在肝病诊疗领域，如何早期识别乙肝相关肝衰竭患者的继发感染风险一直是临床痛点。由于继发感染在早期往往缺乏典型的临床症状，致使约三分之一的感染病例直至患者入院后才被察觉，大幅增加患者死亡风险。

2026年3月3日，首都医科大学附属北京地坛医院金荣华院长，侯艺鑫主任，孙亚民研究员团队在Nature Communications杂志上发表题为“Proteomics-based machine learning model for predicting secondary infection in HBV-related liver failure”文章。本研究通过蛋白质组学与机器学习相结合的方法，开发出可早期预测继发感染的创新模型。首次系统描绘了乙肝相关肝衰竭继发感染的蛋白质组学图谱，为临床早期干预提供了全新的解决方案。拜谱生物为该研究提供了超高深度血液蛋白质组和PRM靶向蛋白质组技术服务。

英文标题：Proteomics-based machine learning model for predicting secondary infection in HBV-related liver failure

中文标题：基于蛋白质组学的机器学习模型用于预测HBV相关肝衰竭的继发感染

客户单位：首都医科大学附属北京地坛医院

研究材料：血浆

拜谱提供技术：超高深度血液蛋白质组和PRM靶向蛋白质组、机器学习分析

技术路线：

研究结果

1、从临床痛点出发：明确继发感染（SI）预测的未满足需求

为了突破传统预测模型的局限性，研究团队首先系统分析了乙型肝炎病毒（HBV）相关肝衰竭患者继发感染的临床特征。通过前瞻性多中心研究设计，在发现队列纳入114例患者，两个验证队列各纳入60例患者，发现SI患者普遍存在更严重的肝功能损伤、高黄疸水平以及凝血功能障碍。值得注意的是，入院时常规炎症标志物（如CRP、WBC）在SI与非SI患者间无显著差异，凸显了传统指标在早期预测中的局限性，也印证了开发新型分子预测模型的必要性。

2、血液蛋白质组学发现：揭示SI的分子特征

为探索继发感染的分子机制，研究团队对发现队列进行DB纳米磁珠富集（DBE kit）的非靶向血液蛋白质组学分析，共鉴定出974个差异表达蛋白（DEPs），其中炎症相关蛋白占27%，凝血相关蛋白占19%（图1a-c）。KEGG通路富集分析，显示血小板激活、补体凝血级联等通路显著失调。

进一步的相关性分析揭示了炎症与凝血系统的密切交互：炎症蛋白CALCA、SAA2与CRP呈强正相关，而凝血相关蛋白PLAT与CRP呈显著负相关；凝血指标PT、INR则与炎症调节因子TNFAIP6、IL1RL1等显著相关（图1d-g）。这些发现首次从分子层面证实了炎症-凝血轴在SI发病中的核心作用。

图1 非靶向血液蛋白质组学在发现队列中的结果编辑

3、靶向蛋白质组学：验证关键标志物

基于非靶向的发现，研究团队在验证队列中采用PRM靶向蛋白质组学技术对31个候选蛋白进行验证。结果显示，继发感染组中炎症/免疫相关蛋白占24%，凝血相关蛋白占27%，进一步证实了炎症-凝血失衡的核心作用（图2a-c）。

相关性分析发现，凝血因子F2、ITGA2B、Serpin C1等与CRP、NE%显著相关，而急性期反应蛋白SAA1、S100A9、LYZ等与PT、INR呈强正相关（图2d）。这些靶向验证结果为模型构建提供了可靠的分子标志物。

图2 靶向蛋白质组学在验证队列中的结果编辑

4、机器学习建模：构建预测性能卓越的模型

为实现精准风险预测，研究团队比较了五种机器学习算法，最终选择逻辑回归（LR）作为核心分类器，基于mRMR算法筛选的10个核心蛋白标志物（CALM1、LYZ、TMSB4X、GC、CRP、Serpin D1、DPT、A2M、PF4V1和SNCA）(图3d-f)，结合AST和Tbil水平，研究团队构建了逻辑回归预测模型（Model 1）。进一步筛选出6个独立预测因子：4个蛋白标志物（LYZ、CALM1、Serpin D1、DPT）和2个临床指标（AST、Tbil）作为预测模型（Model 2）。

图3 模型1在发现队列中的表现编辑

在发现队列中，Model 1的AUROC达0.980，优于Model 2（0.973）、传统炎症指标CRP（0.645）、WBC（0.674）和NE%（0.642）。在28天死亡率预测方面，Model 1 AUROC达0.883，优于CLIF-C ACLF评分（0.545）。（图4）

图4 多种模型在发现队列中的表现编辑

5、多维度验证：确证模型的稳健性与临床适用性

在验证队列中，Model 1持续保持高预测准确性（AUROC=0.873），且显著优于其他指标（图5）。通过ELISA技术对核心蛋白标志物进行定量验证，发现LYZ在SI患者中显著升高，而CALM1、Serpin D1和DPT水平降低。基于ELISA数据的模型同样达到0.883的AUROC值，证实了其临床应用的可行性。

图5 模型在验证队列中的表现编辑

文章小结

本研究通过系统的蛋白质组学分析与机器学习建模，成功开发出可早期预测乙肝相关肝衰竭继发感染的风险评估模型。四个蛋白标志物（LYZ、CALM1、Serpin D1、DPT）与两个临床指标（AST、Tbil）的组合在多个独立队列中展现出优异的预测性能，并在ELISA平台上得到验证。该研究不仅揭示了炎症-凝血失衡在继发感染发病中的核心作用，更为临床提供了可在入院48小时内识别高危患者的实用工具，有望显著改善这类危重患者的临床预后。

拜谱小结

随着血液蛋白组学研究深入，大队列、高深度检测成为必然趋势。拜谱生物超高深度血液蛋白质组解决方案，以DB纳米磁珠富集技术打破传统局限，实现8000+蛋白稳定检出，覆盖大量低丰度功能蛋白，数据重复性与精准度行业领先。拜谱生物可提供“非靶向筛选-靶向验证-机器学习建模”一体化服务，助力科研人员突破鉴定深度不足、数据质量不佳的难题，高效挖掘疾病标志物、深化机制研究，加速科研成果向临床转化。若您正开展血液蛋白组相关研究，渴望提升检测深度与数据可靠性，欢迎联系我们，携手推动精准医疗迈上新台阶！

参考文献

Xiong F, Zheng J, Chen J,et,al. Proteomics-based machine learning model for predicting secondary infection in HBV-related liver failure. Nat Commun. 2026 Mar 3. doi: 10.1038/s41467-026-69075-y. Epub ahead of print. PMID: 41776162.