MASLD进展到MASH不只是“脂肪变多了一点、炎症重了一点”。真正关键的是肝脏微环境里哪些细胞状态被重新塑造哪些细胞互作把疾病推向纤维化这篇发表于npj Digital Medicine的研究整合 单细胞转录组、空间转录组、bulk转录组、ATAC-seq和机器学习把焦点落在一类MASH中特异扩增的 DTNA巨噬细胞 上并提出它们可能通过 RUNX2-PLG-PARD3轴 与活化肝星状细胞互作参与纤维化进展。这篇文章最值得看的地方它不是单纯做细胞图谱而是把“病理细胞亚群、空间共定位、调控网络和AI预测”串成了一条机制证据链。核心看点MASH中富集的 DTNA巨噬细胞 可能经由 RUNX2-PLG-PARD3 连接活化HSC并且DTNA在多队列机器学习模型中成为区分MASLD和MASH的关键特征。文献信息项目内容标题Integrating multi-omics and machine learning systematically deciphers cellular heterogeneity and fibrotic regulatory networks in the progression from MASLD to MASH中文理解通过整合公共单细胞、空间转录组、bulk转录组和ATAC-seq数据本文系统解析MASLD向MASH进展中的肝脏细胞异质性和纤维化调控网络识别出MASH中特异富集的DTNA巨噬细胞及其与活化肝星状细胞之间的RUNX2-PLG-PARD3潜在互作轴。期刊npj Digit. Med.发表时间2026-01-16研究方向MASLD、MASH、肝纤维化、单细胞转录组、空间转录组、机器学习、生物标志物核心资源/队列5个单细胞发现队列、1个单细胞验证队列、9个bulk转录组/芯片队列、7个MASH空间转录组样本、44个ATAC-seq样本样本量/数据规模发现队列115个scRNA-seq样本保留570,194个细胞验证队列38个scRNA-seq样本机器学习评估113种模型组合DOI10.1038/s41746-026-02352-8PubMedPMID: 41545636数据/代码数据来自GEO和SRA正文未报告独立代码仓库这篇文章解决了什么问题MASLD/MASH研究中一个常见难点是bulk转录组能看到脂代谢、炎症和纤维化基因变化但很难判断这些信号到底来自哪类细胞也很难解释细胞之间如何互相推动病变进展。这篇文章的思路比较完整。作者先用多队列单细胞数据建立肝脏细胞图谱发现MASH中单核/巨噬细胞和HSC明显富集再用空间转录组确认这两类细胞在MASH组织中共定位随后在髓系细胞内部识别出DTNA巨噬细胞并进一步推断其调控因子、配体-受体互作和纤维化关联。真正的落点是DTNA巨噬细胞并不是一个孤立marker群而可能代表MASH中一种与 炎症、缺氧、凝血和纤维化 共同相关的病理性巨噬细胞状态。它们与活化HSC之间的RUNX2-PLG-PARD3轴为“免疫细胞如何推动纤维化”提供了一个可检验的候选机制。文章摘要MASLD进展到MASH 是导致肝纤维化、肝硬化和肝癌的重要环节但其中关键细胞状态和调控网络尚未完全明确。本文整合公共 单细胞转录组、空间转录组、bulk转录组和ATAC-seq 数据系统解析MASLD-MASH进展中的肝脏微环境重塑。研究在115个单细胞样本中保留 570,194个细胞识别出7类主要肝脏细胞其中单核/巨噬细胞和肝星状细胞在MASH中显著富集并在空间转录组中呈现共定位。进一步分析发现DTNA巨噬细胞 在MASH中特异扩增具有M2极化、缺氧和炎症信号增强特征。拟时序提示该状态可能由Kupffer细胞分化而来SCENIC分析提示 RUNX2 为关键调控因子。细胞通讯和ATAC-seq进一步支持 RUNX2-PLG-PARD3轴 可能连接DTNA巨噬细胞与活化HSC参与纤维化加重。最后113种机器学习模型评估显示ElasticNet模型平均AUC为 0.839DTNA是区分MASLD和MASH的最优预测特征。这套分析怎么搭起来先搭肝脏单细胞图谱整合115个scRNA-seq样本保留570,194个细胞识别7类主要肝脏细胞。再聚焦疾病富集细胞发现MASH中单核/巨噬细胞和HSC富集并进一步重聚类HSC和髓系细胞。锁定DTNA巨噬细胞该亚群在MASH中特异增加并表现出M2极化、缺氧、炎症、凝血等通路增强。把机制和转化连起来通过CellChat、SCENIC、ATAC-seq、空间共定位和机器学习提出RUNX2-PLG-PARD3轴及DTNA预测价值。材料与方法模块内容研究对象健康肝组织、MASLD和MASH样本部分MASH按纤维化程度分为eMASH和aMASH单细胞发现队列GSE289173、GSE212837、GSE202379、GSE189600、GSE189175共115个样本570,194个细胞单细胞验证队列GSE16650438个scRNA-seq样本bulk数据GSE126848、GSE135251、GSE167523、GSE48452、GSE66676、GSE89632、GSE164760、GSE162694、GSE24807空间转录组GSE2480777个MASH空间转录组样本ATAC-seqSRA PRJNA725028共44个样本用于评估RUNX2-PLG调控相关染色质开放性核心方法Seurat整合、RCTD空间反卷积、CytoTRACE、拟时序、CellChat、SCENIC、GSEA、ATAC-seq motif分析、ElasticNet和SHAP解释研究结果多组学流程从细胞图谱走向预测模型文章首先搭建了一个完整分析流程单细胞整合识别关键细胞群空间转录组验证细胞共定位bulk和ATAC-seq补充外部验证最后用机器学习构建MASLD/MASH分类模型。这个设计的好处是它不是只做“细胞注释”也不是只做“模型分类”而是将 机制发现 和 转化预测 放在同一条证据链中。MASH中单核/巨噬细胞和HSC共同富集并空间邻近作者整合115个scRNA-seq样本包括35个健康肝组织、14个MASLD和66个MASH样本共保留570,194个细胞注释为7类主要肝脏细胞肝细胞、内皮细胞、T细胞、单核/巨噬细胞、HSC、胆管细胞和B细胞。结果显示MASH中单核/巨噬细胞和HSC显著富集在eMASH到aMASH进展中HSC比例进一步升高。空间反卷积分析还显示MASH空间样本中单核/巨噬细胞与HSC具有较高空间共定位。第一条主线MASH并不是单纯肝细胞代谢异常而是免疫细胞和纤维化细胞在空间上共同重塑。HSC从静息状态向活化状态转换随后作者重聚类HSC识别出5个亚群qHSC、inHSC、aHSC、hep-like HSC和SMC。随着MASLD向MASH进展aHSC比例升高而qHSC比例下降在aMASH中aHSC相对eMASH进一步增加。CytoTRACE和拟时序分析提示qHSC可能处于更早的祖细胞样状态并沿着 qHSC → inHSC → aHSC / hep-like HSC / SMC 的方向转变。这个结果为后续“谁推动HSC活化”提供了细胞状态背景。DTNA巨噬细胞在MASH中特异扩增在髓系细胞内部作者进一步识别出7个亚群包括VCAM1 Kupffer细胞、SAA1 Kupffer细胞、DTNA巨噬细胞、VCAN单核细胞、mDC、pDC和MKI67巨噬细胞。其中最关键的是 DTNA巨噬细胞它们在MASH中显著扩增同时表现出M2极化、缺氧/HIF调控、糖酵解、脂质介质活性、干扰素、TNFA-NFκB、IL6-JAK-STAT3、凝血和胆固醇稳态等通路增强。这说明DTNA巨噬细胞不是普通炎症细胞而更像是一个与 慢性炎症、缺氧适应和纤维化微环境 相关的病理性巨噬细胞状态。RUNX2可能是DTNA巨噬细胞的关键转录调控因子拟时序和CytoTRACE分析显示VCAM1 KCs和SAA1 KCs具有更高干性潜力而DTNA巨噬细胞位于特定演化状态中提示其可能来自Kupffer细胞向DTNA状态的分化过程。SCENIC分析识别出360个显著regulon并聚类为M1-M17模块。DTNA巨噬细胞富集于M2、M3、M10和M12模块共涉及74个转录因子。进一步交集分析锁定BHLHE41、RUNX2、BACH2和MEF2C其中 RUNX2 与肝纤维化、HSC活化和巨噬细胞浸润已有较强背景关联。DTNA巨噬细胞可能通过RUNX2-PLG-PARD3轴连接活化HSC细胞通讯分析显示MASH中DTNA巨噬细胞与aHSC、hep-like HSC和inHSC之间的互作增强。尤其是PLG-PARD3配体-受体互作在MASH中明显增强并且指向DTNA巨噬细胞与HSC之间的通讯。bulk数据中PLG表达与纤维化signature正相关R 0.639p 0.00011RUNX2与PLG也呈正相关R 0.655p 6.33 × 10⁻⁵。ATAC-seq进一步显示MASH相对MASLD存在大量差异开放区域PLG相关顺式调控元件均位于上调开放区域并富集RUNX2结合位点。候选机制RUNX2可能调控DTNA巨噬细胞中的PLG表达PLG再通过PARD3相关互作影响活化HSC从而参与纤维化推进。PLG高表达状态关联补体和凝血级联为了进一步理解PLG的功能意义作者将MASH样本按DTNA巨噬细胞来源PLG表达分为高PLG和低PLG组。高PLG组的DTNA巨噬细胞中“补体和凝血级联”通路显著富集。空间转录组进一步显示DTNA巨噬细胞与aHSC在MASH切片中明显共定位DTNA巨噬细胞signature与aHSC signature呈显著正相关。这一结果支持“免疫-凝血-纤维化”微环境在MASH中的潜在连接。DTNA巨噬细胞signature可区分MASLD和MASH文章最后进入转化预测部分。作者构建并比较113种机器学习模型在训练集GSE135251和5个外部验证集上评估性能。ElasticNet模型α 0.9平均AUC最高达到 0.839。在多个独立队列中DTNA本身表现出最高预测能力。模型特征中ARHGAP22、DHRS9、DTNA、ITGAX、RUNX2和TRPM2在MASH中显著升高而TESK2差异不显著。这个结果把DTNA巨噬细胞从机制线索推进到潜在诊断标志物。SHAP解释显示DTNA是模型最重要特征为了提高模型可解释性作者对最优ElasticNet模型进行SHAP分析。平均绝对SHAP值显示DTNA排名第一0.100远高于其他特征瀑布图和force plot也显示DTNA和RUNX2是推动模型预测MASH的重要正向贡献因子。这一步很重要如果只给出AUC模型仍像“黑箱”SHAP分析则把模型结论拉回机制主线说明预测能力主要来自DTNA巨噬细胞相关信号而不是任意噪声特征。从这篇文章能迁移什么这篇文章的可迁移价值不在于“又做了一套单细胞注释”而在于它把机制链条搭得比较完整先用多队列scRNA-seq找到MASH中真正扩增的细胞状态再用空间转录组证明这些细胞和纤维化细胞在组织里靠得足够近最后用bulk队列和机器学习评估这个发现能不能转化为分型标志物。做类似课题时可以把思路压缩成一条主线疾病进展细胞群 → 病理亚群重聚类 → 调控因子 → 配体-受体互作 → 空间共定位 → 外部队列预测。这比单纯堆CellChat、拟时序和机器学习更有说服力因为每一步都在回答同一个问题哪个细胞状态真正推动疾病进展对MASLD/MASH临床分层来说DTNA的意义也不只是一个“高AUC基因”。它背后对应的是一类DTNA巨噬细胞以及这类细胞与活化HSC、PLG-PARD3通讯和凝血/补体通路之间的联系。后续如果能把DTNA相关signature与血清学指标、影像组学、肝弹性检测或临床评分合并可能更接近真实可用的非侵入性MASH分层工具。机制上这篇文章也提醒我们MASH纤维化不应只盯着HSC自身激活。免疫细胞可能通过配体-受体、代谢压力、凝血相关通路和空间邻近持续把HSC推向活化状态。DTNA巨噬细胞和aHSC的关系就是这种“免疫-纤维化生态位”的一个具体切入点。总结这篇文章把MASLD到MASH的进展解释为一个多细胞、多通路共同驱动的过程MASH中单核/巨噬细胞和HSC共同富集并空间邻近HSC从静息态向活化态转变DTNA巨噬细胞扩增并表现出M2极化、缺氧、炎症和凝血相关信号增强RUNX2-PLG-PARD3轴可能连接DTNA巨噬细胞与aHSC推动纤维化机器学习进一步支持DTNA作为区分MASLD和MASH的候选标志物。最值得记住的是这篇文章真正抓住的不是某个单独纤维化基因而是DTNA巨噬细胞与活化HSC共同构成的空间互作网络以及其中RUNX2-PLG-PARD3可能串联起的免疫-凝血-纤维化通路。参考文献Wen W, Liu Z, Tan W, et al. Integrating multi-omics and machine learning systematically deciphers cellular heterogeneity and fibrotic regulatory networks in the progression from MASLD to MASH. npj Digit Med. 2026;9:167. doi:10.1038/s41746-026-02352-8PubMed: https://pubmed.ncbi.nlm.nih.gov/41545636/PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC12913776/DOI: https://doi.org/10.1038/s41746-026-02352-8GEO GSE289173: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE289173GEO GSE212837: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE212837GEO GSE202379: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE202379GEO GSE189600: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE189600GEO GSE189175: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE189175GEO GSE166504: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE166504GEO GSE248077: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE248077SRA PRJNA725028: https://www.ncbi.nlm.nih.gov/sra/?termPRJNA725028
npj Digit. Med. | MASLD到MASH，DTNA+巨噬细胞把炎症和纤维化连起来了
发布时间：2026/7/10 16:42:27
MASLD进展到MASH不只是“脂肪变多了一点、炎症重了一点”。真正关键的是肝脏微环境里哪些细胞状态被重新塑造哪些细胞互作把疾病推向纤维化这篇发表于npj Digital Medicine的研究整合 单细胞转录组、空间转录组、bulk转录组、ATAC-seq和机器学习把焦点落在一类MASH中特异扩增的 DTNA巨噬细胞 上并提出它们可能通过 RUNX2-PLG-PARD3轴 与活化肝星状细胞互作参与纤维化进展。这篇文章最值得看的地方它不是单纯做细胞图谱而是把“病理细胞亚群、空间共定位、调控网络和AI预测”串成了一条机制证据链。核心看点MASH中富集的 DTNA巨噬细胞 可能经由 RUNX2-PLG-PARD3 连接活化HSC并且DTNA在多队列机器学习模型中成为区分MASLD和MASH的关键特征。文献信息项目内容标题Integrating multi-omics and machine learning systematically deciphers cellular heterogeneity and fibrotic regulatory networks in the progression from MASLD to MASH中文理解通过整合公共单细胞、空间转录组、bulk转录组和ATAC-seq数据本文系统解析MASLD向MASH进展中的肝脏细胞异质性和纤维化调控网络识别出MASH中特异富集的DTNA巨噬细胞及其与活化肝星状细胞之间的RUNX2-PLG-PARD3潜在互作轴。期刊npj Digit. Med.发表时间2026-01-16研究方向MASLD、MASH、肝纤维化、单细胞转录组、空间转录组、机器学习、生物标志物核心资源/队列5个单细胞发现队列、1个单细胞验证队列、9个bulk转录组/芯片队列、7个MASH空间转录组样本、44个ATAC-seq样本样本量/数据规模发现队列115个scRNA-seq样本保留570,194个细胞验证队列38个scRNA-seq样本机器学习评估113种模型组合DOI10.1038/s41746-026-02352-8PubMedPMID: 41545636数据/代码数据来自GEO和SRA正文未报告独立代码仓库这篇文章解决了什么问题MASLD/MASH研究中一个常见难点是bulk转录组能看到脂代谢、炎症和纤维化基因变化但很难判断这些信号到底来自哪类细胞也很难解释细胞之间如何互相推动病变进展。这篇文章的思路比较完整。作者先用多队列单细胞数据建立肝脏细胞图谱发现MASH中单核/巨噬细胞和HSC明显富集再用空间转录组确认这两类细胞在MASH组织中共定位随后在髓系细胞内部识别出DTNA巨噬细胞并进一步推断其调控因子、配体-受体互作和纤维化关联。真正的落点是DTNA巨噬细胞并不是一个孤立marker群而可能代表MASH中一种与 炎症、缺氧、凝血和纤维化 共同相关的病理性巨噬细胞状态。它们与活化HSC之间的RUNX2-PLG-PARD3轴为“免疫细胞如何推动纤维化”提供了一个可检验的候选机制。文章摘要MASLD进展到MASH 是导致肝纤维化、肝硬化和肝癌的重要环节但其中关键细胞状态和调控网络尚未完全明确。本文整合公共 单细胞转录组、空间转录组、bulk转录组和ATAC-seq 数据系统解析MASLD-MASH进展中的肝脏微环境重塑。研究在115个单细胞样本中保留 570,194个细胞识别出7类主要肝脏细胞其中单核/巨噬细胞和肝星状细胞在MASH中显著富集并在空间转录组中呈现共定位。进一步分析发现DTNA巨噬细胞 在MASH中特异扩增具有M2极化、缺氧和炎症信号增强特征。拟时序提示该状态可能由Kupffer细胞分化而来SCENIC分析提示 RUNX2 为关键调控因子。细胞通讯和ATAC-seq进一步支持 RUNX2-PLG-PARD3轴 可能连接DTNA巨噬细胞与活化HSC参与纤维化加重。最后113种机器学习模型评估显示ElasticNet模型平均AUC为 0.839DTNA是区分MASLD和MASH的最优预测特征。这套分析怎么搭起来先搭肝脏单细胞图谱整合115个scRNA-seq样本保留570,194个细胞识别7类主要肝脏细胞。再聚焦疾病富集细胞发现MASH中单核/巨噬细胞和HSC富集并进一步重聚类HSC和髓系细胞。锁定DTNA巨噬细胞该亚群在MASH中特异增加并表现出M2极化、缺氧、炎症、凝血等通路增强。把机制和转化连起来通过CellChat、SCENIC、ATAC-seq、空间共定位和机器学习提出RUNX2-PLG-PARD3轴及DTNA预测价值。材料与方法模块内容研究对象健康肝组织、MASLD和MASH样本部分MASH按纤维化程度分为eMASH和aMASH单细胞发现队列GSE289173、GSE212837、GSE202379、GSE189600、GSE189175共115个样本570,194个细胞单细胞验证队列GSE16650438个scRNA-seq样本bulk数据GSE126848、GSE135251、GSE167523、GSE48452、GSE66676、GSE89632、GSE164760、GSE162694、GSE24807空间转录组GSE2480777个MASH空间转录组样本ATAC-seqSRA PRJNA725028共44个样本用于评估RUNX2-PLG调控相关染色质开放性核心方法Seurat整合、RCTD空间反卷积、CytoTRACE、拟时序、CellChat、SCENIC、GSEA、ATAC-seq motif分析、ElasticNet和SHAP解释研究结果多组学流程从细胞图谱走向预测模型文章首先搭建了一个完整分析流程单细胞整合识别关键细胞群空间转录组验证细胞共定位bulk和ATAC-seq补充外部验证最后用机器学习构建MASLD/MASH分类模型。这个设计的好处是它不是只做“细胞注释”也不是只做“模型分类”而是将 机制发现 和 转化预测 放在同一条证据链中。MASH中单核/巨噬细胞和HSC共同富集并空间邻近作者整合115个scRNA-seq样本包括35个健康肝组织、14个MASLD和66个MASH样本共保留570,194个细胞注释为7类主要肝脏细胞肝细胞、内皮细胞、T细胞、单核/巨噬细胞、HSC、胆管细胞和B细胞。结果显示MASH中单核/巨噬细胞和HSC显著富集在eMASH到aMASH进展中HSC比例进一步升高。空间反卷积分析还显示MASH空间样本中单核/巨噬细胞与HSC具有较高空间共定位。第一条主线MASH并不是单纯肝细胞代谢异常而是免疫细胞和纤维化细胞在空间上共同重塑。HSC从静息状态向活化状态转换随后作者重聚类HSC识别出5个亚群qHSC、inHSC、aHSC、hep-like HSC和SMC。随着MASLD向MASH进展aHSC比例升高而qHSC比例下降在aMASH中aHSC相对eMASH进一步增加。CytoTRACE和拟时序分析提示qHSC可能处于更早的祖细胞样状态并沿着 qHSC → inHSC → aHSC / hep-like HSC / SMC 的方向转变。这个结果为后续“谁推动HSC活化”提供了细胞状态背景。DTNA巨噬细胞在MASH中特异扩增在髓系细胞内部作者进一步识别出7个亚群包括VCAM1 Kupffer细胞、SAA1 Kupffer细胞、DTNA巨噬细胞、VCAN单核细胞、mDC、pDC和MKI67巨噬细胞。其中最关键的是 DTNA巨噬细胞它们在MASH中显著扩增同时表现出M2极化、缺氧/HIF调控、糖酵解、脂质介质活性、干扰素、TNFA-NFκB、IL6-JAK-STAT3、凝血和胆固醇稳态等通路增强。这说明DTNA巨噬细胞不是普通炎症细胞而更像是一个与 慢性炎症、缺氧适应和纤维化微环境 相关的病理性巨噬细胞状态。RUNX2可能是DTNA巨噬细胞的关键转录调控因子拟时序和CytoTRACE分析显示VCAM1 KCs和SAA1 KCs具有更高干性潜力而DTNA巨噬细胞位于特定演化状态中提示其可能来自Kupffer细胞向DTNA状态的分化过程。SCENIC分析识别出360个显著regulon并聚类为M1-M17模块。DTNA巨噬细胞富集于M2、M3、M10和M12模块共涉及74个转录因子。进一步交集分析锁定BHLHE41、RUNX2、BACH2和MEF2C其中 RUNX2 与肝纤维化、HSC活化和巨噬细胞浸润已有较强背景关联。DTNA巨噬细胞可能通过RUNX2-PLG-PARD3轴连接活化HSC细胞通讯分析显示MASH中DTNA巨噬细胞与aHSC、hep-like HSC和inHSC之间的互作增强。尤其是PLG-PARD3配体-受体互作在MASH中明显增强并且指向DTNA巨噬细胞与HSC之间的通讯。bulk数据中PLG表达与纤维化signature正相关R 0.639p 0.00011RUNX2与PLG也呈正相关R 0.655p 6.33 × 10⁻⁵。ATAC-seq进一步显示MASH相对MASLD存在大量差异开放区域PLG相关顺式调控元件均位于上调开放区域并富集RUNX2结合位点。候选机制RUNX2可能调控DTNA巨噬细胞中的PLG表达PLG再通过PARD3相关互作影响活化HSC从而参与纤维化推进。PLG高表达状态关联补体和凝血级联为了进一步理解PLG的功能意义作者将MASH样本按DTNA巨噬细胞来源PLG表达分为高PLG和低PLG组。高PLG组的DTNA巨噬细胞中“补体和凝血级联”通路显著富集。空间转录组进一步显示DTNA巨噬细胞与aHSC在MASH切片中明显共定位DTNA巨噬细胞signature与aHSC signature呈显著正相关。这一结果支持“免疫-凝血-纤维化”微环境在MASH中的潜在连接。DTNA巨噬细胞signature可区分MASLD和MASH文章最后进入转化预测部分。作者构建并比较113种机器学习模型在训练集GSE135251和5个外部验证集上评估性能。ElasticNet模型α 0.9平均AUC最高达到 0.839。在多个独立队列中DTNA本身表现出最高预测能力。模型特征中ARHGAP22、DHRS9、DTNA、ITGAX、RUNX2和TRPM2在MASH中显著升高而TESK2差异不显著。这个结果把DTNA巨噬细胞从机制线索推进到潜在诊断标志物。SHAP解释显示DTNA是模型最重要特征为了提高模型可解释性作者对最优ElasticNet模型进行SHAP分析。平均绝对SHAP值显示DTNA排名第一0.100远高于其他特征瀑布图和force plot也显示DTNA和RUNX2是推动模型预测MASH的重要正向贡献因子。这一步很重要如果只给出AUC模型仍像“黑箱”SHAP分析则把模型结论拉回机制主线说明预测能力主要来自DTNA巨噬细胞相关信号而不是任意噪声特征。从这篇文章能迁移什么这篇文章的可迁移价值不在于“又做了一套单细胞注释”而在于它把机制链条搭得比较完整先用多队列scRNA-seq找到MASH中真正扩增的细胞状态再用空间转录组证明这些细胞和纤维化细胞在组织里靠得足够近最后用bulk队列和机器学习评估这个发现能不能转化为分型标志物。做类似课题时可以把思路压缩成一条主线疾病进展细胞群 → 病理亚群重聚类 → 调控因子 → 配体-受体互作 → 空间共定位 → 外部队列预测。这比单纯堆CellChat、拟时序和机器学习更有说服力因为每一步都在回答同一个问题哪个细胞状态真正推动疾病进展对MASLD/MASH临床分层来说DTNA的意义也不只是一个“高AUC基因”。它背后对应的是一类DTNA巨噬细胞以及这类细胞与活化HSC、PLG-PARD3通讯和凝血/补体通路之间的联系。后续如果能把DTNA相关signature与血清学指标、影像组学、肝弹性检测或临床评分合并可能更接近真实可用的非侵入性MASH分层工具。机制上这篇文章也提醒我们MASH纤维化不应只盯着HSC自身激活。免疫细胞可能通过配体-受体、代谢压力、凝血相关通路和空间邻近持续把HSC推向活化状态。DTNA巨噬细胞和aHSC的关系就是这种“免疫-纤维化生态位”的一个具体切入点。总结这篇文章把MASLD到MASH的进展解释为一个多细胞、多通路共同驱动的过程MASH中单核/巨噬细胞和HSC共同富集并空间邻近HSC从静息态向活化态转变DTNA巨噬细胞扩增并表现出M2极化、缺氧、炎症和凝血相关信号增强RUNX2-PLG-PARD3轴可能连接DTNA巨噬细胞与aHSC推动纤维化机器学习进一步支持DTNA作为区分MASLD和MASH的候选标志物。最值得记住的是这篇文章真正抓住的不是某个单独纤维化基因而是DTNA巨噬细胞与活化HSC共同构成的空间互作网络以及其中RUNX2-PLG-PARD3可能串联起的免疫-凝血-纤维化通路。参考文献Wen W, Liu Z, Tan W, et al. Integrating multi-omics and machine learning systematically deciphers cellular heterogeneity and fibrotic regulatory networks in the progression from MASLD to MASH. npj Digit Med. 2026;9:167. doi:10.1038/s41746-026-02352-8PubMed: https://pubmed.ncbi.nlm.nih.gov/41545636/PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC12913776/DOI: https://doi.org/10.1038/s41746-026-02352-8GEO GSE289173: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE289173GEO GSE212837: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE212837GEO GSE202379: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE202379GEO GSE189600: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE189600GEO GSE189175: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE189175GEO GSE166504: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE166504GEO GSE248077: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?accGSE248077SRA PRJNA725028: https://www.ncbi.nlm.nih.gov/sra/?termPRJNA725028
