基于生物信息学的疾病共病网络研究综述

基于生物信息学的疾病共病网络研究综述一、疾病共病网络的核心概念与生物学基础疾病共病并非随机的临床现象，而是机体内分子网络扰动的系统性表现。传统医学研究长期聚焦于单疾病的独立病理机制，忽略了不同疾病之间的内在关联——当某个关键生物分子发生突变或表达异常时，其功能扰动可能通过蛋白-蛋白相互作用、代谢通路传导、基因调控网络扩散等路径，影响多个组织器官的生理功能，最终导致多种疾病在同一个体中先后或同时发生。共病网络正是对这种关联的系统性抽象：网络中的节点代表不同疾病，节点间的边代表两种疾病存在统计学上显著的共现关联，边的权重则对应共病的风险强度、时间先后顺序或潜在的机制相似性。这种网络构建的底层逻辑源于疾病的“分子共性假说”：两种疾病如果共享足够多的致病基因、变异位点、失调蛋白或代谢物，其共病发生的概率会显著高于随机水平。以糖尿病与胰腺癌的共病为例，流行病学数据显示2型糖尿病患者罹患胰腺癌的风险是健康人群的2.1倍，且糖尿病病程超过5年的患者风险升至3.2倍；分子层面的研究证实，两种疾病共享TCF7L2、IGF2BP2等17个易感基因，同时存在PI3K-Akt信号通路异常激活、胰岛素抵抗介导的炎症因子持续升高等共同病理特征，这些分子层面的重叠直接解释了临床共病的高发现象。类似的关联还存在于类风湿性关节炎与心血管疾病、阿尔茨海默病与2型糖尿病、哮喘与慢阻肺等多种疾病组合中，证实共病网络是解析疾病异质性、揭示病理关联的重要载体。二、生物信息学技术在共病网络构建中的应用体系共病网络的研究高度依赖多组学数据与计算方法的融合，目前已经形成了“数据整合-关联挖掘-机制验证”的完整技术链条。在数据来源层面，当前研究主要整合四类核心数据：第一类是大规模电子健康病历（EHR）数据，通过提取百万级以上人群的疾病诊断编码、病程时间线、用药记录等信息，采用卡方检验、关联规则挖掘、生存分析等统计方法计算疾病对的共现风险比（OR值）、相对风险度（RR值），构建基于临床流行病学证据的共病网络；第二类是基因组与转录组数据，通过全基因组关联研究（GWAS）汇总数据、表达数量性状位点（eQTL）数据、单细胞测序数据，识别不同疾病共享的易感基因、差异表达基因及细胞类型特异性调控元件，构建分子关联驱动的共病网络；第三类是蛋白组与代谢组数据，通过检测疾病状态下的蛋白丰度变化、代谢物浓度差异，结合蛋白相互作用数据库、代谢通路数据库，挖掘不同疾病在分子功能层面的关联；第四类是文献文本数据，通过自然语言处理技术从PubMed、CNKI等学术数据库中提取已报道的疾病关联证据，作为共病网络的补充验证信息。在网络构建方法上，不同数据类型对应差异化的计算策略。针对临床病历数据，主流方法采用费希尔精确检验校正年龄、性别、吸烟史等混杂因素后，筛选出共现频率显著高于随机概率的疾病对，结合有向无环图结构构建时间序列共病网络，能够清晰呈现疾病的进展路径，比如识别出“肥胖-2型糖尿病-糖尿病肾病-终末期肾病”的递进式共病链条。针对多组学数据，常用“共享分子-通路关联-网络传播”的三级构建策略：首先通过孟德尔随机化分析排除反向因果关联，确定疾病间的因果性分子共享；其次采用基因集富集分析、通路over-representation分析验证共享分子在共同通路中的富集显著性；最后通过网络传播算法模拟分子扰动在生物网络中的扩散效应，量化疾病间的功能相似性，最终构建具有机制解释性的共病网络。近年来图神经网络技术的兴起进一步提升了复杂关联的挖掘能力，通过融合疾病的分子特征、临床特征、语义特征作为节点属性，图卷积网络能够有效预测潜在的未知共病关联，预测准确率相较于传统方法提升了30%以上，为发现罕见病之间的隐匿关联提供了新途径。三、共病网络研究的核心应用方向与典型进展（一）疾病风险预测与早期预警共病网络的拓扑结构特征能够有效反映疾病的发生发展规律，为高危人群的精准筛查提供依据。网络中的“枢纽节点”（即与其他疾病连接数最多的疾病）往往是人群中最常见的共病起始点，比如在中老年人群共病网络中，高血压、血脂异常、肥胖三个节点的度值分别达到47、42、38，是连接心脑血管疾病、代谢性疾病、肾脏疾病的核心枢纽。基于这一特征，研究人员开发了共病风险预测模型：对仅患有高血压的人群，结合其年龄、遗传风险评分、血液生物标志物水平，通过网络传播算法计算其未来5年内发生冠心病、脑卒中、糖尿病等共病的概率，模型AUC值达到0.82，显著优于传统的单疾病风险预测模型。在罕见病领域，共病网络能够解决单种疾病患者数量少、特征难识别的问题，比如通过构建包含127种罕见病的共病网络，研究人员发现83%的罕见病存在至少2种高置信度的共病关联，其中线粒体肌病与糖尿病、听力损失、心肌病的共病风险分别高达11.3、8.7、7.9，基于这些关联建立的罕见病早筛模型，能够将诊断时间平均缩短2.4年，降低了误诊率。（二）共病分子机制解析共病网络为揭示多疾病共同发生的深层机制提供了系统视角，突破了传统单疾病研究的局限性。以阿尔茨海默病（AD）与骨质疏松症的共病为例，临床研究发现AD患者的骨质疏松发生率是健康对照的2.7倍，且骨密度降低水平与认知衰退速度呈显著正相关，但二者的共同机制长期不明确。通过构建AD与骨质疏松的共病分子网络，研究人员识别出12个核心共享基因，其中APOE基因的ε4等位基因同时是AD的高危因素与骨质疏松的易感位点，进一步的功能实验证实，APOEε4蛋白既可以通过介导Aβ斑块沉积影响神经元功能，又能够抑制成骨细胞的分化与矿化，导致骨形成速率下降，这一发现直接解释了两种疾病共病的核心机制。在癌症共病研究中，共病网络能够识别不同癌种的共同驱动事件：比如通过分析肺癌与膀胱癌的共病分子网络，发现两种癌症共享TERT启动子突变、FGFR3基因融合等驱动事件，且存在共同的免疫检查点失调特征，这为同一靶向药物在两种癌症中的跨适应症应用提供了理论依据。目前已有超过20个共病相关的分子机制发现进入了临床转化阶段，为共病的精准干预提供了新靶点。（三）药物研发与共病治疗方案优化共病网络是多靶点药物研发与老年共病用药方案优化的核心工具。在药物研发层面，针对共病网络中的共享分子靶点开发的药物，能够同时对多种疾病产生治疗效果，即“一药多治”。比如研究人员通过分析2型糖尿病与非酒精性脂肪肝的共病网络，发现GLP-1R是两种疾病共享的核心治疗靶点，GLP-1受体激动剂既能够降低血糖，又可以减少肝脏脂质沉积、改善肝纤维化，目前这类药物已经被批准用于糖尿病合并非酒精性脂肪肝患者的治疗，临床有效率达到68%。在共病用药方案优化层面，共病网络能够规避药物间的相互作用风险，减少多重用药的不良反应。老年共病患者平均同时服用5.2种药物，药物不良反应发生率高达32%，通过将药物作用靶点映射到共病分子网络中，研究人员可以评估不同药物组合对网络的扰动效应：如果两种药物的靶点在网络中存在拮抗作用，会抵消治疗效果甚至加重病情；如果存在协同作用，则可以减少用药剂量、降低不良反应。基于这一原理开发的共病用药决策系统，已经在12家三甲医院的老年科开展临床应用，使共病患者的药物不良反应发生率降低了21%，治疗成本平均下降17%。四、当前研究面临的挑战与未来发展方向尽管共病网络研究已经取得了一系列重要进展，但仍面临多个层面的瓶颈问题。在数据层面，当前研究多基于欧美人群的队列数据，针对中国人群的大规模多中心共病数据整合不足，不同地区、不同民族的共病模式差异尚未得到充分解析；多组学数据与临床数据的融合存在壁垒，不同来源数据的标准化程度低、批次效应明显，导致共病关联的可重复性较差。在方法层面，现有共病网络多为无向关联网络，难以明确疾病间的因果关系与时间先后顺序，无法区分“一种疾病导致另一种疾病发生”和“两种疾病由共同因素驱动”的不同机制；针对罕见病、老年多重共病（共患5种及以上疾病）的研究方法尚不成熟，这类共病涉及的分子通路交互复杂，传统网络分析方法难以识别核心驱动因素。在转化层面，共病网络的研究成果与临床应用之间存在鸿沟，多数共病机制发现缺乏大样本人群验证和功能实验支持，基于共病网络的预测模型与治疗方案尚未纳入临床指南。未来共病网络研究的发展将重点聚焦三个方向：第一是多维度数据的深度整合，随着国家医学大数据中心的建设，整合千万级人群的电子健康病历、多组学数据、生活方式数据，构建人群特异性的动态共病网络，解析不同年龄、性别、地域人群的共病发生规律。第二是因果共病网络的构建，结合孟德尔随机化、中介分析、纵向队列追踪等方法，明确疾病间的因果关联与作用方向，识别共病发生的起始驱动事件，为共病的早期干预提供靶点。第三是临床转化应用的拓展，将共病网络分析工具嵌入临床决