Identifying Predictive Biomarkers of Response in Patients With Rheumatoid Arthritis Treated With Adalimumab Using Machine Learning Analysis of Whole-Blood Transcriptomics Data.
研究背景
肿瘤坏死因子抑制剂（TNFi）改善了类风湿关节炎（RA）管理，但约40%患者因无应答或不良反应停药。本研究旨在通过全血转录组学分析结合机器学习模型，识别预测阿达利单抗治疗效果的生物标志物。
方法速览
- 患者队列：纳入100名即将开始TNFi治疗的RA患者，获取基线和3个月随访样本数据。
- 差异基因表达分析：用glmmSeq R包，控制患者变异性。
- 机器学习：用随机森林算法构建分类器，嵌套10折交叉验证优化超参数，选前30个重要基因分析。
- 功能富集分析：用Metascape理解关键基因功能。
- 网络分析：用图形LASSO技术构建基因网络。
主要发现
- 差异基因表达：鉴定出84个与治疗反应相关基因，36个在应答者中高表达，50个在非应答者中高表达。
- 随机森林分类器：预测治疗效果准确性高，AUC值最高达0.86，识别多个相关基因。
- 网络分析：确定MZB1为枢纽基因，其在非应答者中高表达与抗药物抗体形成有关。
- MZB1与抗药物抗体：基线MZB1表达水平与抗药物抗体产生显著相关，低表达可能预示更好治疗反应。
- 潜在生物标志物：LMOD1在应答者中表达上调，与MZB1相互作用；TRGV5可能是独立生物标志物；OLAH在非应答者中表达上调，低表达可能预示更好治疗效果。
总结展望
本研究为理解阿达利单抗治疗RA的转录组学变化提供初步见解，为个性化治疗策略奠定基础。但研究有局限性，如基于全血样本、样本不平衡、模型选择待优化。