基于多组学整合与可解释机器学习挖掘COVID-19分子特征及其机制研究

　　本研究通过整合临床、蛋白质组（Proteomic）和代谢组（Metabolomic）数据，利用多视图机器学习框架与集成方法，从高维数据中提取出12–50个关键生物标志物，构建了稳健的COVID-19诊断特征，模型平衡准确率达89%±5%。研究揭示了干扰素信号、免疫调节及脂质代谢等关键通路，为COVID-19精准诊断与机制解析提供新视角。

　　

1 引言

新型冠状病毒肺炎（COVID-19）是由严重急性呼吸综合征冠状病毒2（SARS-CoV-2）引起的疾病，其临床表现具有高度异质性，涵盖感染性、呼吸性和神经性等多类症状。尽管逆转录聚合酶链反应（RT-PCR）和抗原检测已广泛应用于诊断，但这些方法难以全面捕捉疾病的系统性复杂表现，如呼吸衰竭、凝血病变和炎症综合征等。

COVID-19的表型变异反映了潜在分子与代谢通路的多因素紊乱。组学技术作为系统生物学的重要组成部分，为解析宿主-病原体相互作用及疾病机制提供了高通量分析手段。然而，现有研究多局限于少量生物标志物（通常为32至数百个），且普遍采用单一模型，未系统处理类别不平衡问题，限制了模型的稳健性与泛化能力。

本研究基于魁北克COVID-19生物库（BQC19）数据，聚焦蛋白质组与代谢组数据，采用可解释机器学习方法，从多组学数据中挖掘COVID-19特异性分子特征，旨在提升诊断准确性并为机制研究提供新见解。

2 材料与方法

2.1 数据集

数据来源于魁北克COVID-19生物库，包含1400例COVID-19阳性与阴性患者的样本。本研究筛选出478例住院患者，其中COVID-19阳性占84%， symptomatic controls占16%。所有样本均在症状出现后0–50天内采集，并确保蛋白质组和代谢组数据完整无缺失。

代谢组数据包含5400种靶向代测物，经筛选后保留896种具有KEGG或HMDB标识的代谢物；蛋白质组数据包含7200种蛋白质，最终使用5284种已识别蛋白质。最终数据集包括478个样本，代谢组维度为896，蛋白质组为5284。

2.2 多组学特征提取与机器学习流程

研究采用多视图机器学习框架，集成临床、蛋白质组和代谢组数据，通过可解释分类器提取特征重要性。为避免类别不平衡（阳性:阴性=375:103）带来的偏差，采用平衡精度（Balanced Accuracy, BA）作为评估指标，并应用不平衡装袋（Imbalance Bagging, IB）策略提升模型稳健性。

2.2.1 特征相关性计算

提出“特征相关性（Feature Relevance）”指标，基于各分类器的特征重要性加权平均而得，权重为分类器的平衡精度。具体计算公式如下：

r_j = ∑_c=1^C n(s_c) × F_c,j

其中n(s_c)为分类器c的归一化精度得分，F_c,j为特征j在分类器c中的重要性。

2.2.2 分类器与特征选择

采用多种可解释机器学习算法，包括Set Covering Machine (SCM)、决策树（Decision Tree）、Adaboost、梯度提升（Gradient Boosting）、随机森林（Random Forest）、SamBA与稀疏核机器（SPKM）等。同时引入Lasso、K近邻（KNN）与支持向量机（SVM-RBF）作为基线对比。

通过10次训练/测试划分（80%训练，20%测试）及5折交叉验证进行超参数优化，确保结果稳健性。

2.2.3 火山图分析

采用传统统计方法构建火山图，筛选显著差异特征（Fold Change <0.5 或 >2，p-value < 0.05/6180，经Bonferroni校正），得到10个特征作为Volcano signature，用于与机器学习结果对比。

2.3 通路富集与网络分析

2.3.1 蛋白质组特征分析

使用ConsensusPathDB进行通路富集分析（Pathway Enrichment Analysis, PEA），设定p-value阈值<0.01并进行错误发现率（FDR）校正。通过NetworkAnalyst和Cytoscape构建蛋白质互作网络，识别关键生物过程与通路。

2.3.2 代谢组特征分析

利用MetaboAnalyst 5.0进行过表征分析（ORA）与通路拓扑分析（PT），使用KEGG人类通路库与超几何检验。通过STITCH工具分析蛋白质-代谢物相互作用，揭示功能关联。

3 结果

3.1 全特征分类器性能

在全部特征上，分类器在蛋白质组、代谢组与多组学数据上的平衡精度分别为87%（最佳，IB-Adaboost）至50%（最低，SVM-RBF）。蛋白质组数据表现最优，代谢组仍具显著信息量（最高BA=79%）。多组学整合进一步提升分类性能。

3.2 特征提取与签名构建

通过特征相关性排序，设定阈值筛选出：

• •

  代谢组签名：17个特征（阈值6.5×10^?4）

• •

  蛋白质组签名：19个特征（阈值9×10^?4）

• •

  多组学签名：29个特征（阈值1.51×10^?3）

同时，火山图分析得到10个特征（Volcano signature）。

3.3 签名性能验证

在签名特征上重训练分类器，多组学签名表现最佳，平衡精度显著高于全特征集与Volcano签名。Volcano签名精度最高为84%，表明机器学习方法能捕捉特征间交互作用，提升分类效能。

3.4 通路与网络分析结果

3.4.1 蛋白质组签名功能解析

蛋白质签名包括MX1、ISG15、LAG3、IFIT3、TNXB等关键蛋白。富集分析显示这些蛋白显著关联干扰素信号通路（如ISG15抗病毒机制、干扰素信号）、SARS-CoV-2先天免疫逃逸及细胞特异性免疫应答。网络分析突出ISG15为核心节点，与MX1、IFIT3、DDX58等相互作用，并涉及IRF-1、IRF-7、STAT1等转录因子，表明签名强烈反映病毒感染后的干扰素应答。

3.4.2 代谢组签名功能解析

代谢组签名包含12种代谢物与5种脂质，其中 ribothymidine、azithromycin、α-ketobutyric acid、L-malic acid等变化显著。通路分析显示签名关联嘧啶代谢、色氨酸-犬尿氨酸通路（Kynurenine pathway）、尼古丁与尼古酰胺代谢等。网络分析识别出L-犬尿氨酸（KYN）为核心代谢物，涉及IDO5、AADAT、CCBL2B等酶。多胺代谢物（如spermidine）被识别出可能促进冠状病毒复制。

4 讨论

本研究通过多组学整合与可解释机器学习，成功提取出小而稳健的COVID-19分子签名，显著提升分类性能并增强模型泛化能力。签名特征与COVID-19已知病理机制高度一致：蛋白质签名突出干扰素应答与免疫调节（如MX1、ISG15、CXCL10），代谢签名反映脂质代谢紊乱、氨基酸代谢重编程与能量代谢适应。

多组学签名中蛋白质特征占比更高，印证蛋白质组在捕获免疫与炎症信号中的优势。代谢组则提供互补信息，揭示宿主代谢应激与病毒-宿主互作的下游效应。签名中如凝血因子F11、C1QTNF1、APCS等与凝血病变、内皮损伤密切关联，符合COVID-19重症表现。

本研究也存在一定局限：样本来源于单中心队列，对照组存在异质性；签名基于相关性分析，未来可引入因果推断方法；此外，Azithromycin等特征反映药物治疗干扰而非生物机制，需在临床解释中审慎处理。

该研究为COVID-19精准诊断与分子分型提供了新工具，签名特征有望用于开发临床诊断面板或探索长新冠（Long COVID）的分子机制。未来需通过多中心、前瞻性研究进行验证，并推动转化应用。