來自耶魯大學和西奈山伊坎醫學院的研究人員已經發現了一些基因生物標誌物，可以用於預測患者感染新冠後可能會出現的轉錄特徵，這個發現可以用於我們對診斷工具進行改善並讓醫生們在更早的階段提供治療。
這兩篇論文於12月21日發表在《Cell Systems》雜誌上，研究人員首先開發了一個可以生成新冠患者轉錄特徵的框架資料庫，利用這個資料庫生成的信息，可以快速確定患者感染的是否是新冠病毒，同時降低或排除被其他疾病交叉感染的可能性。然後他們利用這個資料庫開發了一個包含11個基因，用於預測患者新冠症狀的檢測組合。
共同作者、西奈山的神經學教授Elena Zaslavsky在一份聲明中說：「正如我們在COVID-19上所展示的那樣，這兩項研究中所描述方法的整合有助於提高檢測感染的靈敏度，同時降低誤報為其他疾病的可能性，這些新方法可以幫助我們對感染進行更快速的診斷，從而能更早地開始適當的治療。」
在他們的第一篇論文中，研究人員通過NCBI PubMed搜索，確定了24個先前發表的患者對一系列感染（包括病毒和細菌）反應的不同轉錄特徵。
同時，研究人員收集了一組患者血液對病原體感染的轉錄反應數據集。這組數據包括136個對病毒、細菌、寄生蟲或真菌感染的血液轉錄組反應的轉錄數據集，以及另外14個來自老年人或肥胖者的轉錄組數據集，因為年齡和肥胖與免疫系統的改變有關。
之後，他們開發了一個資料庫來系統地評估他們在這些數據集中發現的文獻中感染特徵的穩健性和交叉反應。
通過他們的幾何平均評分方法，研究人員發現，這些特徵總體上可以檢測出他們在獨立數據中發現的感染。這些特徵還可以用於檢測無症狀患者和慢性感染，儘管其靈敏度和特異性有所下降。
然而，許多特徵與其他非目標感染以及年齡有交叉反應，這降低了檢測的特異性。一項針對流感感染特徵的額外分析進一步強調了如何在穩健性和交叉反應之間進行權衡。
在第二篇論文中，研究人員使用這個資料庫來幫助生成一個COVID-19宿主反應特徵。
為此，研究人員分析了新冠患者組與健康對照組以及COVID-19與其他病原體的人類血液轉錄組數據集。通過機器學習方法，他們根據檢測COVID-19的能力、與ATAC-seq和路徑數據的一致性以及交叉反應來評估任何提議的特徵。
由此，他們選擇了一個包含11個基因的檢測組合，該組合在訓練和開發集中對COVID-19的靈敏度一直很高，而且與其他病毒、細菌和非感染性條件產生的假陽性率很低。
在另外8項COVID-19研究的驗證集中，這個組合也有很高的靈敏度和低假陽性率。此外，研究人員將其性能與之前發表的四個基因特徵進行了比較。他們發現，雖然所有的特徵都有很高的靈敏度，但只有他們的新特徵表現出最低的假陽性率。
利用免疫細胞類型的特定特徵，研究人員還追溯了他們的COVID-19宿主反應特徵的細胞來源。該特徵與質粒細胞和記憶T細胞的特徵重疊，進一步的單細胞分析表明，特徵中質粒細胞起源的部分有助於COVID-19的檢測，而特徵中記憶T細胞起源的部分限制了交叉反應。
來自耶魯大學的共同第一作者Daniel Chawla在一份聲明中說：「這些出版物中提出的資料庫可以在線獲得，使研究界的成員能夠在我們的免疫條件彙編中對他們自己特徵的性能進行基準測試。通過這些工具，我們希望能夠發現高度特異的疾病特徵。」
診斷科學編輯團隊收集、整理和編撰，如需更多資訊，請關注公眾號診斷科學（DiagnosticsScience）。
原文連結（英文）：
https://www.360dx.com/infectious-disease/gene-signature-reflects-host-response-covid-19-infections-low-cross-reactivity#.Y6z4vHZByUk
＊＊＊