编者按

2024年6月13~16日，第22届亚太肾脏病学大会和第44届韩国肾脏病学会年会（APCN & KSN 2024）在韩国首尔举行，来自全球53个国家和地区的3523名研究者参加了此次大会，大会组委会共计评选出12项“最佳摘要奖——Best Abstract Award”。天津医科大学于珮教授团队提出了一种在回顾性临床研究中，应用人工智能算法发现糖尿病肾病免疫治疗靶点的探索性方法，获此殊荣。

糖尿病是慢性肾脏病（CKD）和终末期肾病的主要原因之一，高达40%的糖尿病患者发展为CKD，患有糖尿病相关肾病的患者进展为肾衰竭和死亡的风险也更高。近年来，诸多研究表明，慢性低度系统性炎症和固有免疫细胞激活，与CKD进展关系密切[1,2]。然而，免疫细胞导致糖尿病肾病（DKD）肾脏损伤的具体分子机制尚不明确，有待开发调控免疫细胞的药物或临床防治手段。

高素华博士现场报告

【研究展示】

背景

回顾性临床研究是医学研究中一种重要的方法，它通过对实际医疗环境中产生的数据进行深入分析，以揭示疾病的真实发生情况和治疗效果。相比于传统建模方法，人工智能技术（AI）在模式识别和关联分析方面具有显著优势[3]，通过对大数据集进行深度挖掘，AI可以发现隐藏在数据中的潜在规律和关联关系，帮助临床医生更加高效地进行研究，从而为临床实践提供更加精准的指导。未来，AI将会在疾病治疗靶点识别和个体化医疗（Personalised Healthcare）中发挥越来越重要的作用[4]。

方法结果

根据既定的纳排标准，我们从数据库中获得糖尿病肾病患者组（DKD, n = 90）和对照组（Control, n = 61）肾穿样本的转录组测序原始数据，随机分为训练集（Control, n = 41, DKD, n = 49）和验证集（Control, n = 20, DKD, n = 41）。随后按照统一流程进行质控，包括质量评估、背景矫正、标准化、去除批次效应等。

采用ssGSEA、ESTIMATE、xCell、GSVA等免疫浸润评分算法获得样本的免疫评分；采用加权基因共表达网络分析（weighted gene co-expression network analysis, WGCNA）算法对显著性差异基因（differentially expressed genes, DEGs）进行相关性分析；采用ConsensusClusterPlus算法对样本进行分层聚类；采用Lasso、support vector machine、random forest等监督机器学习算法构建模型；采用基于最佳C-index的LOO-CV（Leave-One-Out Cross Validation）算法，筛选最佳预测模型；采用Nephroseq v5、STRING v11.5、Cytoscape v3.9.1、ClusterProfiler v4.0.5、GSEA、Seurat v4.0.3、HPA v22.0、UniProt等工具或R包，开展临床指标相关性分析、富集分析、单细胞测序数据分析等筛选出最佳靶点蛋白Tyro3（Tyrosine-protein kinase receptor，蛋白酪氨酸激酶受体）并验证。细胞实验部分采用小鼠MPC-5细胞系，设置不同分组干预后，对Tyro3/Nphs1/Nphs2/Podxl等基因的mRNA表达水平进行检测。

研究结果图

结论

我们提出了一种在回顾性临床研究中，应用人工智能算法的糖尿病肾病免疫治疗靶点发现的探索性方法，以期为研究固有免疫细胞和肾实质细胞（renal parenchymal cells）之间的串扰机制，以及开发针对常驻肾脏组织免疫细胞的特异性靶点药物，提供科学依据。对于如何精确调控固有免疫细胞，以及如何将这些策略安全有效地应用于临床治疗等关键问题，目前，研究者团队正在开展相关前瞻性研究。

专家简介

于珮 教授

医学博士，主任医师，教授，博士研究生导师

天津医科大学朱宪彝纪念医院 血液净化中心 科主任

天津医科大学第二医院 肾内科&肾脏病血液净化中心 科主任

澳大利亚新南威尔士大学访问学者

津门英才、天津医科大学一层次领军人才

中华医学会肾病学分会第十二届委员会委员

天津肾病学质控中心副主委

天津整合医学会肾病与代谢委员会主委

天津中西医结合学会肾病学分会副主委

天津医师协会肾病学分会副会长

天津医学会肾病学分会常委

从事糖尿病肾病的发病机理及防治研究。承担国家自然科学基金、天津市科技支撑重大项目、卫健委重大科学研究基金等20余项项目。获天津市科技进步二等奖4项。获国家发明专利1项。发表论著100余篇，SCI收录80余篇。

高素华 博士

医学博士，主治医师

参考文献

(1)Tang, S. C. W.; Yiu, W. H. Innate Immunity in Diabetic Kidney Disease. Nat Rev Nephrol 2020, 16 (4), 206–222. https://doi.org/10.1038/s41581-019-0234-4.

(2)Wada, J.; Makino, H. Innate Immunity in Diabetes and Diabetic Nephropathy. Nat Rev Nephrol 2016, 12 (1), 13–26. https://doi.org/10.1038/nrneph.2015.175.

(3)Haug, C. J.; Drazen, J. M. Artificial Intelligence and Machine Learning in Clinical Medicine. N Engl J Med 2023, 388 (13), 1201–1208. https://doi.org/10.1056/NEJMra2302038.

(4)Acosta, J. N.; Falcone, G. J.; Rajpurkar, P.; Topol, E. J. Multimodal Biomedical AI. Nat Med 2022, 28 (9), 1773–1784. https://doi.org/10.1038/s41591-022-01981-2.