简明摘要IBDome是依托1,002例受试者数据构建的综合研究图谱整合临床信息、遗传与分子数据、组织影像及人工智能技术助力深化对炎症性肠病的认知、优化诊断方式并实现病情的客观评估。#溃疡性结肠炎 #多组学数据库 #人工智能 #克罗恩病数据与代码研究数据可通过交互式平台IBDome Explorer在线浏览该平台支持下载完整SQLite研究数据库及各类独立数据表。https://ibdome.org出于隐私保护原始测序数据与完整突变表不予公开但数据库已收录炎症性肠病相关单核苷酸变异数据。本数据库存档于Zenodo平台DOI10.5281/zenodo.18153919苏木精-伊红HE染色组织切片全切片图像存储于生物影像库BioImage Archive检索编号S-BIAD1753DOI10.6019/S-BIAD1753本研究结果复现代码已上传至GitHub平台https://github.com/orgs/ibdome/repositories背景与目的整合精细临床注释的多组学、多模态数据集有助于深入解析炎症性肠病、优化诊断方案并推动个体化治疗策略落地。材料与方法组织病理学与疾病活动度评分表1 不同组织类型、取样方式下改良Naini Cortina评分与改良Riley评分的满分标准结果正常与炎症肠组织的转录组特征显示克罗恩病与溃疡性结肠炎存在部位特异性炎症标志物。基于血清蛋白质组学数据本研究构建了可反映肠道分子炎症水平的炎症蛋白严重度评分体系。此外依托大模型开展深度学习分析可通过肠道组织病理切片精准预测组织学疾病活动度评分并有效区分克罗恩病与溃疡性结肠炎为临床评估提供可靠工具。IBDome图谱的构建图1 IBDome图谱整体特征(A) 1,002例受试者整合数据集与样本量总览(B) 各类样本对应的受试者数量不同颜色代表不同疾病类型柱体上方数字为对应样本总数(C) 受试者分布嵌套饼图外圈为各疾病分组人数内圈为柏林、埃尔朗根2大研究中心的受试者占比(D) NOD2基因外显子突变图谱红色标注为已报道的高频突变位点(E) 炎症性肠病炎症组织样本n223与非炎症性肠病对照样本n46的差异表达细胞因子、趋化因子及趋化因子受体热图采用欧氏距离与全连锁法完成聚类。用于优化炎症性肠病评估的分子疾病活动度评分图2 炎症蛋白严重度评分体系IPSS(A) 火山图采用韦尔奇t检验P0.1分别对比炎症性肠病炎症组与非炎症组、溃疡性结肠炎炎症组与非炎症组、克罗恩病炎症组与非炎症组的血清蛋白差异表达(B) 3套炎症蛋白严重度评分特征集的共有蛋白韦恩图(C) IBD-IPSS相关血清蛋白的蛋白质-蛋白质相互作用网络(D) 炎症蛋白评分与各类评估指标的皮尔逊相关性分析指标包括RNA测序衍生的活检分子炎症评分UC-bMIS、CD-bMIS、标准化改良Riley组织病理评分、标准化改良Naini-Cortina组织病理评分、内镜评分UCEIS、SES-CD及临床活动评分PMS、HBI***P0.001**P0.01*P0.05。介导炎症性肠病部位特异性炎症特征的差异化免疫通路图3 组织-疾病特异性炎症基因特征(A) 基因表达谱主成分分析图按疾病类型、组织部位、标准化组织学炎症程度分组着色标准化评分采用改良Naini Cortina评分或改良Riley评分(B) 韦恩图分别对比克罗恩病炎症结肠vs非炎症性肠病结肠、克罗恩病炎症回肠vs非炎症性肠病回肠、溃疡性结肠炎炎症结肠vs非炎症性肠病结肠的差异表达基因重叠情况(C) 所有分组共有的上调基因基因本体-生物学过程富集条目(D) 差异分析筛选的显著上调黏蛋白表达水平[log10 (TPM1)]校正P值由DESeq2差异分析计算获得(E) 基于CytoSig工具推断各组样本的细胞因子信号通路活性Z值与P值由CytoSig置换检验得出* 错误发现率(FDR)0.1**FDR0.05***FDR0.01。多组学分析筛选炎症性肠病病变部位相关血清蛋白生物标志物图4 多组学筛选炎症性肠病病变部位相关血清蛋白标志物(A) 火山图对比不同病变部位活动性炎症样本与非炎症性肠病对照样本的血清蛋白差异表达采用韦尔奇t检验结合本雅明-霍赫贝格多重检验校正FDR0.1判定统计学差异(B) 韦恩图展示结肠型克罗恩病、回肠型克罗恩病、结肠型溃疡性结肠炎3组相较于对照组的差异表达蛋白重叠情况(C) 点图分析血清蛋白丰度与组织病理评分的皮尔逊相关系数溃疡性结肠炎采用改良Riley评分克罗恩病采用改良Naini Cortina评分图中高亮标注(A)(B)筛选的特异性差异蛋白显著性阈值校正P0.01(D) 热图展示不同分组中血清蛋白丰度与组织基因表达水平的皮尔逊相关系数*P0.05(E) 可区分结肠病变、溃疡性结肠炎、克罗恩病的潜在血清蛋白标志物除干扰素-γ外其余标志物均同时与组织病理评分、组织基因表达显著相关。人工智能基础模型精准预测组织学疾病活动度图5 基于病理切片预测组织学疾病活动度(A) 人工智能病理影像分析整体流程示意图(B) 最优基础模型预测两类组织病理评分的相关性散点图横轴为实测组织学评分纵轴为AI预测评分基于柏林队列5折交叉验证分析分别使用UNI2模型、Virchow2模型完成预测(C) 1例高组织学活动度溃疡性结肠炎患者全切片图像的注意力热图仅展示注意力得分0.4的图像区块黄色区域得分高对模型预测结果影响大绿色区域得分低影响较小(D) 截取(C)中注意力排名前10的4个核心区域红色框标注并放大展示。基础模型实现炎症性肠病亚型的精准区分图6 基于病理切片区分炎症性肠病亚型(A) 受试者队列分布饼图左侧外圈为不同研究中心样本分布内圈为克罗恩病与溃疡性结肠炎样本占比右侧外圈为埃尔朗根队列全组织样本分布内圈区分炎症样本与非炎症样本(B) 最优模型Virchow2经柏林队列训练、埃尔朗根炎症组织子集验证后的受试者工作特征曲线下面积AUROC与精确率-召回率曲线下面积AUPRC(C) 混淆矩阵展示(B)中炎症组织子集的溃疡性结肠炎/克罗恩病分型结果。结论本研究构建的炎症性肠病多组学整合资源已对外开放证实多组学技术结合先进计算方法可深化对炎症性肠病的认知、优化临床管理模式。详细总结思维导图参考Gastroenterology. 2026 Jun 10:S0016-5085(26)06947-7. doi: 10.1053/j.gastro.2026.05.023.IBDome: An integrated molecular, histopathological, and clinical atlas of inflammatory bowel diseases260610IBDome.pdf注AI辅助创作如有不当欢迎指出。内容仅供参考不构成任何建议。