12.01-12.07 临床预测模型研究顶刊快报

1、开发和验证用于急性细胞排斥反应的支气管肺泡灌洗基因组分类器  12.01  eBioMedicine

2、短期和长期临床减重试验中的代谢炎症、脑年龄与认知功能  12.02  eBioMedicine

1、系统性硬化症中自身抗体谱及抗CC基序趋化因子受体8自身抗体的功能作用：一项B细胞清除试验的事后分析  12.04  nature communications

2、粪便代谢物作为日常饮食的指标，能够反映饮食与肠道微生物群之间的相互作用  12.04  nature communications

3、基于机器学习的多重血清学数据，用于对痘病毒感染和MVA疫苗接种进行分类的框架  12.05  nature communications

4、深度学习预测电动汽车实际直流充电曲线和时长  12.05  nature communications

1、开发和验证用于急性细胞排斥反应的支气管肺泡灌洗液基因组分类器

Development and validation of a bronchoalveolar lavage genomic classifier for acute cellular rejection

（1）背景：肺移植后，急性细胞排斥反应（ACR）是慢性肺移植物功能障碍（CLAD）的主要风险因素，但目前诊断依赖侵入性的经支气管活检（TBB），存在采样误差和主观解读等局限。以往单中心研究表明，支气管肺泡灌洗细胞沉淀（BAL-cp）的基因表达分析具有诊断ACR的潜力。为此，本研究旨在利用多中心肺移植队列，开发并验证一种基于BAL-cp转录组学的基因组分类器，以实现更安全、准确的ACR无创诊断。

（2）结论：研究通过对806份BAL-cp样本进行RNA测序，识别出62个与ACR相关的差异表达基因，并构建了一个31个基因的随机森林预测模型。该模型在训练集中表现出极高区分度（AUC 0.99），在独立测试集和外部验证队列中仍保持良好性能（准确率分别为93.1%和82.1%）。更重要的是，模型预测的“基因组ACR”（尤其是移植90天后发生的）与CLAD风险显著相关（HR 2.52），表明该分类器不仅能替代TBB诊断ACR，还能用于预测移植后长期功能障碍风险，具有重要的临床转化价值。

2、短期和长期临床减重试验中的代谢炎症、脑年龄与认知功能

Metabolic inflammation, brain age and cognitive functioning in short- and long-term clinical weight loss trials

（1）背景：肥胖伴随的代谢炎症可能加速大脑衰老。基于脑MRI的机器学习模型衍生的“脑预测年龄差”是评估大脑健康的新兴生物标志物，但其在体重干预中与代谢指标的动态关联及对认知的预测价值尚不明确。

（2）结论：本研究采用卷积神经网络模型，从脑部MRI预测个体“脑年龄”。分析发现，体重减轻能显著降低脑预测年龄差，且其变化与代谢炎症标志物（如HOMA指数、瘦素）的改善显著相关。重要的是，脑预测年龄差的降低与精神运动速度等认知功能提升相关联，表明该模型能有效预测干预带来的神经认知获益。研究通过解释性人工智能进一步明确了相关脑区。

1、系统性硬化症中自身抗体谱及抗CC基序趋化因子受体8自身抗体的功能作用：一项B细胞清除试验的事后分析

Autoantibody landscape and functional role of anti-C-C motif chemokine receptor 8 autoantibodies in systemic sclerosis: post-hoc analysis of a B-cell depletion trial

（1）背景：系统性硬化症是一种以进行性纤维化和广泛自身抗体产生为特征的自身免疫性疾病，B细胞清除疗法（如利妥昔单抗）虽显示临床效益，但缺乏可靠的生物标志物来预测治疗反应，导致患者分层和治疗策略优化面临挑战，这促使研究者通过高通量自身抗体筛查探索潜在的预测工具。

（2）结论：研究运用多种机器学习模型（包括Lasso回归、Ridge回归、支持向量机、XGBoost和LightGBM）对患者血清中的自身抗体谱进行分析，这些模型在区分系统性硬化症患者与健康对照时表现出近乎完美的判别能力（ROC‑AUC > 0.96），然而，仅基于治疗前的自身抗体谱无法有效区分利妥昔单抗治疗的高应答者与低应答者，提示治疗过程中自身抗体水平的动态变化相比静态基线数据更能反映临床反应，从而为开发基于纵向免疫监测的预测模型提供了方向。

2、粪便代谢物作为日常饮食的指标，能够反映饮食与肠道微生物群之间的相互作用

Faecal metabolites as a readout of habitual diet capture dietary interactions with the gut microbiome

（1）背景：饮食与肠道微生物组互作复杂，粪便代谢物作为代谢终产物，为揭示此互作提供了功能窗口。本研究整合两大队列的饮食、粪便代谢组和宏基因组数据，旨在系统评估粪便代谢物作为饮食暴露标志物及构建相关预测模型的潜力。

（2）结论：研究利用随机森林构建了高性能预测模型，能准确预测个体对7种饮食模式的依从性（AUC最高0.83）及20种食物组的摄入量（AUC最高0.87），其预测10年心血管疾病风险的能力（AUC=0.86）显著优于传统饮食评分。研究还确定了54个核心预测代谢物，并揭示了其与肠道菌群组成的广泛关联，证实了粪便代谢组在量化饮食暴露和链接饮食-菌群互作中的强大预测价值。

3、基于机器学习的多重血清学数据，用于对痘病毒感染和MVA疫苗接种进行分类的框架

Machine learning-supported framework for the classification of mpox infection and MVA immunization from multiplexed serology data

（1）背景：由于 mpox 感染和 MVA 疫苗接种后产生的抗体存在高度交叉反应，传统血清学方法难以准确区分两者。为此，本研究提出了一种融合高通量多重血清学检测与机器学习预测模型的分类框架。该模型通过同时检测15种痘病毒抗原的IgG与IgM反应，旨在构建能够从复杂免疫背景中识别自然感染、疫苗免疫及未暴露状态的预测工具，以支持精准血清流行病学监测。

（2）结论：研究比较了六种机器学习算法，其中梯度提升分类器（GBC）展现出最优预测性能。在独立验证队列中，GBC模型区分MPXV感染的灵敏度达92%，特异性为88%，并能有效识别突破性感染。特征分析显示ATI-N-CPXV等抗原具有关键判别力，但模型在减少抗原数量后仍保持稳健。该研究证实，整合多维血清学数据的机器学习预测模型，能显著提升对痘病毒免疫状态的高通量、高精度分类能力

4、深度学习预测电动汽车实际直流充电曲线和时长

Deep learning predicts real-world electric vehicle direct current charging profiles and durations

（1）背景：准确预测电动汽车直流快充曲线与持续时间对基础设施优化至关重要。现有研究受限于数据规模与场景单一性。本文基于909,135条真实充电数据，提出一种深度学习预测框架，专注于利用充电开始时易获取的少量输入（如起始电量、充电功率、环境温度等），实现对复杂充电行为的准确建模，以支持实时充电管理与电网调度。

（2）结论：该框架融合了基于β-VAE的异常检测与时间序列融合变换器（TFT）的曲线预测模型。模型仅需从充电曲线中获取单点数据即可启动预测，并随新数据实时更新。在独立测试集上，仅凭单点输入预测充电时长的相对准确率达90%，使用5分钟内采集的6个点则提升至95%，绝对误差小于1分钟。结果表明，该模型能跨车型、充电场景泛化，为充电站运营与电网管理提供了可扩展的高精度预测工具。