆样本。样本用EDTA管收集，离心后储存于-80°C。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
整合生物标志物/细胞因子、临床和代谢组学数据的ARDS死亡率预测建模
Predictive modeling of ARDS mortality integrating biomarker/cytokine, clinical and metabolomic data
实验完整度
高包含人类ARDS队列（75例，61例建模，14例验证）的临床、代谢组和细胞因子数据，结合XGBoost机器学习建模、DESeq2差异分析、通路富集分析，并在猪脓毒症/ARDS模型中进行代谢组学验证。
主要模型
ARDS患者队列（75例） 猪脓毒症/ARDS模型（Yucatan雄性小型猪）
重点核对
ARDS诊断标准：AECC或柏林定义 样本采集时间：确诊ARDS后48小时内 血浆样本处理：EDTA管，2000×g 4°C离心20分钟 细胞因子测量：Meso Scale Discovery (MSD)电化学发光免疫分析 代谢物测量：GC-TOF质谱（UC Davis NIH West Coast Metabolomics） 机器学习模型：XGBoost，3折交叉验证，61例训练测试，14例验证
摘要
急性呼吸窘迫综合征（ARDS）以呼吸衰竭快速发作和约40%的死亡率为特征，仍是重症医学中的重大挑战。尽管支持治疗取得了进展，但ARDS死亡率的准确预测仍然困难，导致针对性干预和有效疾病管理的延迟。传统的危重疾病严重程度评分缺乏ARDS特异性，强调了对ARDS死亡率更精确预后工具的需求。为解决这一关键缺口，我们采用多模式方法，利用来自ARDS患者（在ICU入院数小时内收集）的综合临床、代谢组学和生化/细胞因子数据来预测ARDS患者，开发并验证ARDS死亡风险的预测模型。最稳健的多模式数据模型表现出优越的预测能力，测试集AUC为0.868，验证集AUC为0.959。值得注意的是，该模型在验证队列中识别非幸存者时达到了完全特异性，凸显了在ICU环境中指导早期和针对性干预的潜在效用。代谢组学分析揭示了与ARDS死亡率相关的关键途径的显著改变，其中色氨酸代谢，特别是犬尿氨酸途径，成为最显著富集的代谢途径，以及NAD+代谢/烟酰胺磷酸核糖转移酶（NAMPT）和糖胺聚糖生物合成途径。这些代谢紊乱在猪脓毒症/ARDS模型的肺组织脂质组学/代谢组学分析中得到了有力证实。总之，这些发现证明了整合多模式数据以改善ARDS预后判断的潜力，并为严重ARDS复杂的代谢紊乱提供了重要见解。识别代谢特征，如犬尿氨酸和NAD+代谢/NAMPT途径，可能为开发针对ARDS患者的个性化和有效靶向干预及管理策略奠定基础。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否整合临床、代谢组学和细胞因子数据，开发并验证ARDS患者28天死亡率的早期准确预测模型？
- 核心机制
- 色氨酸代谢（尤其是犬尿氨酸途径）和NAD+代谢（包括NAMPT）是最显著的富集途径，且犬尿氨酸在死亡风险高的患者中丰度更高，提示这些代谢紊乱与ARDS死亡率相关。
- 主要证据
- 整合所有参数（代谢组、细胞因子、临床）的XGBoost模型在测试集AUC 0.868，验证集AUC 0.959，且验证集特异性100%。代谢组学通路分析显示犬尿氨酸途径显著富集，并在猪ARDS模型肺组织中验证了相关代谢物变化。
- 研究意义
- 多组学整合模型可能为ARDS死亡率提供更精确的预后工具，并识别关键代谢途径（如犬尿氨酸和NAMPT）作为潜在治疗靶点，为个性化干预策略奠定基础。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
细胞因子和代谢物测量
定量血浆中细胞因子/生物标志物和代谢物水平，用于预测建模和通路分析
使用MSD电化学发光免疫分析测量IL-6、IL-8、IL-1β、MIF、eNAMPT、SELPG和Ang-2。使用GC-TOF质谱在非靶向模式下定量血浆代谢物，包括碳水化合物、氨基酸和核苷酸。
机器学习模型开发与验证
使用不同特征组合训练XGBoost模型，预测28天死亡率，并评估性能
使用4种特征集（仅代谢物、代谢物+临床参数、代谢物+细胞因子、全部参数）训练XGBoost模型。61个样本用于3折交叉验证和测试，14个样本作为独立验证集。模型在测试集和验证集上评估AUC、敏感性、特异性。
差异丰度和通路富集分析
识别与ARDS死亡率相关的差异代谢物和富集通路，揭示潜在机制
使用DESeq2进行差异丰度分析（以死亡状态为分组），并使用FELLA进行通路富集分析，基于KEGG通路、模块、酶和代谢物。
猪ARDS模型验证
验证人类ARDS中发现的代谢紊乱是否在猪脓毒症/ARDS模型中得到复现
使用先前报道的猪脓毒症/ARDS模型（LPS+机械通气），通过MALDI-MS成像分析肺组织的代谢组和脂质组变化，并评估eNAMPT中和抗体（ALT-100）的治疗效果。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
统计与机器学习建模
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞因子测量 | Meso Scale Discovery (MSD) 检测 | Meso Scale Discovery | -- |
| 代谢物测量 | 气相色谱-飞行时间质谱（GC-TOF-MS） | Leco | -- |
| Rtx-5Sil MS 色谱柱 | Restek | -- | |
| 数据处理与标准化 | R | -- | -- |
| 通路富集分析 | KEGG | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者队列与样本 | ARDS诊断标准（AECC或柏林定义）；样本采集时间（48小时内）；血浆处理（EDTA管，2000×g 4°C离心20分钟，-80°C储存） 阅读提示：Methods: Human subjects, Sample collection |
| 细胞因子测量 | Meso Scale Discovery (MSD) panel 具体试剂盒型号；细胞因子种类（IL-6, IL-8, IL-1β, MIF, eNAMPT, SELPG, Ang-2） 阅读提示：Methods: Cytokine data collection |
| 代谢物测量 | GC-TOF-MS参数（电离能、检测器电压、色谱柱、升温程序）；样品前处理（提取溶剂、衍生化试剂） 阅读提示：Methods: Metabolite Mass spectrometry data collection |
| 机器学习模型 | XGBoost超参数；特征集划分；交叉验证折数（3折）；验证集样本（14例） 阅读提示：Methods: Machine learning models, Model training |
| 猪ARDS模型 | 猪品系（Yucatan雄性小型猪）；LPS剂量和给药途径；机械通气参数；ALT-100给药剂量（0.4 mg/kg）和时间（2或6小时） 阅读提示：Methods: Porcine model of ARDS |
| 差异与通路分析 | DESeq2参数；FELLA参数；KEGG背景 阅读提示：Methods: Statistical Analysis |