摘要：研究整合临床数据和微生物组特征，通过六种机器学习算法开发预测模型，其中支持向量机（SVM）模型表现最佳，显著优于单纯临床数据模型，凸显了微生物组数据对预测效能的提升。
【一分钟秒懂要点】
1. 研究发现ITP患者的肠道微生物组成与健康人群存在显著差异，特定微生物物种的丰度与皮质类固醇（CS）治疗反应密切相关。
2. 研究整合临床数据和微生物组特征，通过六种机器学习算法开发预测模型，其中支持向量机（SVM）模型表现最佳，显著优于单纯临床数据模型，凸显了微生物组数据对预测效能的提升。
3. 该模型为非侵入性预测ITP患者对CS治疗反应提供了新工具，有助于早期识别可能耐药的患者，从而指导个性化治疗决策。
4. 第63届美国血液学年会（ASH）口头报告，文章以Article形式发表于Advanced Science杂志，并被选为第22期杂志内封封面。
通讯作者
张晓辉 教授
主任医师，二级教授，博士生导师
北京大学人民医院血液科
北京大学血液病研究所副所长
国家血液系统疾病临床医学研究中心副主任兼办公室主任
简历请点击：国家中心PI：张晓辉
第一作者
刘凤琪 博士研究生
国家血液系统疾病临床医学研究中心
北京大学血液病研究所
北京大学人民医院
导师：张晓辉教授
研究方法
本研究纳入来自21个临床中心的212例ITP患者粪便样本进行宏基因组测序分析，其中152例接受了CS治疗和随访。本研究利用全部基线样本数据进行横断面描述性研究，并与人群特征及临床指标开展相关性分析，关键临床指标包括入组时ITP病程、WHO出血评分、血常规参数及过去六个月用药史。针对46对糖皮质激素治疗前后的配对样本，通过微生物丰度及网络分析探究糖皮质激素与肠道菌群的相互作用。另外152例可评估糖皮质激素疗效的患者，分为治疗有效组（R组，117例）和治疗无效组（NR组，35例），采用机器学习技术将基线粪便微生物组数据与临床指标相结合预测治疗效果。其中训练集包含北京地区两个队列的100例样本，测试集则由来自全国20个中心的52例样本组成。治疗组分为治疗有效组（R组，117例）和治疗无效组（NR组，35例）。预测模型整合微生物分类、功能组分及临床指标，使用六种机器学习算法进行训练，可为ITP临床治疗决策提供有益参考。
研究结果
· 肠道菌群与ITP临床特征的关联
研究发现ITP患者的肠道微生物组成与健康人群存在显著差异。肠道菌群分析显示年龄与菌群构成显著相关（p=0.007），校正年龄后，血小板计数与特定菌种（如Clostridium clostridioforme, Dorea longicatena, Bifidobacterium longum, Riminococcus gnavus等）丰度呈负相关，Lactobacillus mucosae（黏膜乳杆菌）丰度则与年龄正相关（FDR=0.015）。疾病亚组分析表明，新诊断/持续性ITP组肠道菌群α多样性显著低于健康组，而接受过糖皮质激素治疗的ITP患者菌群Shannon指数高于未治疗的患者，提示治疗史可能影响菌群多样性。网络分析识别出ITP患者中厚壁菌门与变形菌门菌属的密集互作模块，且Riminococcus gnavus（瘤胃球菌）等特定菌种与新诊断/持续性ITP亚型显著正相关，而Alistipes putredinis则呈负相关，提示菌群特征与疾病进程存在关联。· 肠道微生物组与糖皮质激素治疗反应的相关性
对46例ITP患者糖皮质激素治疗前后粪便菌群纵向分析显示，治疗后78.3%患者有效，虽整体菌群多样性无显著变化，但物种水平鉴定出21个差异菌种，其中Alistipes属6种菌丰度显著升高，而Phascolarctobacterium succinatutens等3种高丰度菌显著降低。网络分析揭示治疗后菌群结构重组，厚壁菌门主导模块与新菌群形成交互，且黏膜乳杆菌等菌种丰度变化提示糖皮质激素可能通过特定菌种调控影响ITP患者肠道微生态。另外，来自ITP患者的基线样本中，特定微生物物种（如Bacteroides ovatus、Bacteroides xylanisolvens和Parabacteroides gordonii）的丰度与糖皮质激素治疗反应密切相关。例如， R组中某些益生菌丰度较高，而NR组中与炎症相关的菌种（如Ruminococcus faccis）更丰富；NR组基线菌群α多样性更低；从功能分析来说，R组“脂酸代谢”“缬氨酸降解”等通路显著富集，“柠檬酸循环”相关模块丰度更高。
· 机器学习预测模型的构建
研究整合临床数据（性别、年龄、血小板计数等）和微生物组特征（物种丰度、α多样性、KEGG通路等），通过六种机器学习算法开发预测模型。其中支持向量机（SVM）模型表现最佳，外部验证的AUC达0.80，显著优于单纯临床数据模型（AUC=0.52），凸显了微生物组数据对预测效能的关键提升。该模型为非侵入性预测ITP患者对CS治疗反应提供了新工具，有助于早期识别可能耐药的患者，从而指导个性化治疗决策（如直接启用二线疗法）。研究还通过多中心样本验证了模型的泛化能力，为未来临床应用奠定了基础。
研究者解析：
本研究创新性地构建了基于临床因素结合肠道微生物群生物标志物的机器学习模型，通过无创检测提高了预测效率。通过整合多组学数据与机器学习，该研究为ITP的精准治疗提供了新方向，未来需进一步验证模型并探索菌群调控策略。原文链接：
Liu FQ, An ZY, Cui LJ, Xiao MY, Wu YJ, Li W, Zhang BS, Yu L, Feng J, Liu ZG, Feng R, Jiang ZX, Huang RB, Jing HM, Ren JH, Zhu XY, Cheng YF, Li YH, Zhou HB, Gao D, Liu Y, Yu F, Wang X, Qiao JL, Hu DH, Wang LL, Zang MT, Chen Q, Qu QY, Zhou JY, Li ML, Chen YX, Huang QS, Fu HX, Li YY, Wang QF, Huang XJ, Zhang XH; Cooperative ITP Working Group. Correlation Between Fecal Microbiota and Corticosteroid Responsiveness in Primary Immune Thrombocytopenia: an Exploratory Study. Adv Sci (Weinh). 2025 Mar 5:e2410417. doi: 10.1002/advs.202410417. Epub ahead of print. PMID: 40040609.
本平台旨在为医疗卫生专业人士传递更多医学信息。本平台发布的内容，不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议。如该等信息被用于了解医学信息以外的目的，本平台不承担相关责任。本平台对发布的内容，并不代表同意其描述和观点。若涉及版权问题，烦请权利人与我们联系，我们将尽快处理。
来源：灵科超声波