澳大利亚科学家通过整合大规模生物学数据，系统解析了长新冠（long COVID）的关键遗传驱动因素，为解释部分患者在急性感染后长期出现顽固症状的原因提供了分子层面的证据，并为精准诊断和靶向治疗奠定了基础。相关成果由南澳大学研究团队完成，分别发表在《PLOS Computational Biology》和《Critical Reviews in Clinical Laboratory Sciences》上。
研究团队整合并分析了来自全球100余项研究的多组学数据，涵盖基因组学、蛋白质组学、代谢组学、转录组学和表观基因组学等多个层面。通过先进的生物信息学方法与人工智能模型，研究人员共识别出32个与长新冠发生具有因果关系的关键基因，其中13个此前从未被报道与该疾病相关。这些基因显著增加了个体在感染新冠病毒后发展为长新冠的风险。
自2020年以来，全球估计已有约4亿人受到长新冠影响，每年给世界经济造成约1万亿美元的损失。该综合征通常表现为感染后4周以上仍持续存在的疲劳、呼吸困难、心血管并发症以及认知功能受损，部分患者症状可持续数月甚至数年。目前，长新冠缺乏统一的诊断标准和有效治疗手段。
论文第一作者、南澳大学生物信息学博士研究生Sindy Pinero指出，长新冠是一种高度复杂的多系统疾病，症状异质性极强，很难用单一生物标志物加以界定。她表示，通过对全球数据进行系统整合和计算建模，可以逐步识别该疾病稳定存在的分子特征，从而发现具有潜在临床价值的生物标志物和治疗靶点。
研究综述总结了数十种与免疫功能紊乱、持续性炎症反应以及线粒体和代谢异常相关的遗传、表观遗传和蛋白水平标志物。其中，一个位于FOX P4基因中的遗传变异尤为引人关注，该基因与免疫调控和肺功能密切相关，研究显示其可能显著提高个体罹患长新冠的易感性。研究人员还发现，感染后一年内仍有71个分子“开关”持续影响基因开启或关闭状态，并鉴定出1500余种与免疫和神经系统功能紊乱相关的异常基因表达模式。
通过机器学习方法整合多层次组学信息，研究团队展示了预测患者长期并发症风险及症状演变轨迹的可行性。研究人员认为，这一计算框架不仅有助于加深对长新冠生物学机制的理解，也可能为其他病毒感染后综合征（如慢性疲劳综合征和纤维肌痛）的研究和治疗提供思路。
共同作者、南澳大学副教授Thuc Le表示，传统生物医学研究难以应对长新冠的高度复杂性，而人工智能驱动的计算科学能够从全球数据中识别小规模临床研究无法揭示的因果关系，例如特定基因如何通过免疫通路引发持续性炎症反应。
研究还指出，当前相关研究在样本规模和人群多样性方面仍存在不足，亟需开展更大规模、长期随访的国际合作研究。作者强调，全球数据共享与跨学科协作不仅是推动长新冠研究转化为临床工具的关键，也为未来应对新发传染病和复杂慢性疾病提供了一种可复制的研究范式。
参考文献：
Sindy Pinero et al, Integrative multi-omics framework for causal gene discovery in Long COVID, PLOS Computational Biology (2025). DOI: 10.1371/journal.pcbi.1013725
Sindy Pinero et al, Omics-based computational approaches for biomarker identification, prediction, and treatment of Long COVID, Critical Reviews in Clinical Laboratory Sciences (2025). DOI: 10.1080/10408363.2025.2583083
编辑：周敏
排版：李丽
评论 (0)