Nature丨岩崎明子团队鉴定出长新冠的生物标记，鉴别准确率高达94％！

Bringing medical advances from the lab to the clinic.

关键词：长新冠；生物标记；Nature

长新冠（Long COVID）是指新冠病毒感染者在经历急性COVID-19感染后，仍持续出现一些症状或并发症，这些症状可能持续数周、数月甚至更长时间。

这些症状可能包括但不限于：持续的疲劳、呼吸困难、胸痛、关节痛、脑雾（指认知功能障碍）等。

相对来说，经历过重症COVID-19症状的患者更容易出现长新冠，但长新冠仍可能影响轻症患者。

目前考虑长新冠与急性期脏器损伤、病毒诱导的自身免疫应答、甚至部分患者存在新冠病毒存储库等相关；但长新冠发生的确切机制仍然不明，更无有效的治疗方法。

寻找长新冠患者的生物标记、并由此探索其机制成为重要的临床问题

。

2023年9月25日，由耶鲁大学医学院感染与免疫中心Akiko Iwasaki（岩崎明子）教授牵头，多中心共同完成的研究中，分析长新冠患者、感染但无后遗症的感染者（康复者对照）和未感染新冠者（健康对照）之间的生物标志物差异；发现长新冠患者出现异常的T细胞活性，多种潜伏病毒（包括Epstein-Barr病毒和其他疱疹病毒）的重新激活，以及皮质醇水平的显著降低；通过机器学习分析并做出的模型中，能以94%的准确度区分长新冠患者和其他人群。

这篇论文发表在Nature杂志【1】。

（需要原文请到文末加科研助手索要）

我们主要跟着岩崎明子的推特（马斯克改名为X）来快速了解这项研究【2】。

研究者共入组了来自三个医疗中心共273位受试者。

长新冠定义为：在确诊感染COVID-19后至少四个月或更长时间仍有长期COVID-19症状的患者。

每位患者均被要求完成一套关于他们的症状、病史和健康相关生活质量的详细问卷。研究人员从所有患者那里采集了血液样本，确定了不同组之间的生物标志物差异和相似性。

临床症状对于长新冠的诊断起到了关键作用，研究者设计的一个诊断量表能够达到94%的准确率。

研究发现，长新冠患者的血液中显示出异常的T细胞活性，多种潜伏病毒（包括Epstein-Barr病毒和其他疱疹病毒）的重新激活，以及皮质醇水平的显著降低。

机器学习确定了可以区分长期新冠病毒感染者的关键免疫因素，完成的长新冠KNN区分准确率达94%。这些因素包括较低水平的皮质醇、常规DC1、中枢记忆T和较高水平的EBV IgG、galectin-1、APRIL等。

编者按：

正如主要研究者Akiko Iwasaki（岩崎明子）博士在受访时表示：

“我们很高兴看到长新冠患者和无COVID-19患者在免疫表型上有如此清晰的差异。这些标志物为理清长新冠的病理机制提供了第一步。”

这项研究亦为临床诊断长新冠提供了客观指标。
下一步的研究将聚焦在这些生物标记与长新冠临床症状的关系、以及如何利用这些生物标记找到更高效的治疗药物。

研究的科研启发：

机器学习在临床预后指标及生物标记研究中发挥了越来越重要的作用，成为新的临床科研工具。
最近的一系列突破性研究均有
多中心、多学科协作
的特征。

如果您需要寻找高质量的协作伙伴，可与我们联系，大数据分析可以协助您快速找到最佳的助攻，帮助您创造出新的突破。

（提供特惠码“MedSci”，获得特别优惠）

参考文献：

【1】 Klein J, et al, Iwasaki A. Distinguishing features of Long COVID identified through immune profiling. Nature. 2023 Sep 25. doi: 10.1038/s41586-023-06651-y. Epub ahead of print. PMID: 37748514.

【2】 https://twitter.com/VirusesImmunity

声明：

本文只是分享和解读公开的研究论文及其发现，以作科学文献记录和科研启发用；并不代表作者或本公众号的观点。

为了给大家提供一个完整而客观的信息视角，我们有时会分享有冲突或不同的研究结果。请大家理解，随着对疾病的研究不断深入，新的证据有可能修改或推翻之前的结论。

本期编辑：Henry，微信号healsan。助理：ChatGPT

Hanson临床科研团队，在美国的七位生物医学科学家主持。通过大数据分析，解析生物医学发展趋势；通过SCI论文解读，分享临床科研技巧和最新研究进展；通过专家讲座，交流课题设计、统计分析和SCI论文撰写规范。只提供以数据为基础的客观报告，及专业、独立的思考。

点击👆，让SCI和基金成为临床工作的副产品！

更多阅读：