机器学习解码复发性妊娠丢失中的母体免疫特征

RPL蜕膜组织呈现整体免疫激活信号升高，且该信号主要来自母体来源的蜕膜NK细胞亚群dNK2与dNK3。 此前对RPL免疫机制的认识多来自外周血或组织块分析，本研究以单细胞分辨率并结合基因型来源判定，将激活信号定位到具体细胞亚群与母体来源。 基于62,588个高质量单细胞（最终57,976个细胞有可靠来源判定），CRM评分在RPL中显著升高（Mann-Whitney U检验，p = 1.27E-144），dNK2（p = 7.55E-13）与dNK3（p = 1.23E-17）升高最显著，并做了Benjamini–Hochberg校正。

分层机器学习框架在内部与外部数据集中将母体T细胞识别为携带最独特且可泛化RPL特征的人群。 相较传统单基因均值差异检验，该方法学习组合式转录组模式来区分细胞状态，并在独立队列中检验泛化性。 内部测试集一级/二级加权F1为0.87/0.97；外部RPL队列（Du）为0.81/0.93；外部正常队列（Vento）二级F1为0.32，但T细胞、粒细胞与NK CD16⁺细胞在Vento中二级F1分别为0.86、0.94、0.89。

SHAP导出的T细胞RPL特征基因可在不同模型架构间迁移，经scGPT微调后分类性能明显提升。 用与devCellPy完全不同的Transformer架构独立验证特征基因，降低对单一模型框架过拟合的可能。 预训练scGPT零样本加权F1为0.61，微调后升至0.86；测试集中T细胞与粒细胞F1>0.94；Vento中T细胞与粒细胞F1>0.96；Du中T细胞加权平均F1为0.99，而NK CD16⁺细胞未能保持稳健分类。

网络中心性分析与来源控制的表达过滤相互收敛，提名CXCR4与JUN为与T细胞失调相关的候选可成药分子。 两个基因同时来自独立的PPI网络枢纽排序与剔除母胎来源混杂后的差异表达筛选，此前未被强调为RPL蜕膜T细胞的区分性特征。 初始100个SHAP排序基因经两步过滤（先剔除42个母胎差异基因，再剔除38个母体T细胞内不显著基因）得到20个基因；CXCR4与JUN在RPL母体T细胞中显著上调（Wilcoxon秩和检验，Benjamini–Hochberg FDR校正，adjusted p < 0.001）；ASGARD预测5种化合物在至少3种组织中显著逆转RPL相关表达，其中prednicarbate、sirolimus、niclosamide此前已与RPL相关情境有关联。

该研究适用于早孕期（约9–11周）经核型确认正常的RPL蜕膜组织情境，其分析框架可被其他研究者在具备匹配母体基因型与单细胞数据时复用；结论定位于候选标志物与靶点的提名，供后续功能实验（如类器官模型或体内编辑）与临床分层研究使用。

读者仍需关注：CXCR4与JUN的上调是妊娠丢失的原发驱动还是胎儿停育后的继发结果，需功能扰动实验判定；细胞比例差异受取样部位、活检深度与解离效率等前分析因素影响，作者将其视为情境性观察；组间记录孕周存在差异（Norm 9.5周，RPL 10.3周），且RPL孕周反映临床诊断时间而非胚胎停育时间；NK CD16⁺细胞在外部数据集中泛化性不足、Du数据集中粒细胞样本极少（n = 9），这些细胞类型的结论稳定性有待更多数据检验。