数据整合与预处理
整合多队列肝脏转录组数据并校正批次效应，为轨迹推断提供标准化输入。
使用公开的UCAM和VCU队列RNA-seq数据，进行质量控制和批次校正（COMBAT），以性别为协变量。
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
基于数据驱动的框架重构人类MASLD进展的分子连续体
A data-driven framework reconstructs the molecular continuum of human MASLD progression
实验完整度
中基于跨队列转录组数据分析、网络构建、细胞去卷积及机器学习模型验证，主要依赖公开数据集，无湿实验功能验证。
主要模型
人类MASLD肝脏转录组队列（UCAM/VCU） 外部验证转录组队列（EPoS、Gubra、Fujiwara） 血浆蛋白质组队列（Govaere）
重点核对
伪时序排序算法（Slingshot）及轨迹推断参数 145基因特征提取的随机森林分类器及交叉验证设置 57基因生物标志物panel的构成及在独立队列中的AUC 细胞类型去卷积方法及参考图谱（Liver Cell Atlas）
摘要
代谢功能障碍相关脂肪性肝病（MASLD）沿着从单纯性脂肪变性到脂肪性肝炎、纤维化、肝硬化和肝细胞癌的连续体进展。然而，当前的临床和研究框架主要依赖于静态的、组织学定义的阶段，未能捕捉疾病进展的连续性。在此，我们提出一个数据驱动的框架，从横断面肝脏转录组谱中重构MASLD进展为连续的分子轨迹。通过将患者沿此轨迹定位，我们超越了传统的基于阶段的分类，并解析了疾病进展背后的调控程序、信号通路和细胞重塑过程的有序激活。为了实现非侵入性患者分层，我们将推断的分子轨迹与配对的肝脏-血浆蛋白质组学数据整合，并识别出一个57基因的血浆可及生物标志物组合，该组合可准确预测晚期纤维化，并在独立队列中连续定位患者沿疾病轨迹的位置，优于已建立的非侵入性临床评分。总之，这项工作建立了一个可推广的基于轨迹的框架，用于理解MASLD病理生理学，并为机制导向的生物标志物发现、精确分期和分期感知治疗优先级提供了基础。
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
- 如何从横断面肝脏转录组数据重构MASLD进展的连续分子轨迹，并整合血浆蛋白质组实现非侵入性患者分层？
- 核心机制
- MASLD进展表现为从代谢重编程（脂质代谢、转录调控）向炎症、细胞外基质重塑和纤维化信号（TGF-β、NF-κB等）的连续转变，伴随细胞组成变化（肝细胞减少，免疫细胞、成纤维细胞增加）。
- 主要证据
- 基于UCAM/VCU队列（n=135）的转录组数据推断轨迹，与组织学评分显著相关；145基因特征在EPoS、Gubra等外部队列中重现轨迹；57基因生物标志物在Fujiwara、EPoS队列及血浆蛋白质组中预测晚期纤维化（AUC 0.79-0.86）并预测轨迹位置。
- 研究意义
- 提供了一个基于轨迹的通用框架，用于理解MASLD病理生理学，并为机制导向的生物标志物发现、精确分期和分期感知治疗优先级奠定基础。
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。
伪时序轨迹推断
使用无监督方法将患者按分子相似性排序，构建连续疾病轨迹。
应用Slingshot对标准化后的转录组数据进行伪时序排序，获得轨迹坐标。
特征基因筛选与轨迹验证
识别最能代表疾病轨迹的基因特征，并验证其在独立数据集中的泛化性。
使用随机森林分类器从载荷基因中筛选出145个基因，并在EPoS、Gubra和Fujiwara数据集中验证轨迹重现能力。
滑动窗口分析
以连续方式划分患者轨迹，捕捉分子变化的时序动态。
开发基于图的方法确定最优滑动窗口序列，将患者分为13个重叠组，进行差异表达、TF活性及网络分析。
MASLD网络构建
整合共表达模块、转录因子和上游通路，构建疾病调控网络。
使用WGCNA识别模块，结合TF富集和PCSF算法构建全局网络，并验证与已知MASLD基因的富集。
细胞类型去卷积
评估轨迹中肝脏细胞组成的变化及其与分子通路的关系。
使用Liver Cell Atlas作为参考，应用多种去卷积方法（如CIBERSORT、BayesPrism）估计细胞比例，并进行通路-细胞类型关联分析。
生物标志物开发与验证
开发可无创检测的血浆生物标志物，用于纤维化分期和轨迹定位。
将MASLD网络与Govaere的194个血浆-肝脏相关基因交集，得到57基因；用随机森林分类和回归模型预测纤维化阶段和轨迹位置，并在外部数据集验证。
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。
轨迹推断与特征选择
转录因子活动分析
差异表达分析
生物标志物模型
产品清单
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 |
|---|---|
| 数据预处理 | 批次校正方法（COMBAT）及协变量（性别）；是否排除离群样本 阅读提示：Methods: RNA-seq analysis and data processing |
| 伪时序排序 | 排序算法（Slingshot）的具体参数；是否使用全转录组或145基因特征 阅读提示：Methods: Pseudo-temporal ordering of patients |
| 特征基因筛选 | 随机森林分类器的超参数（如树数量）；训练集和验证集划分 阅读提示：Methods: Extraction of 145 gene signatures using random forest classification |
| 滑动窗口分析 | 窗口大小集合和重叠比例；DEG阈值（FDR<0.1）；最优路径选择标准 阅读提示：Methods: Patients’ stratification into sliding windows |
| 网络构建 | WGCNA参数（软阈值、deepSplit、minClusterSize）；PCSF参数（边成本、节点奖赏）；网络来源数据库 阅读提示：Methods: Construction of the global MASLD network |
| 细胞去卷积 | 参考图谱（Liver Cell Atlas）的具体数据版本；去卷积方法列表及参数 阅读提示：Methods: Cell-type deconvolution analysis |
| 生物标志物模型 | 分类和回归模型的训练/测试划分比例；特征选择（elbow方法）的具体阈值；表达归一化方法（z-score） 阅读提示：Methods: Machine-learning models for non-invasive MASLD biomarker prediction |