概述

共病（Multimorbidity / Comorbidity）研究是指对“同一个体同时存在两种或两种以上疾病（或慢性健康问题）”的医学研究。其核心在于探究疾病共现的模式、共病对患者预后的影响，以及共病背后的共享病理生理机制。

核心分析思路和流程

共病研究主要分为两大范式，其传统思路各有侧重，传统的共病研究以流行病学和临床观察为主，侧重于“描述关联”和“评估预后”；而现代共病研究则更多结合了组学大数据和因果推断，侧重于“揭示机制”和“寻找共性”。两者结合，共同构成了共病研究的完整思路体系

一、 流行病学与临床预测思路（宏观/临床层面）

这是共病研究最传统、最基础的思路，主要基于大样本的观察性数据，旨在发现疾病共现的规律及其对临床结局的影响。

1、共病模式与关联分析：通过横断面或队列数据，使用统计方法（如比值比OR、因子分析、聚类分析、关联规则等）分析哪些疾病倾向于聚集在一起（如“心血管代谢模式”：高血压+糖尿病+心脏病），揭示疾病共现的宏观规律。

2、预后与风险预测分析：通过生存分析（Cox回归）或Logistic回归，评估不同共病模式对患者结局（如死亡率、住院率、功能下降）的影响，评估“模式”比“单一疾病数量”更能预测临床风险。

3、测量与评估指标构建：通过构建共病指数（如Charlson合并症指数、Elixhauser指数）或加权评分，量化患者的共病负担，用于临床风险分层和医疗资源评估。

二、 基础与机制探索思路（微观/分子层面）

随着组学技术和因果推断方法的发展，共病研究逐渐深入到微观机制层面，旨在解释疾病共现的“为什么”。

1、共享机制与组学分析：通过比较不同疾病（如幽门螺杆菌感染与胃癌）的转录组、单细胞测序、蛋白质组等数据，寻找疾病间共享的基因、通路或免疫微环境，揭示共病的共同分子机制。

2、因果推断分析：利用孟德尔随机化（MR）等方法，结合GWAS数据，探究两种疾病之间是否存在真实的因果链（如A病是否导致B病）或共同的上游病因（如胰岛素抵抗同时驱动高血压和糖尿病）。

3、网络药理学与机制验证：通过构建疾病-基因-药物网络，探索调控共病共同机制的药物或天然化合物，并结合细胞或动物实验进行机制验证。

“共病”经典案例解析

题目：Integrated bioinformatics and machine learning to explore the common mechanisms and potential biomarkers between periodontitis and preterm birth

单位：安徽医科大学

期刊：Frontiers in Cell and Developmental Biology

影响影子：5.3

分区：JCR Q1，中科院2区

发表时间：2026年2月

研究通过整合多个GEO数据库中的牙周炎与早产相关基因表达谱数据，运用加权基因共表达网络分析（WGCNA）、差异表达基因分析及三种机器学习算法（LASSO、SVM-RFE、随机森林），筛选出两种疾病共有的关键基因，并进一步通过ROC曲线、免疫浸润分析、蛋白互作网络及动物实验验证，最终鉴定出CD53和BIN2作为两种疾病共病的潜在诊断标志物，提示免疫反应是二者关联的核心机制。

方法与逻辑

1、数据获取：从GEO数据库下载PD（（GSE16134和GSE10334）、PTB（GSE203507、GSE174415、GSE18809、GSE73685和GSE120480）基因表达数据集；

2、数据整合：合并PTB数据集并校正批次效应；

3、核心基因筛选：WGCNA共表达网络分析+差异表达基因 (DEGs) 分析，取交集得到共享基因；

4、机器学习筛选：LASSO、SVM-RFE、随机森林3种算法筛选交叉对话基因；

5、标志物验证：表达分析+ROC曲线评估诊断效能；

6、机制解析：GO/KEGG富集、免疫浸润分析、PPI蛋白互作网络；

7、实验验证：构建小鼠PD模型，RT-qPCR+Western blot验证核心基因。

关键结果描述

1、WGCNA共表达网络分析

牙周炎与早产数据集中分别构建了加权基因共表达网络。研究发现，在牙周炎中，turquoise模块与疾病正相关最强（r = 0.63），而在早产中，yellow模块正相关性最高（r = 0.36）。通过筛选与疾病高度相关的模块基因，团队分别从两种疾病中识别出与病理状态显著关联的基因集，为后续交叉基因的筛选提供了重要来源。

2、差异表达基因识别

  在牙周炎与早产数据集中分别进行差异表达分析。结果显示，牙周炎中存在793个上调基因与499个下调基因，早产中存在425个上调基因与619个下调基因。通过Venn图分析，作者共识别出102个共同的差异表达基因，进一步与WGCNA模块基因取交集后获得13个共享基因。该图展示了从多个层面逐步筛选关键基因的过程。

3、机器学习筛选交叉基因

分别对牙周炎与早产数据集应用LASSO、SVM-RFE与随机森林三种机器学习算法。研究发现，在牙周炎中三种算法筛选出8个重叠基因，在早产中筛选出6个重叠基因。最终通过Venn图整合，团队确定了FCER1G、CD53、POU2F3与BIN2四个交叉基因。该图体现了多算法交叉验证的严谨性，为后续标志物筛选提供了高可靠性候选。

4、核心基因与银屑病中免疫细胞的相关性分析

  对四个候选基因在训练集与验证集中进行表达水平与诊断效能评估。研究发现，CD53与BIN2在疾病组中显著上调，且在牙周炎与早产中的AUC均大于0.7，表现出良好的诊断性能。作者通过ROC曲线验证了这两个基因作为共同标志物的潜力，表明其在两种疾病的识别中具有较高的敏感性与特异性。

5、功能富集分析

对102个共同差异表达基因进行GO与KEGG富集分析。研究发现，这些基因显著富集于免疫相关通路，如“白细胞迁移”、“补体与凝血级联”、“TNF信号通路”等。团队认为，这些结果提示免疫调控是连接牙周炎与早产的关键机制，为后续免疫浸润分析提供了功能基础，也支持了两种疾病可能通过系统性炎症相互关联的假说。

6、免疫细胞沁润分析

通过ssGSEA评估了牙周炎与早产中的免疫细胞浸润特征。结果显示，与对照组相比，两种疾病中均出现7种免疫细胞显著上调，包括自然杀伤细胞、CD56bright自然杀伤细胞、巨噬细胞、记忆B细胞、浆细胞样树突状细胞、调节性T细胞和17型辅助T细胞。这一发现进一步支持了免疫调控失衡在两种疾病共病机制中的关键作用，也为免疫靶向干预提供了潜在靶点。

7、PPI网络构建与hub基因识别

将102个共同DEGs导入STRING数据库构建PPI网络，并通过Cytoscape的cytoHubba插件计算Stress中心性。结果显示，CD53与BIN2在中心性排名中分别位列第10位与第17位，表明它们在网络中具有较高的连接度与关键调控地位。该分析从蛋白互作层面进一步印证了CD53与BIN2在两种疾病共病机制中可能发挥核心调控作用。

8、动物模型中CD53与BIN2的表达验证

通过建立小鼠牙周炎模型，对CD53与BIN2的表达进行实验验证。RT-qPCR与Western blot结果显示，在牙周炎模型小鼠的颌骨组织中，Cd53与Bin2的mRNA和蛋白表达水平均显著高于对照组，与人类数据集中的表达趋势一致。该实验验证为生物信息学分析结果提供了体内实验支持，增强了研究结论的可信度，也为后续机制研究奠定了实验基础。