An immune dysfunction score for stratification of patients with acute infection based on whole blood gene expression
An immune dysfunction score for stratification of patients with acute infection based on whole blood gene expression
复制标题
基于全血基因表达的急性感染患者分层免疫功能障碍评分
DOI：
10.1101/2022.03.17.22272427
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Cano-Gamez E
中科院分区：
文献类型：
--
作者：
Cano-Gamez E
宿主对感染的反应失调可导致器官功能障碍和败血症，每年导致全球数百万人死亡。为了减轻这一负担，迫切需要改进预测和反应的生物标记物。我们通过将来自社区获得性肺炎或重症监护患者粪便腹膜炎败血症患者和健康人的3149份样本的数据整合到基因表达参考图谱中，研究了全血转录组学在严重感染患者分层中的使用。我们使用这个图谱来得出一个反映免疫功能障碍和预测临床结果的量化脓毒症反应特征(SRSq)评分，可以使用7或12个基因特征进行估计。最后，我们建立了一个机器学习框架SepprecifieR，将SRSQ部署在成人和儿童细菌和病毒败血症、H1N1流感和新冠肺炎中，展示了跨疾病的临床相关分层，并揭示了将免疫失调与死亡率联系起来的一些生理变化。我们的方法能够及早识别免疫功能紊乱的个体，使我们更接近感染的精准医学。
Dysregulated host responses to infection can lead to organ dysfunction and sepsis, causing millions of global deaths each year. To alleviate this burden, improved prognostication and biomarkers of response are urgently needed. We investigated the use of whole-blood transcriptomics for stratification of patients with severe infection by integrating data from 3149 samples from patients with sepsis due to community-acquired pneumonia or fecal peritonitis admitted to intensive care and healthy individuals into a gene expression reference map. We used this map to derive a quantitative sepsis response signature (SRSq) score reflective of immune dysfunction and predictive of clinical outcomes, which can be estimated using a 7- or 12-gene signature. Last, we built a machine learning framework, SepstratifieR, to deploy SRSq in adult and pediatric bacterial and viral sepsis, H1N1 influenza, and COVID-19, demonstrating clinically relevant stratification across diseases and revealing some of the physiological alterations linking immune dysregulation to mortality. Our method enables early identification of individuals with dysfunctional immune profiles, bringing us closer to precision medicine in infection.
登录
查看更多内容
影响因子：
7.6
作者：
BARON, RM;KENNY, DA
通讯作者：
KENNY, DA
影响因子：
12.3
作者：
Aschenbrenner AC;Mouktaroudi M;Krämer B;Oestreich M;Antonakos N;Nuesch-Germano M;Gkizeli K;Bonaguro L;Reusch N;Baßler K;Saridaki M;Knoll R;Pecht T;Kapellos TS;Doulou S;Kröger C;Herbert M;Holsten L;Horne A;Gemünd ID;Rovina N;Agrawal S;Dahm K;van Uelft M;Drews A;Lenkeit L;Bruse N;Gerretsen J;Gierlich J;Becker M;Händler K;Kraut M;Theis H;Mengiste S;De Domenico E;Schulte-Schrepping J;Seep L;Raabe J;Hoffmeister C;ToVinh M;Keitel V;Rieke G;Talevi V;Skowasch D;Aziz NA;Pickkers P;van de Veerdonk FL;Netea MG;Schultze JL;Kox M;Breteler MMB;Nattermann J;Koutsoukou A;Giamarellos-Bourboulis EJ;Ulas T;German COVID-19 Omics Initiative (DeCOI)
通讯作者：
German COVID-19 Omics Initiative (DeCOI)
影响因子：
5.8
作者：
Angerer, Philipp;Haghverdi, Laleh;Buettner, Florian
通讯作者：
Buettner, Florian
影响因子：
3
作者：
Aguirre-Gamboa, Raul;de Klein, Niek;Li, Yang
通讯作者：
Li, Yang
影响因子：
13.6
作者：
Sandhu C;Qureshi A;Emili A
通讯作者：
Emili A