人类泛疾病全血转录组图谱：机器学习揭示跨疾病系统性特征

本文构建了人类泛疾病全血转录组图谱(WBT)，通过机器学习分析4444个样本、98种疾病的全血RNA-seq数据，揭示跨疾病的系统性基因表达特征。该研究标志着疾病研究从孤立视角转向系统性视角，为精准医学、生物标志物开发及治疗靶点探索提供新方向。

全血具有系统性代表、可及性、动态性及临床相关性等优势，其转录组能反映全身生理病理状态。转录组提供基因表达活动快照，相比基因组更直接体现功能状态、动态响应及调控洞察，是研究疾病系统性机制的理想对象。

WBT整合4444个样本、98种疾病的RNA-seq数据，采用ComBat等批次校正方法消除技术变异，通过统一数据处理流程解决异质性问题。核心分析框架基于机器学习，包括分类模型、特征选择、聚类分析及网络分析，识别疾病相关转录组特征。

WBT揭示跨疾病共享特征（如炎症通路激活、免疫调节紊乱、代谢重编程、细胞应激响应）及疾病特异性特征（独特基因表达模式、调控网络重构、严重度标志）。同时，多组学整合（基因组、蛋白质组、代谢组）提供更完整的分子机制洞察。

WBT识别的转录组特征可用于开发诊断标志物（疾病分类、早期检测、鉴别诊断）、指导治疗靶点发现（共享靶点、精准医疗、药物重定位）及疾病监测预后（治疗响应、复发预测、并发症风险评估）。

当前WBT存在组织特异性、时间维度不足、因果推断待验证、人群代表性偏差等局限。未来需发展纵向队列、单细胞/空间转录组、功能验证及临床转化，以完善疾病分子机制研究。

WBT展示AI与大数据在医学中的变革潜力：数据驱动发现新模式、跨研究整合的系统性洞察、AI辅助机制理解（需人类实验验证）、伦理隐私平衡的重要性。