概述
机器学习（Machine Learning, ML）与生信分析（Bioinformatics）的融合，已成为当前生信文章冲高分（如1区/2区）的“顶流”范式。其核心在于利用ML算法解决生信数据“高维、小样本、非线性”的痛点，实现疾病预后预测、诊断标志物筛选、分子分型及临床风险分层。
核心分析框架和思路
1、数据预处理：对组学数据（转录组、单细胞、甲基化等）或临床公共数据库（如NHANES）进行标准化、缺失值处理，并提取特征（如差异表达基因、临床指标、免疫细胞评分等）。
2、特征筛选与降维：利用ML算法（如LASSO回归）剔除冗余特征，解决“高维小样本”问题，筛选出对结局贡献最大的核心特征（如关键基因、关键临床指标）。
3、模型构建与训练：采用多种ML算法（如随机森林、XGBoost、SVM、Logistic回归等）构建预测模型，通过交叉验证（如10折交叉验证）进行超参数调优，防止过拟合。
4、模型评估与验证：通过AUC、准确率、C-index、校准曲线、决策曲线（DCA）等指标评估模型性能，并通过独立外部验证集进行泛化能力验证。
5、临床转化与机制挖掘：将模型转化为临床可应用的工具（如列线图/Nomogram），并结合富集分析、单细胞分析等挖掘模型背后的生物学机制。
典型应用场景
1、预后标志物筛选与预后模型构建（预后类）
逻辑：单因素Cox回归（初筛） → LASSO回归（降维） → 随机森林（特征重要性排序与交叉验证） → 构建Cox回归/列线图模型 → 独立外部验证。
2、诊断标志物筛选与诊断模型构建（诊断类）
逻辑：特征锚定（如差异表达基因/临床特征） → 多算法组合建模（如多种算法组合生成多个模型，通过加权评分筛选最优模型） → 独立外部验证（多队列验证） → 构建诊断Signature。
3、疾病风险预测与临床风险分层（预测类）
逻辑：临床/免疫/实验室指标整合 → 特征筛选 → 构建XGBoost等预测模型 → 风险分层（如高/低风险组） → 分析风险分层的临床/免疫特征差异 → 预测潜在治疗药物。
4、分子分型与微环境分析（分型类）
逻辑：无监督聚类（如共识聚类）划分分子亚型 → 提取各亚型特征 → 通过机器学习筛选各亚型特征基因 → 构建预后/诊断模型 → 分析亚型间的免疫微环境差异。
“机器学习”经典案例解析
题目：A causal glycerophospholipid-IL-18R1-CD9 axis connects lipid metabolism and T-cell activation in atopic dermatitis
单位：广州医科大学附属第一医院
期刊：Brief Bioinformation
影响影子：7.3
分区：JCR Q1，中科院2区
发表时间：2026年3月
通过 LDSC 分析血浆代谢物、炎症蛋白与 AD 的遗传相关性，采用两步双样本 MR、多变量 MR 与贝叶斯共定位，鉴定 PA‑GPC 为保护性代谢物、IL‑18R1 为关键介导因子；整合 AD 单细胞转录组数据，注释细胞亚群并计算 PA‑GPC 代谢评分，分群分析 T 细胞差异基因与细胞通讯；经 LASSO 回归、三种机器学习算法联合 SHAP 分析筛选核心基因 CD9；利用 scTenifoldKnk 完成 CD9 虚拟敲除预测功能；最终通过原代 T 细胞与 HaCaT 细胞共培养、siRNA 敲低、qPCR、WB 等体外实验验证 PA‑GPC‑IL‑18R1‑CD9 轴的调控关系。
方法与逻辑
1、遗传相关性分析：采用连锁不平衡评分回归（LDSC）筛选与特应性皮炎（AD）存在遗传关联的血浆代谢物和炎症蛋白。
2、孟德尔随机化：通过两样本孟德尔随机化（MR）与多变量 MR，明确 PA‑GPC、IL‑18R1 与 AD 的因果关系及介导效应。
3、单细胞解析：利用单细胞转录组数据定位 IL‑18R1 主要表达于 T 细胞，并按 PA‑GPC 代谢水平对 T 细胞分群。
4、核心基因筛选：结合 LASSO 回归、多种机器学习模型与 SHAP 分析，确定 CD9 为关键枢纽基因。5、调控轴验证：通过细胞敲低与共培养实验，验证 PA‑GPC‑IL‑18R1‑CD9 的上下游调控关系。
6、功能验证：体外实验验证该调控轴对 T 细胞活化、Th2 细胞因子分泌及角质形成细胞炎症的影响。
关键结果描述
1、AD遗传性相关蛋白和代谢物分析
基于 FinnGen 发现队列与 UK Biobank 验证队列，运用 LDSC 连锁不平衡得分回归算法批量计算 1400 种血浆代谢物、91 种循环炎症蛋白同特应性皮炎（AD）的遗传相关系数，结果证实大量甘油磷脂类代谢物与 IL-18R1 等炎症分子和 AD 存在显著遗传关联，为后续因果分析锁定候选研究分子。
2、代谢物/炎症蛋白与 AD 的因果关联
通过采用两样本孟德尔随机化（TSMR）等分析策略，并借助 MetaboAnalyst 完成显著代谢物的 KEGG 通路富集；明确 PA-GPC 是可降低 AD 发病风险的保护性甘油磷脂代谢物，IL-18R1 为驱动 AD 发生的风险炎症蛋白，甘油磷脂代谢通路是 AD 发病关键代谢通路。
3、共定位分析
通过贝叶斯共定位分析，分别计算 PA-GPC 代谢物、IL-18R1 蛋白与特应性皮炎的共定位后验概率 PPH4，共定位结果显示 PA-GPC、IL-18R1 与 AD 共享同一因果遗传变异，从基因组层面佐证三者存在内在调控关联，支撑 PA-GPC 通过 IL-18R1 影响 AD 的因果假说。
4、单细胞转录组解析
通过对 AD 单细胞数据分群、注释，分析 IL‑18R1 表达及 PA‑GPC 代谢评分。结果显示T 细胞是 IL18R1 主要表达细胞，T 细胞 PA-GPC 合成能力越低则 IL18R1 表达越高，低 PA-GPC T 细胞更多激活促 Th2 炎症、屏障损伤相关细胞通讯，重塑 AD 促炎微环境。
5、差异基因与枢纽基因筛选
对高低 PA-GPC 代谢 T 细胞进行差异基因筛选，解析两组富集免疫 / 表皮相关通路，热图展示 33 个核心差异基因表达谱；通过 LASSO 压缩回归筛选 7 个关键枢纽基因，同时结合免疫浸润算法分析各枢纽基因在多种免疫细胞中的表达分布与浸润相关性；分析得到 CD9 是 PA-GPC 代谢失衡相关最核心枢纽基因，该基因高度富集于各类效应免疫细胞，主要参与 T 细胞分化、炎症激活通路。
6、机器学习+ SHAP +体外验证
通过使用 CatBoost、XGBoost、NGBoost 三种梯度提升模型构建 AD 预测模型，搭配 SHAP 加性解释算法量化各基因预测贡献；同时搭建 HaCaT 角质形成细胞与 AD 患者原代 T 细胞共培养体系，结合 CCK8、qPCR、Western blot、流式凋亡染色开展功能实验；机器学习稳定证明 CD9 为 AD 核心预测标志物，细胞实验证实 PA-GPC 可显著抑制 TNF-α/IFN-γ 诱导的皮肤炎症，同时剂量依赖性下调 T 细胞内 CD9 表达。
7、调控轴验证（IL‑18R1→CD9）
通过 siRNA 电转分别沉默原代 T 细胞 IL-18R1、CD9，利用 qPCR 与 WB 验证敲除效率；借助 scTenifoldKnk 完成 CD9 虚拟敲除并富集下游紊乱通路；搭配流式 CD69 活化标记、免疫荧光、Th2 因子定量检测；实验明确 IL-18R1 单向调控 CD9 表达，CD9 作为下游关键分子正向介导 T 细胞存活、活化及 IL-4、IL-5、IL-13 等 Th2 炎症因子分泌，完整建立 PA-GPC–IL-18R1–CD9 致病调控轴。
