吸附炭疽疫苗相关抑郁不良事件的真实世界分析:整合药物警戒信号、机器学习风险预测与转录组机制

Real-world analysis of depression-related adverse events associated with the adsorbed anthrax vaccine: integrating pharmacovigilance signals, machine learning risk prediction, and transcriptomic mechanisms

作者信息Guangwei Qing, Yimei Zhao, Jian Yang, Gang Wang
PMID42576235
发布时间2026-08-10
DOI10.1186/s40249-026-01483-0

实验完整度

中

基于VAERS和FAERS的药物警戒分析、七种机器学习模型、生存分析及GEO转录组数据挖掘,但缺乏体外或动物实验等直接功能验证。

主要模型

VAERS数据库中的AVA接种者报告 FAERS数据库中的炭疽抗菌药物使用者报告 GSE34407数据集中的LeTx处理PBMC GSE38206数据集中的MDD患者PBMC

重点核对

VAERS报告时间范围:1993–2025,排除国外报告 FAERS去重规则:按CASEID和FDA_DT排序,保留最新报告 不成比例分析采用ROR、PRR、BCPNN、MGPS四种方法 机器学习模型训练集70%,测试集30%,五折交叉验证 转录组数据筛选标准:|log2FC|>1.5且P.adj<0.05

摘要

背景:炭疽在资源有限的环境中仍然是一种危及生命的人畜共患病。吸附炭疽疫苗(AVA,BioThrax)是美国唯一授权用于高风险炭疽芽孢杆菌暴露的暴露前预防药物。尽管AVA的安全性已有描述,但抑郁相关不良事件(AEs)仍未得到充分表征。本研究评估了与AVA及炭疽相关抗菌药物相关的真实世界抑郁相关安全信号。方法:从疫苗不良事件报告系统(VAERS)中提取AVA相关AE报告,并从FDA不良事件报告系统(FAERS)中检索七种炭疽相关抗菌药物的抑郁相关AE报告。AE使用《监管活动医学词典》(MedDRA)进行编码。使用四种标准信号检测方法进行不成比例分析,并通过排除同时接种进行敏感性分析。七种互补的机器学习算法,涵盖回归、基于树、提升、核、基于实例和概率方法,探索预测因子,并使用Shapley加法解释(SHAP)进行解释。还评估了发病时间、临床优先级和探索性转录组特征。结果:在VAERS中,共识别出9446份AVA相关AE报告,其中180例为抑郁相关病例[总抑郁人群n=180,ROR 5.02(95% CI:4.33–5.81)]。男性(78.2%)和31-45岁个体(49.1%)占比最高,中位发病时间为10天,44.1%被归类为严重。在46-65岁个体[n=35,ROR 10.31(95% CI:7.37–14.42)]和男性[n=142,ROR 6.11(95% CI:5.16–7.24)]中观察到更强的信号。机器学习强调严重AE和年龄是关键预测因子。转录组分析提示免疫炎症通路重叠,包括中性粒细胞活化和耶尔森菌感染。在FAERS中,左氧氟沙星[n=634,ROR 1.37(95% CI:1.27–1.49)]和多西环素[n=332,ROR 1.53(95% CI:1.38–1.71)]显示出阳性的抑郁相关报告信号;“抑郁自杀”具有中度临床优先级。结论:AVA与潜在的抑郁相关药物警戒信号相关,尤其是在男性和成年人中,且疫苗接种后早期发病。这些发现支持在AVA后进行有针对性的心理健康监测,在炭疽预防计划中进行更清晰的安全沟通,以及在炭疽治疗中使用左氧氟沙星或多西环素时保持警惕。由于自发报告不能确定因果关系或发病率,需要对照流行病学研究。

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
吸附炭疽疫苗(AVA)及炭疽相关抗菌药物是否与抑郁相关不良事件(AEs)的过度报告相关,并探索可能的预测因素和分子机制。
核心机制
AVA可能通过免疫炎症通路(如中性粒细胞活化和耶尔森菌感染通路)触发抑郁相关AE,且严重AE和年龄是重要风险因素;左氧氟沙星和多西环素可能通过不同机制(如GABA受体抑制和肠道菌群失调)引起抑郁相关AE。
主要证据
在VAERS中识别出180例抑郁相关AE,总体ROR=5.02,男性、46-65岁人群信号更强;机器学习模型(随机森林、XGBoost)和LASSO回归将严重AE和年龄列为关键预测因子;转录组分析显示LeTx处理PBMC和MDD患者PBMC存在37个共同上调基因,富集于中性粒细胞活化和耶尔森菌感染通路。
研究意义
研究支持在AVA接种后进行心理健康监测,加强炭疽预防计划中的风险沟通,并对使用左氧氟沙星或多西环素治疗炭疽的患者保持警惕。

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。

1

药物警戒信号检测

检测AVA和炭疽抗菌药物与抑郁相关AE的关联信号。

从VAERS和FAERS提取相关AE报告,使用MedDRA编码,进行不成比例分析(ROR、PRR、BCPNN、MGPS),并进行敏感性分析排除同时接种。

2

临床特征描述

描述AVA相关抑郁AE的人口学和时间特征。

计算性别、年龄分布,中位TTO,Weibull分布分析,Cox回归分析预测因素。

3

机器学习风险预测

识别AVA相关抑郁AE的预测因素。

建立七种机器学习模型(LASSO、KNN、SVM、RF、NB、XGBoost、决策树),评估性能,使用SHAP解释特征重要性。

4

转录组分析

探索AVA相关免疫扰动与抑郁之间的分子机制。

分析GSE34407(LeTx处理PBMC)和GSE38206(MDD患者PBMC)数据,进行差异基因表达、GO/KEGG富集分析,并交集分析。

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。

产品清单

实验环节名称品牌货号
疫苗不良事件报告系统 (VAERS)----
FDA不良事件报告系统 (FAERS)----
基因表达综合数据库 (GEO)----
R软件版本4.2.2R Foundation for Statistical Computing--
EasyR软件版本2.0.1EasyR development team--

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
数据提取
VAERS报告范围:1993-2025,仅限美国报告;FAERS药物包括七种抗菌药物,仅纳入主要怀疑药物。
阅读提示:Methods: Data extraction and processing
信号检测
四种不成比例分析方法的具体阈值。
阅读提示:Methods: Disproportionality analysis; Supplementary Table 2
机器学习建模
数据分割比例70/30,五折交叉验证,网格搜索范围。
阅读提示:Methods: Construction of the machine learning model
转录组分析
GSE34407和GSE38206数据集的样本处理条件(如LeTx浓度和暴露时间)。
阅读提示:Methods: Gene expression data analysis