用于鉴定稳健型败血症亚型的分类器的制作方法

相关申请的交叉引用本申请要求于2018年2月27日提交的美国临时申请序列号62/636,096的权益，所述美国临时申请整体并入本文。政府权利本发明是在美国国立卫生研究院授予的合同ai057229和ai109662的政府支持下完成的。美国政府享有本发明的某些权利。
背景技术：
：败血症被定义为由于对感染的免疫应答失调导致的危及生命的器官功能障碍(1)。尽管它与所有医院内死亡中的近一半相关，但仍没有经批准的特定于败血症的疗法(2，3)。部分地，这是因为败血症的临床综合征包含大量异质性，并且实际上可以涵盖许多不同的亚型，类似于患有癌症的患者中公认的亚型(4，5)。当前的败血症分组基于临床标准，如存在休克、感染源或器官衰竭，但是此类分组可能不代表宿主应答的驱动生物学。其也未能充分匹配患者进行新颖的干预。如果败血症的异质性真正反映了宿主应答中的异质性，那么表征这些潜在的宿主应答类型将是能够进行精确败血症治疗的基础(6)。在无监督分析中，将数据分成仅在内部定义且未参考外部“监督”结果(如死亡率或严重程度)的子组(“簇”)。替代地，数据内固有的结构用于定义子组。此类数据驱动的分析已经成功地定义了多种疾病中经过验证的临床相关的疾病亚型(4，5，7，8)。由于全血基因表达反映了循环白细胞的时间状态，因此至少两个学术组将无监督聚类应用于患有败血症的患者的全血转录组学谱，以在数据驱动的框架下研究“宿主应答”(9-13)。他们的结果确定了证实有免疫衰竭和减弱的糖皮质激素受体信号传导的较高死亡率亚型，以及具有常规促炎性信号传导的较低死亡率亚型(9-13)。出于以下两个原因之一，聚类分析通常会产生不可重现的结果：使用方法中的多个任意选择，使得分析中的微小变化产生新结果，或者聚类数据集太小并且不能代表疾病的广泛异质性。然而，元聚类和数据汇集的最新进展可以帮助解决这两个问题(14-16)。与败血症中前所未有的公开可用的转录组学数据相结合(17，18)，测试了在广泛的、异质的临床败血症谱中存在稳健的可重现的败血症宿主应答亚型(簇)的假设。技术实现要素：基于转录组学数据，患有败血症的受试者可以被分配给以下三个簇之一：与高先天免疫/降低的适应性免疫信号相关的“炎性”簇、与具有降低的先天免疫/高适应性免疫信号以及低死亡率相关的“适应性”簇，以及显示凝血和补体系统的临床和分子异常两者的“凝血性”簇。在一些实施例中，提供了一种用于确定患有败血症的受试者是否具有炎性表型、适应性表型或凝血性表型的方法。在这些实施例中，此方法可以包括：(a)测量从所述受试者获得的rna的样品中的由以下中的至少两种来编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb，以获得基因表达数据；以及(b)基于所述基因表达数据，提供指示所述受试者是否具有炎性表型、适应性表型或凝血性表型的报告，其中：(i)增加的arg1、lcn2、ltf和/或olfm4和/或降低的hla-dmb指示所述受试者具有炎性表型；(ii)增加的ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22和/或frs2和/或降低的gadd45a、cd24、s100a12和/或stx1a指示所述受试者具有适应性表型；并且(iii)增加的kcnmb4、crisp2、htra1和/或ppl和/或降低的rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和/或relb指示所述受试者具有凝血性表型。在一些实施例中，一种用于治疗患有败血症的受试者的方法。在这些实施例中，所述方法可以包括：(a)接收指示所述受试者是否具有炎性表型、适应性表型或凝血性表型的报告，其中所述报告基于通过以下方法获得的基因表达数据：测量从所述受试者获得的rna的样品中的由以下中的至少两种来编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb，其中：(i)增加的arg1、lcn2、ltf和/或olfm4和/或降低的hla-dmb指示所述受试者具有炎性表型；(ii)增加的ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22和/或frs2和/或降低的gadd45a、cd24、s100a12和/或stx1a指示所述受试者具有适应性表型；并且(iii)增加的kcnmb4、crisp2、htra1和/或ppl和/或降低的rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和/或relb指示所述受试者具有凝血性表型；以及(b)基于所述受试者是否被指示为具有炎性表型、适应性表型或凝血性表型来治疗受试者。还提供了用于执行所述方法的试剂盒。附图说明当结合附图阅读时，可以根据以下详细描述最好地理解本发明。应强调的是，根据惯例，附图的各种特征不是按比例绘制的。相反，为了清晰起见，各种特征的尺寸可以任意扩大或缩小。附图中包含以下各图：图1描绘了总体研究示意图。图2a-2b描绘了使用在coconut归一化数据中存在的所有8,946个基因的发现聚类结果的前两个主要组分(pc)(含(a)和不含(b)两者的在最终分析中未聚类样品的16％，以金色表示)。此处示出，以无监督方式恢复的簇分配在高维空间中清楚地分开，如前两个主要组分所展示的。图3a-3b描绘了在发现和验证数据集中分配的簇之间平均500个基因表达载体的相关性，以及发现的在不同簇中过度表示的基因本体(go)代码的热图。(a)在发现和验证数据集中分配的簇之间平均500个基因表达载体的相关性；通过颜色示出相关系数(图右的图例)。值得注意的是，来自炎性簇的样品与来自其它数据集的炎性样品正相关，并且与来自其它数据集的适应性样品负相关(并且反之亦然)。凝血性簇表现出较小的凝聚，但彼此呈正相关。(b)发现的在不同簇中过度表示的基因本体(go)代码的热图，并通过显著性水平进行着色。在(a)和(b)两者中，针对每个簇，汇集的“核心”发现数据集由单个列表示，而每个验证数据集中的每个簇由单独的列表示。两个子图均示出指示相同类型的簇之间的数据集之间分子相似性的块结构。图4描绘了coconut之前和之后的发现数据集的主要组分分析。在进行coconut共同归一化之前，发现数据集完全通过技术批效应来分开。在coconut之后，这些技术效应已被去除，如前两个主要组分中的发现数据集的普遍重叠所证明的。图5a-d描绘了来自使用k-平均值(a、b)和围绕中心点进行划分(c、d)的两种共识聚类算法的输出。(a、c)通过簇的数量进行共识分配的累积密度函数。(b、d)按簇的共识映射。1＝炎性，2＝适应性，3＝凝血性。图6描绘了簇最佳性的communal图。x轴显示簇的数量，y轴显示包含的基因的数量，z轴显示平均有效性评分(越高越好)。红色点和蓝色点显示了在包含的基因数量的每种数量处自动分配的最佳值。communal自动选择以下5种有效性量度：间隙统计、连接性、平均轮廓宽度、g3度量、皮尔逊γ(pearson′sgamma)。所得的图显示了整个测试空间中每个有效性量度的标准值的平均值。在大多数测试空间中都可以看到k＝3个簇时的稳定的最佳值，这表明在此数量的簇中有强且一致的生物信号。红色箭头显示选定的聚类(在最低基因数量[500]时的稳定的k[3])。图7描绘了对使用coconut归一化数据中存在的所有8,946个基因或在聚类分析中实际使用的仅500个基因的发现聚类结果进行的主要组分分析(pca)(包含在最终分析中未聚类的样品的16％，以金色表示)。pca是一种无监督的降维技术，允许用于高维数据的可视化。此处示出，以无监督方式恢复的簇分配在高维空间中清楚地分开，如前三个主要组分所展示的。自适应样品似乎沿pc1和2与炎性样品和凝血性样品分离，而pc3在很大程度上将炎性样品和凝血性样品分离。图8描绘了发现簇的聚类分析中包含的500个基因的热图，其中基因的分级聚类仅用于可视化。图9描绘了发现数据中的簇分配的原始预测概率的比较。概率直方图显示了模型对适应性的明确决定，但是对炎性和凝血性的预测确定性较差。具体实施方式除非另有说明，否则本发明的实践将采用在本领域的技术之内的药理学、化学、生物化学、重组dna技术和免疫学的常规方法。此类技术在文献中有充分说明。参见例如，《实验免疫学手册(handbookofexperimentalimmunology)》，第i-iv卷(d.m.weir和c.c.blackwell编辑，布莱克韦尔科学出版社(blackwellscientificpublications)；a.l.lehninger，《生物化学(biochemistry)》(沃思出版社有限公司(worthpublishers，inc.)，现行版)；sambrook等人，《分子克隆：实验室手册(molecularcloning：alaboratorymanual)》(第2版，1989)；《酶学方法(methodsinenzymology)》(s.colowick和n.kaplan编辑，学术出版社有限公司(academicpress，inc.)。本文，无论是上文还是下文所引用的所有公开、专利和专利申请特此通过引用以其整体并入。在提供了值的范围的情况下，应理解，也具体地公开了所述范围的上限与下限之间的至下限的第十个单位(除非上下文明确另外指出)的每个中间值。在所陈述的范围内的任何所述值或中间值与所陈述的范围内的任何其它所陈述的值或中间值之间的每个较小范围包含在本发明内。这些较小范围的上限和下限可独立地包含或排除在所述范围内，并且在较小的范围内包含任一限制、不包含两个限制或包含两个限制的每个范围也包含在本发明内，遵从在所述范围中任何具体排除的限制。在所陈述的范围包括一个或两个界限的情况下，不包括那些被包括在内的界限中的任一者或两者的范围也包括在本发明中。除非另外定义，否则本文使用的所有技术术语和科学术语具有与本发明所属领域的普通技术人员通常所理解的含义相同的含义。虽然类似或等效于本文所描述的那些方法和材料的任何方法和材料均可以用于实践或测试本发明，但是现在描述了一些潜在的以及优选的方法和材料。在此提及的所有公开是通过引用结合在此，以结合所引用的这些公开来披露和描述这些方法和/或材料。应当理解，在存在矛盾的情况下，本公开代替所并入出版物的任何公开内容。如对于本领域技术人员而言将显而易见的是，在阅读本公开时，本文所描述和展示的单独实施例中的每一个都具有离散的组成部分和特征，所述组成部分和特征可以在不偏离本发明的范围或精神的情况下易于与任何其它一些实施例的特征分离或组合。可以按照所叙述的事件的顺序或按照逻辑上可行的任何其他顺序来执行任何所叙述的方法。必须注意的是，如在本说明书和所附权利要求中所使用，单数形式“一个/一种(a/an)”和“该(the)”包括复数指代物，除非内容另有明确规定。。因此，例如，提及“激动剂”包含两种或更多种此类激动剂的混合物等等。本文所讨论的出版物仅被提供用于在本申请的提交日之前对其进行公开。在此没有任何内容被解释为承认本发明不能由于现有发明而有权先于此种出版物。另外，所提供的披露日期可能与实际披露日期不同，实际披露日期可能需要独立地确定。诊断方法如上所述，提供了一种用于确定患有败血症的受试者(即，已经被诊断为患有败血症的受试者或患有尚未被诊断的败血症的受试者)是否具有炎性表型、适应性表型或凝血性表型的方法。在一些实施例中，所述方法可以包括：(a)测量从所述受试者获得的rna的样品中的由以下中的至少两种(例如，至少2种、至少3种、至少5种、至少10种、至少15种、至少20种、至少30种或以下所有)编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb，以获得基因表达数据；以及(b)基于所述基因表达数据，提供指示所述受试者是否具有炎性表型、适应性表型或凝血性表型的报告，其中：(i)增加的arg1、lcn2、ltf和/或olfm4和/或降低的hla-dmb指示所述受试者具有炎性表型；(ii)增加的ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22和/或frs2和/或降低的gadd45a、cd24、s100a12和/或stx1a指示所述受试者具有适应性表型；并且(iii)增加的kcnmb4、crisp2、htra1和/或ppl和/或降低的rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和/或relb指示所述受试者具有凝血性表型。可以使用任何合适的方法来完成测量步骤。例如，样品中的rna转录物的数量可以通过rna-seq(参见，例如，morin等人，《生物技术(biotechniques)》200845：81-94；wang等人，2009，《自然评论遗传学(naturereviewgenetics)》10：57-63)、rt-pcr(freeman等人，《生物技术》199926：112-22，124-5)或者通过标记rna或由其制备的cdna并将经过标记的rna或cdna与阵列杂交来进行测量。阵列可以含有与测得的转录物或由其制备的cdna特异性杂交的可空间寻址或可光学寻址的序列特异性寡核苷酸探针。可空间寻址阵列(在本领域中通常被称为“微阵列”)描述于例如sealfon等人(参见例如，《分子生物学方法(methodsmolbiol.)》2011；671：3-34)中。可光学寻址阵列(在本领域中通常被称为“珠阵列”)使用由不同颜色、强度和/或比率的荧光团在内部进行染色的珠粒，使得珠粒可以彼此区分，其中珠粒还附接到寡核苷酸探针。示例性基于珠粒的测定在dupont等人(《生殖免疫学杂志(jreprodimmunol)》200566：175-91)和khalifian等人(《皮肤病学研究杂志(jinvestdermatol.)》2015135：1-5)中进行了描述。样品中的转录物的丰度也可以通过定量rt-pcr或等温扩增方法进行分析，如例如gao等人(《病毒学方法杂志(j.virolmethods.)》2018255：71-75)、pease等人(《生物医学微装置(biomedmicrodevices)》(2018)20：56)或nixon等人(《生物分子检测和量化(biomol.det.andquant)》20142：4-10)中描述的那些方法。用于测量样品中的rna转录物的数量的许多其它方法是本领域已知的。从受试者获得的rna的样品可以包括例如从全血、白细胞、嗜中性粒细胞或血沉棕黄层中分离出的rna。制备已经被富集的转录物耗尽的总rna、polya+rna、rna和已经被测得的转录物富集的rna的方法是众所周知的(参见例如，hitchen等人，《生物技术杂志(jbiomoltech)》)201324：s43-s44)。如果方法涉及从rna制备cdna，则可以使用oligo(d)t引物、随机引物或与要分析的转录物杂交的基因特异性引物群体来制备cdna。在测量转录物时，可以确定每种转录物的绝对量，或者可以确定每种转录物相对于一种或多种对照转录物的量。转录物的数量是增加还是减少可以与对照样品中(例如，从至少100位、至少200位或至少500位患有败血症的群体中采集的血液样品中)的转录物的数量(例如，转录物的平均量)有关。在一些实施例中，所述方法可以包括基于转录物的数量的量度来提供指示受试者是否具有炎性表型、适应性表型或凝血性表型的报告。在一些实施例中，此步骤可以涉及基于转录物中的每种转录物的加权数量来计算三种评分(每种表型一种评分)，其中评分与表型相关，并且可以是数字，如概率、可能性或10分中的评分。在这些实施例中，所述方法可以包括将转录物中的每种转录物的数量输入到一种或多种算法中，执行算法，并接收基于计算的每个表型的评分。在这些实施例中，可以将以下来自受试者的其它量度输入到算法中：例如，受试者是否是男性、受试者的年龄、白细胞计数、嗜中性粒细胞计数、带计数、淋巴细胞计数、单核细胞计数、受试者是否受到免疫抑制和/或是否存在革兰氏阴性(gram-negative)细菌等。在一些实施例中，所述方法可以涉及例如以电子形式创建显示受试者的炎性年龄的报告，并将报告转发给医生或其它医学专业人员以帮助鉴定合适的行动方案，例如，鉴定适合于受试者的疗法。报告可以与其它度量一起用作诊断以确定受试者是否患有疾病或病状。在任何实施例中，报告可以被转发到“远程位置”，其中“远程位置”意指除了图像检查的位置之外的位置。例如，远程位置可以是同一城市中的另一位置(例如，办公室、实验室等)、不同城市中的另一位置、不同州的另一位置、不同国家的另一位置等。如此，当指示一个项与另一个项“遥远”时，意味着这两个项可以在同一房间但分开，或者至少在不同的房间或不同的建筑物中，并且可以相隔至少一英里、十英里或至少一百英里。“传送”信息是指通过合适的通信信道(例如，专用网络或公共网络)将表示此信息的数据作为电信号传输。“转发”项是指通过物理方式运输此项或以其它方式(在可能的情况下)将此项从一个位置移至下一个位置的任何方式，并且包含至少在数据的情况下物理地运输承载数据的介质或传送数据。通信介质的实例包含无线电或红外传输信道以及到另一台计算机或联网装置的网络连接，以及互联网或包含电子邮件传输和记录在网站等上的信息。在某些实施例中，报告可以由医学博士或其它合格的医学专业人员进行分析，并且可以将基于图像分析结果的报告转发给从其获得样品的受试者。在与计算机有关的实施例中，系统可以包含计算机，所述计算机含有处理器、存储组件(即，存储器)、显示组件以及通常存在于通用计算机中的其它组件。存储组件存储可由处理器访问的信息，包含可以由处理器执行的指令和可以由处理器检索、操纵或存储的数据。存储组件包含用于使用上文所描述的作为输入的量度来确定受试者是否具有炎性表型、适应性表型或凝血性表型炎性的指令。计算机处理器耦合到存储组件，并且被配置成执行存储在存储组件中的指令，以便根据一种或多种算法来接收患者数据并分析患者数据。显示组件可以显示关于患者的诊断的信息。存储组件可以是以下任何类型，其能够存储可由处理器访问的信息，如硬盘驱动器、存储卡、rom、ram、dvd、cd-rom、usb闪存驱动器，具有写能力的存储器和只读存储器。处理器可以是任何众所周知的处理器，如来自英特尔公司的处理器。可替代地，处理器可以是专用控制器，如asic。指令可以是将由处理器直接执行(如机器代码)或间接执行(如脚本)的任何指令集。在这方面，术语“指令”、“步骤”和“程序”在本文中可以互换使用。指令可以以目标代码形式存储以供处理器进行直接处理，或者以任何其它计算机语言存储，包含根据需要进行解释或预先编译的脚本或独立源代码模块的集合。数据可以根据指令由处理器检索、存储或修改。例如，尽管诊断系统不受任何特定数据结构的限制，但是数据可以存储在计算机寄存器中，在关系数据库中作为具有多个不同字段和记录的表格、xml文档或平面文件。数据也可以以任何计算机可读格式进行格式化，如但不限于二进制值、ascii或unicode。此外，数据可以包括足以鉴定相关信息的任何信息，如数字、描述性文本、专有代码、指针、对存储在其它存储器(包含其它网络位置)中的数据的引用或由函数使用的计算相关数据的信息。治疗方法还提供了治疗方法。在一些实施例中，这些方法可以包括使用上文所描述的方法将受试者鉴定为具有表型，并且基于受试者是否被指示为具有炎性表型、适应性表型或凝血性表型来治疗受试者。在一些实施例中，所述方法可以是用于治疗患有败血症的受试者的方法。在这些实施例中，所述方法可以包括(a)接收指示所述受试者是否具有炎性表型、适应性表型或凝血性表型的报告，其中所述报告基于通过以下方法获得的基因表达数据：测量从所述受试者获得的rna的样品中的由以下中的至少两种(例如，至少2种、至少3种、至少5种、至少10种、至少15种、至少20种、至少30种或以下所有)编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb，其中：(i)增加的arg1、lcn2、ltf和/或olfm4和/或降低的hla-dmb指示所述受试者具有炎性表型；(ii)增加的ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22和/或frs2和/或降低的gadd45a、cd24、s100a12和/或stx1a指示所述受试者具有适应性表型；并且(iii)增加的kcnmb4、crisp2、htra1和/或ppl和/或降低的rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和/或relb指示所述受试者具有凝血性表型；以及(b)基于所述受试者是否被指示为具有炎性表型、适应性表型或凝血性表型来治疗受试者。在一些实施例中，治疗方法可以包括(a)测量或已经测量从所述受试者获得的rna的样品中的由以下中的至少两种来编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb，以获得基因表达数据；(b)基于所述基因表达数据，将所述受试者鉴定为具有炎性表型、适应性表型或凝血性表型，其中：(i)增加的arg1、lcn2、ltf和/或olfm4和/或降低的hla-dmb指示所述受试者具有炎性表型；(ii)增加的ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22和/或frs2和/或降低的gadd45a、cd24、s100a12和/或stx1a指示所述受试者具有适应性表型；并且(iii)增加的kcnmb4、crisp2、htra1和/或ppl和/或降低的rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和/或relb指示所述受试者具有凝血性表型；以及(c)相应地治疗患者，如下文所描述的。取决于所述受试者是否被指示为具有炎性表型、适应性表型或凝血性表型，治疗可以不同。例如，被指示为具有炎性或适应性表型的受试者可以用先天或适应性免疫调节剂来治疗，如阿巴西普(abatacept)、阿贝莫司(abetimus)、阿布鲁单抗(abrilumab)、阿达木单抗(adalimumab)、阿非莫单抗(afelimomab)、阿柏西普(aflibercept)、阿法赛特(alefacept)、阿那白滞素(anakinra)、安卡利昔单抗(andecaliximab)、安利夫单抗(anifrolumab)、安芦珠单抗(anrukinzumab)、抗淋巴球蛋白、抗胸腺细胞球蛋白、抗叶酸剂、阿泊珠单抗(apolizumab)、阿普斯特(apremilast)、阿塞珠单抗(aselizumab)、阿特朱单抗(atezolizumab)、阿托木单抗(atorolimumab)、阿维鲁单抗(avelumab)、硫唑嘌呤(azathioprine)、巴利昔单抗(basiliximab)、贝拉西普(belatacept)、贝利木单抗(belimumab)、贝拉利珠单抗(benralizumab)、柏替木单抗(bertilimumab)、贝索单抗(besilesomab)、布列单抗(bleselumab)、布利斯比莫德(blisibimod)、布拉兹库单抗(brazikumab)、布雷奴单抗(briakinumab)、布洛多单抗(brodalumab)、康纳单抗(canakinumab)、卡鲁单抗(carlumab)、西地珠单抗(cedelizumab)、赛妥珠单抗(certolizumabpegol)、氯奎宁(chloroquine)、克拉唑卡珠单抗(clazakizumab)、克立昔单抗(clenoliximab)、皮质类固醇(corticosteroid)、环孢霉素(cyclosporine)、达克珠单抗(daclizumab)、杜普单抗(dupilumab)、度伐单抗(durvalumab)、依库丽单抗(eculizumab)、依法利珠(efalizumab)、埃尔德单抗(eldelumab)、伊斯利莫(elsilimomab)、依帕伐单抗(emapalumab)、依诺珠单抗(enokizumab)、依帕珠单抗(epratuzumab)、厄利珠单抗(erlizumab)、依那西普(etanercept)、依曲利珠单抗(etrolizumab)、依维莫司(everolimus)、法索单抗(fanolesomab)、法拉莫单抗(faralimomab)、费扎尼单抗(fezakinumab)、弗列珠单抗(fletikumab)、芬特妥珠单抗(fontolizumab)、去甲美马单抗(fresolimumab)、加利昔单抗(galiximab)、加维莫单抗(gavilimomab)、格伐克单抗(gevokizumab)、吉尔维特单抗(gilvetmab)、戈利木单抗(golimumab)、高密昔单抗(gomiliximab)、古塞尔库姆单抗(guselkumab)、胍立莫司(gusperimus)、羟化氯喹(hydroxychloroquine)、伊巴珠单抗(ibalizumab)、免疫球蛋白e、英特单抗(inebilizumab)、英夫利昔单抗(infliximab)、伊诺莫单抗(inolimomab)、整联蛋白、干扰素、伊匹单抗(ipilimumab)、伊托珠单抗(itolizumab)、衣克珠单抗(ixekizumab)、克利昔单抗(keliximab)、拉帕单抗(lampalizumab)、拉纳德卢单抗(lanadelumab)、利勃珠单抗(lebrikizumab)、来氟米特(leflunomide)、利马索单抗(lemalesomab)、来那度胺(lenalidomide)、利兹鲁单抗(lenzilumab)、勒德利木单抗(lerdelimumab)、来曲单抗(letolizumab)、利格珠单抗(ligelizumab)、利鲁单抗(lirilumab)、鲁利珠单抗(lulizumabpegol)、鲁昔单抗(lumiliximab)、马司莫单抗(maslimomab)、马维里单抗(mavrilimumab)、美泊利单抗(mepolizumab)、迈他珠单抗(metelimumab)、甲氨蝶呤(methotrexate)、米诺环素(minocycline)、莫加利单抗(mogamulizumab)、莫洛莫单抗(morolimumab)、莫罗单抗-cd3(muromonab-cd3)、霉酚酸(mycophenolicacid)、纳霉单抗(namilumab)、那他珠单抗(natalizumab)、奈利莫单抗(nerelimomab)、纳武单抗(nivolumab)、奥滨尤妥珠单抗(obinutuzumab)、奥克里昔单抗(ocrelizumab)、奥度莫单抗(odulimomab)、奥列克鲁单抗(oleclumab)、奥昔单抗(olokizumab)、奥马珠单抗(omalizumab)、奥立昔单抗(otelixizumab)、奥索单抗(oxelumab)、奥索利单抗(ozoralizumab)、帕姆雷夫卢单抗(pamrevlumab)、帕昔单抗(pascolizumab)、帕替利单抗(pateclizumab)、pde4抑制剂、培格那西普(pegsunercept)、派姆单抗(pembrolizumab)、哌拉单抗(perakizumab)、培克珠单抗(pexelizumab)、匹利珠单抗(pidilizumab)、吡美莫司(pimecrolimus)、普鲁单抗(placulumab)、帕洛珠单抗(plozalizumab)、泊马度胺(pomalidomide)、普立昔单抗(priliximab)、嘌呤合成抑制剂、嘧啶合成抑制剂、奎珠单抗(quilizumab)、瑞利珠单抗(reslizumab)、地磷莫司(ridaforolimus)、利纳西普(rilonacept)、利妥昔单抗(rituximab)、罗他珠单抗(rontalizumab)、罗维珠单抗(rovelizumab)、鲁普单抗(ruplizumab)、沙马利单抗(samalizumab)、沙利鲁单抗(safilumab)、苏金单抗(secukinumab)、西法木单抗(sifalimumab)、西普利单抗(siplizumab)、西罗莫司(sirolimus)、西鲁库单抗(sirukumab)、硫索单抗(sulesomab)、柳氮磺胺吡啶(sulfasalazine)、他巴单抗(tabalumab)、他克莫司(tacrolimus)、他利珠单抗(talizumab)、阿替莫单抗-阿利毒素偶联物(telimomabaritox)、替西罗莫司(temsirolimus)、替奈昔单抗(teneliximab)、替普珠单抗(teplizumab)、特立氟胺(teriflunomide)、替西普鲁单抗(tezepelumab)、替拉珠单抗(tildrakizumab)、托珠单抗(tocilizumab)、托法替尼(tofacitinib)、托拉珠单抗(toralizumab)、曲洛单抗(tralokinumab)、曲利单抗(tregalizumab)、曲美单抗(tremelimumab)、乌洛克普鲁单抗(ulocuplumab)、咗他莫司(umirolimus)、乌洛单抗(urelumab)、优特克单抗(ustekinumab)、伐利昔单抗(vapaliximab)、瓦利路单抗(varlilumab)、伐他珠单抗(vatelizumab)、维多珠单抗(vedolizumab)、维帕莫单抗(vepalimomab)、维西珠单抗(visilizumab)、伏巴利珠单抗(vobarilizumab)、扎诺米单抗(zanolimumab)、阿佐莫单抗(zolimomabaritox)、佐他莫司(zotarolimus)或重组人细胞因子，如rh-干扰素-γ。在另一个实例中，被指示为具有炎性或适应性表型的受试者可以用pd1、pdl1、ctla4、tim-3、btla、trem-1、lag3、vista或任一种人分化簇中的阻断或信号传导修饰来治疗，包含cd1、cd1a、cd1b、cd1c、cd1d、cd1e、cd2、cd3、cd3d、cd3e、cd3g、cd4、cd5、cd6、cd7、cd8、cd8a、cd8b、cd9、cd10、cd11a、cd11b、cd11c、cd11d、cd13、cd14、cd15、cd16、cd16a、cd16b、cd17、cd18、cd19、cd20、cd21、cd22、cd23、cd24、cd25、cd26、cd27、cd28、cd29、cd30、cd31、cd32a、cd32b、cd33、cd34、cd35、cd36、cd37、cd38、cd39、cd40、cd41、cd42、cd42a、cd42b、cd42c、cd42d、cd43、cd44、cd45、cd46、cd47、cd48、cd49a、cd49b、cd49c、cd49d、cd49e、cd49f、cd50、cd51、cd52、cd53、cd54、cd55、cd56、cd57、cd58、cd59、cd60a、cd60b、cd60c、cd61、cd62e、cd62l、cd62p、cd63、cd64a、cd65、cd65s、cd66a、cd66b、cd66c、cd66d、cd66e、cd66f、cd68、cd69、cd70、cd71、cd72、cd73、cd74、cd75、cd75s、cd77、cd79a、cd79b、cd80、cd81、cd82、cd83、cd84、cd85a、cd85b、cd85c、cd85d、cd85f、cd85g、cd85h、cd85i、cd85j、cd85k、cd85m、cd86、cd87、cd88、cd89、cd90、cd91、cd92、cd93、cd94、cd95、cd96、cd97、cd98、cd99、cd100、cd101、cd102、cd103、cd104、cd105、cd106、cd107、cd107a、cd107b、cd108、cd109、cd110、cd111、cd112、cd113、cd114、cd115、cd116、cd117、cd118、cd119、cd120、cd120a、cd120b、cd121a、cd121b、cd122、cd123、cd124、cd125、cd126、cd127、cd129、cd130、cd131、cd132、cd133、cd134、cd135、cd136、cd137、cd138、cd139、cd140a、cd140b、cd141、cd142、cd143、cd144、cdw145、cd146、cd147、cd148、cd150、cd151、cd152、cd153、cd154、cd155、cd156、cd156a、cd156b、cd156c、cd157、cd158、cd158a、cd158b1、cd158b2、cd158c、cd158d、cd158e1、cd158e2、cd158f1、cd158f2、cd158g、cd158h、cd158i、cd158j、cd158k、cd159a、cd159c、cd160、cd161、cd162、cd163、cd164、cd165、cd166、cd167a、cd167b、cd168、cd169、cd170、cd171、cd172a、cd172b、cd172g、cd173、cd174、cd175、cd175s、cd176、cd177、cd178、cd179a、cd179b、cd180、cd181、cd182、cd183、cd184、cd185、cd186、cd187、cd188、cd189、cd190、cd191、cd192、cd193、cd194、cd195、cd196、cd197、cdw198、cdw199、cd200、cd201、cd202b、cd203c、cd204、cd205、cd206、cd207、cd208、cd209、cd210、cdw210a、cdw210b、cd211、cd212、cd213a1、cd213a2、cd214、cd215、cd216、cd217、cd218a、cd218b、cd219、cd220、cd221、cd222、cd223、cd224、cd225、cd226、cd227、cd228、cd229、cd230、cd231、cd232、cd233、cd234、cd235a、cd235b、cd236、cd237、cd238、cd239、cd240ce、cd240d、cd241、cd242、cd243、cd244、cd245、cd246、cd247、cd248、cd249、cd250、cd251、cd252、cd253、cd254、cd255、cd256、cd257、cd258、cd259、cd260、cd261、cd262、cd263、cd264、cd265、cd266、cd267、cd268、cd269、cd270、cd271、cd272、cd273、cd274、cd275、cd276、cd277、cd278、cd279、cd280、cd281、cd282、cd283、cd284、cd285、cd286、cd287、cd288、cd289、cd290、cd291、cd292、cdw293、cd294、cd295、cd296、cd297、cd298、cd299、cd300a、cd300c、cd301、cd302、cd303、cd304、cd305、cd306、cd307、cd307a、cd307b、cd307c、cd307d、cd307e、cd308、cd309、cd310、cd311、cd312、cd313、cd314、cd315、cd316、cd317、cd318、cd319、cd320、cd321、cd322、cd323、cd324、cd325、cd326、cd327、cd328、cd329、cd330、cd331、cd332、cd333、cd334、cd335、cd336、cd337、cd338、cd339、cd340、cd344、cd349、cd351、cd352、cd353、cd354、cd355、cd357、cd358、cd360、cd361、cd362、cd363、cd364、cd365、cd366、cd367、cd368、cd369、cd370或cd371。在另一个实例中，被指示为具有凝血性表型的受试者可以用一种或多种修饰凝血级联或血小板活化的药物来治疗，如靶向以下的那些药物：白蛋白、抗血友球蛋白、ahfa、c1抑制剂、ca++、cd63、克里斯马斯因子、ahfb、内皮细胞生长因子、表皮生长因子、因子v、xi、xiii、纤维蛋白稳定因子、laki-lorand因子、纤维蛋白形成酶、纤维蛋白原、纤连蛋白、gmp33、哈格曼因子、高分子量激肽原、iga、igg、igm、白细胞介素-1b、多聚蛋白、p-选择素、血浆促凝血酶原激酶先质、ahfc、纤溶酶原活化剂抑制剂1、血小板因子、血小板衍生生长因子、前激肽释放酶、促凝血球蛋白原、前转变素、蛋白质c、蛋白质m、蛋白质s、凝血酶原、stuart-prower因子、tf、促凝血酶原激酶、血小板反应蛋白、组织因子途径抑制剂、转化生长因子-β、血管内皮生长因子、玻连蛋白、血管性血友病因子、α2-抗纤维蛋白溶酶、α2-巨球蛋白、β-血小板球蛋白或凝血或血小板活化级联的其它成员。在另一个实例中，具有凝血性表型的受试者可以用以下来治疗：血液产物、肝素、低分子量肝素、阿哌沙班(apixaban)、达比加群(dabigatran)、利伐沙班(rivaroxaban)、达肝素(dalteparin)、磺达肝癸钠(fondaparinux)、华法林(warfarin)、活化蛋白c、重组凝血级联蛋白、氨甲环酸或另一种修饰凝血的药物。上文列举的治疗剂的施用方法和施用剂量在本领域中是已知的，或者可以衍生自本领域。在一些实施例中，也可以治疗受试者的败血症。例如，也可以用广谱抗生素治疗患者，例如，美罗培南(meropenem)、亚胺培南(imipenem)、哌拉西林-他唑巴坦(piperacillin-tazobactam)或替加环素(tigecycline)，或除了上文列举的化合物之外，还包含甲硝唑(metronidazole)加上左氧氟沙星(1evofloxacin)、氨曲南(aztreonam)、头孢吡肟(cefepime)或头孢曲松钠(ceftriaxone)的组合疗法。试剂盒本公开还提供了用于实践上文所描述的本主题方法的试剂盒。在一些实施例中，一种试剂盒可以包括试剂，所述试剂盒用于测量由以下中的至少2种、至少3种、至少5种、至少10种、至少15种、至少20种、至少30种或以下所有编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb。在一些实施例中，所述试剂盒可以针对每种rna转录物包括与所述转录物杂交的序列特异性寡核苷酸。在一些实施例中，序列特异性寡核苷酸可以是生物素化的和/或标记有光学可检测部分。在一些实施例中，所述试剂盒可以针对每种rna转录物包括一对pcr引物，所述一对pcr引物扩增来自所述rna转录物或由其制备的cdna的序列。在一些实施例中，所述试剂盒可以包括寡核苷酸探针的阵列，其中针对每种rna转录物，所述阵列包括至少一种与所述转录物杂交的序列特异性寡核苷酸。例如，所述寡核苷酸探针可以在平面支持物的表面上是可空间寻址的，或者拴系到可光学寻址的珠粒上。所述试剂盒的各种组分可以存在于各自单独的容器中，或者某些相容的组分可以根据需要预先组合到单个容器中。除了以上提及的组分之外，受试者试剂盒可以进一步包含使用试剂盒的组分实践本主题方法的说明。实施例1.一种用于确定患有败血症的受试者是否具有炎性表型、适应性表型或凝血性表型的方法，所述方法包括：(a)测量从所述受试者获得的rna的样品中的由以下中的至少两种来编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb，以获得基因表达数据；以及(b)基于所述基因表达数据，提供指示所述受试者是否具有炎性表型、适应性表型或凝血性表型的报告，其中：(i)增加的arg1、lcn2、ltf和/或olfm4和/或降低的hla-dmb指示所述受试者具有炎性表型；(ii)增加的ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22和/或frs2和/或降低的gadd45a、cd24、s100a12和/或stx1a指示所述受试者具有适应性表型；并且(iii)增加的kcnmb4、crisp2、htra1和/或ppl和/或降低的rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和/或relb指示所述受试者具有凝血性表型。2.根据实施例1所述的方法，其中所述测量步骤通过测序来完成。3.根据实施例1所述的方法，其中所述测量步骤通过rt-pcr来完成。4.根据实施例1所述的方法，其中所述测量步骤通过标记rna或由其制备的cdna并将经过标记的rna或cdna与支持物，例如阵列或珠粒杂交来完成。5.根据前述实施例中任一项所述的方法，其中所述样品包括从全血、白细胞、嗜中性粒细胞或血沉棕黄层中分离出的rna。6.一种用于治疗患有败血症的受试者的方法，所述方法包括：(a)接收指示所述受试者是否具有炎性表型、适应性表型或凝血性表型的报告，其中所述报告基于通过以下方法获得的基因表达数据：测量从所述受试者获得的rna的样品中的由以下中的至少两种来编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb，其中：(i)增加的arg1、lcn2、ltf和/或olfm4和/或降低的hla-dmb指示所述受试者具有炎性表型；(ii)增加的ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22和/或frs2和/或降低的gadd45a、cd24、s100a12和/或stx1a指示所述受试者具有适应性表型；并且(iii)增加的kcnmb4、crisp2、htra1和/或ppl和/或降低的rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和/或relb指示所述受试者具有凝血性表型；以及(b)基于所述受试者是否被指示为具有炎性表型、适应性表型或凝血性表型来治疗所述受试者。7.根据实施例6所述的方法，其中具有炎性或适应性表型的受试者是用先天或适应性免疫调节剂来治疗的，如阿巴西普、阿贝莫司、阿布鲁单抗、阿达木单抗、阿非莫单抗、阿柏西普、阿法赛特、阿那白滞素、安卡利昔单抗、安利夫单抗、安芦珠单抗、抗淋巴球蛋白、抗胸腺细胞球蛋白、抗叶酸剂、阿泊珠单抗、阿普斯特、阿塞珠单抗、阿特朱单抗、阿托木单抗、阿维鲁单抗、硫唑嘌呤、巴利昔单抗、贝拉西普、贝利木单抗、贝拉利珠单抗、柏替木单抗、贝索单抗、布列单抗、布利斯比莫德、布拉兹库单抗、布雷奴单抗、布洛多单抗、康纳单抗、卡鲁单抗、西地珠单抗、赛妥珠单抗、氯奎宁、克拉唑卡珠单抗、克立昔单抗、皮质类固醇、环孢霉素、达克珠单抗、杜普单抗、度伐单抗、依库丽单抗、依法利珠、埃尔德单抗、伊斯利莫、依帕伐单抗、依诺珠单抗、依帕珠单抗、厄利珠单抗、依那西普、依曲利珠单抗、依维莫司、法索单抗、法拉莫单抗、费扎尼单抗、弗列珠单抗、芬特妥珠单抗、去甲美马单抗、加利昔单抗、加维莫单抗、格伐克单抗、吉尔维特单抗、戈利木单抗、高密昔单抗、古塞尔库姆单抗、胍立莫司、羟化氯喹、伊巴珠单抗、免疫球蛋白e、英特单抗、英夫利昔单抗、伊诺莫单抗、整联蛋白、干扰素、伊匹单抗、伊托珠单抗、衣克珠单抗、克利昔单抗、拉帕单抗、拉纳德卢单抗、利勃珠单抗、来氟米特、利马索单抗、来那度胺、利兹鲁单抗、勒德利木单抗、来曲单抗、利格珠单抗、利鲁单抗、鲁利珠单抗、鲁昔单抗、马司莫单抗、马维里单抗、美泊利单抗、迈他珠单抗、甲氨蝶呤、米诺环素、莫加利单抗、莫洛莫单抗、莫罗单抗-cd3、霉酚酸、纳霉单抗、那他珠单抗、奈利莫单抗、纳武单抗、奥滨尤妥珠单抗、奥克里昔单抗、奥度莫单抗、奥列克鲁单抗、奥昔单抗、奥马珠单抗、奥立昔单抗、奥索单抗、奥索利单抗、帕姆雷夫卢单抗、帕昔单抗、帕替利单抗、pde4抑制剂、培格那西普、派姆单抗、哌拉单抗、培克珠单抗、匹利珠单抗、吡美莫司、普鲁单抗、帕洛珠单抗、泊马度胺、普立昔单抗、嘌呤合成抑制剂、嘧啶合成抑制剂、奎珠单抗、瑞利珠单抗、地磷莫司、利纳西普、利妥昔单抗、罗他珠单抗、罗维珠单抗、鲁普单抗、沙马利单抗、沙利鲁单抗、苏金单抗、西法木单抗、西普利单抗、西罗莫司、西鲁库单抗、硫索单抗、柳氮磺胺吡啶、他巴单抗、他克莫司、他利珠单抗、阿替莫单抗-阿利毒素偶联物、替西罗莫司、替奈昔单抗、替普珠单抗、特立氟胺、替西普鲁单抗、替拉珠单抗、托珠单抗、托法替尼、托拉珠单抗、曲洛单抗、曲利单抗、曲美单抗、乌洛克普鲁单抗、咗他莫司、乌洛单抗、优特克单抗、伐利昔单抗、瓦利路单抗、伐他珠单抗、维多珠单抗、维帕莫单抗、维西珠单抗、伏巴利珠单抗、扎诺米单抗、阿佐莫单抗、佐他莫司或重组人细胞因子，如rh-干扰素-γ。8.根据实施例6所述的方法，其中具有炎性或适应性表型的受试者是用pd1、pdl1、ctla4、tim-3、btla、trem-1、lag3、vista或任一种人分化簇中的阻断或信号传导修饰来治疗的，包含cd1、cd1a、cd1b、cd1c、cd1d、cd1e、cd2、cd3、cd3d、cd3e、cd3g、cd4、cd5、cd6、cd7、cd8、cd8a、cd8b、cd9、cd10、cd11a、cd11b、cd11c、cd11d、cd13、cd14、cd15、cd16、cd16a、cd16b、cd17、cd18、cd19、cd20、cd21、cd22、cd23、cd24、cd25、cd26、cd27、cd28、cd29、cd30、cd31、cd32a、cd32b、cd33、cd34、cd35、cd36、cd37、cd38、cd39、cd40、cd41、cd42、cd42a、cd42b、cd42c、cd42d、cd43、cd44、cd45、cd46、cd47、cd48、cd49a、cd49b、cd49c、cd49d、cd49e、cd49f、cd50、cd51、cd52、cd53、cd54、cd55、cd56、cd57、cd58、cd59、cd60a、cd60b、cd60c、cd61、cd62e、cd62l、cd62p、cd63、cd64a、cd65、cd65s、cd66a、cd66b、cd66c、cd66d、cd66e、cd66f、cd68、cd69、cd70、cd71、cd72、cd73、cd74、cd75、cd75s、cd77、cd79a、cd79b、cd80、cd81、cd82、cd83、cd84、cd85a、cd85b、cd85c、cd85d、cd85f、cd85g、cd85h、cd85i、cd85j、cd85k、cd85m、cd86、cd87、cd88、cd89、cd90、cd91、cd92、cd93、cd94、cd95、cd96、cd97、cd98、cd99、cd100、cd101、cd102、cd103、cd104、cd105、cd106、cd107、cd107a、cd107b、cd108、cd109、cd110、cd111、cd112、cd113、cd114、cd115、cd116、cd117、cd118、cd119、cd120、cd120a、cd120b、cd121a、cd121b、cd122、cd123、cd124、cd125、cd126、cd127、cd129、cd130、cd131、cd132、cd133、cd134、cd135、cd136、cd137、cd138、cd139、cd140a、cd140b、cd141、cd142、cd143、cd144、cdw145、cd146、cd147、cd148、cd150、cd151、cd152、cd153、cd154、cd155、cd156、cd156a、cd156b、cd156c、cd157、cd158、cd158a、cd158b1、cd158b2、cd158c、cd158d、cd158e1、cd158e2、cd158f1、cd158f2、cd158g、cd158h、cd158i、cd158j、cd158k、cd159a、cd159c、cd160、cd161、cd162、cd163、cd164、cd165、cd166、cd167a、cd167b、cd168、cd169、cd170、cd171、cd172a、cd172b、cd172g、cd173、cd174、cd175、cd175s、cd176、cd177、cd178、cd179a、cd179b、cd180、cd181、cd182、cd183、cd184、cd185、cd186、cd187、cd188、cd189、cd190、cd191、cd192、cd193、cd194、cd195、cd196、cd197、cdw198、cdw199、cd200、cd201、cd202b、cd203c、cd204、cd205、cd206、cd207、cd208、cd209、cd210、cdw210a、cdw210b、cd211、cd212、cd213a1、cd213a2、cd214、cd215、cd216、cd217、cd218a、cd218b、cd219、cd220、cd221、cd222、cd223、cd224、cd225、cd226、cd227、cd228、cd229、cd230、cd231、cd232、cd233、cd234、cd235a、cd235b、cd236、cd237、cd238、cd239、cd240ce、cd240d、cd241、cd242、cd243、cd244、cd245、cd246、cd247、cd248、cd249、cd250、cd251、cd252、cd253、cd254、cd255、cd256、cd257、cd258、cd259、cd260、cd261、cd262、cd263、cd264、cd265、cd266、cd267、cd268、cd269、cd270、cd271、cd272、cd273、cd274、cd275、cd276、cd277、cd278、cd279、cd280、cd281、cd282、cd283、cd284、cd285、cd286、cd287、cd288、cd289、cd290、cd291、cd292、cdw293、cd294、cd295、cd296、cd297、cd298、cd299、cd300a、cd300c、cd301、cd302、cd303、cd304、cd305、cd306、cd307、cd307a、cd307b、cd307c、cd307d、cd307e、cd308、cd309、cd310、cd311、cd312、cd313、cd314、cd315、cd316、cd317、cd318、cd319、cd320、cd321、cd322、cd323、cd324、cd325、cd326、cd327、cd328、cd329、cd330、cd331、cd332、cd333、cd334、cd335、cd336、cd337、cd338、cd339、cd340、cd344、cd349、cd351、cd352、cd353、cd354、cd355、cd357、cd358、cd360、cd361、cd362、cd363、cd364、cd365、cd366、cd367、cd368、cd369、cd370或cd371。9.根据实施例6所述的方法，其中具有凝血性表型的受试者是用一种或多种修饰凝血级联或血小板活化的药物治疗的，如靶向以下的那些药物：白蛋白、抗血友球蛋白、ahfa、c1抑制剂、ca++、cd63、克里斯马斯因子、ahfb、内皮细胞生长因子、表皮生长因子、因子v、xi、xiii、纤维蛋白稳定因子、laki-lorand因子、纤维蛋白形成酶、纤维蛋白原、纤连蛋白、gmp33、哈格曼因子、高分子量激肽原、iga、igg、igm、白细胞介素-1b、多聚蛋白、p-选择素、血浆促凝血酶原激酶先质、ahfc、纤溶酶原活化剂抑制剂1、血小板因子、血小板衍生生长因子、前激肽释放酶、促凝血球蛋白原、前转变素、蛋白质c、蛋白质m、蛋白质s、凝血酶原、stuart-prower因子、tf、促凝血酶原激酶、血小板反应蛋白、组织因子途径抑制剂、转化生长因子-β、血管内皮生长因子、玻连蛋白、血管性血友病因子、α2-抗纤维蛋白溶酶、α2-巨球蛋白、β-血小板球蛋白或凝血或血小板活化级联的其它成员。10.根据实施例6所述的方法，其中具有凝血性表型的受试者是用以下治疗的：血液产物、肝素、低分子量肝素、阿哌沙班(apixaban)、达比加群(dabigatran)、利伐沙班(rivaroxaban)、达肝素(dalteparin)、磺达肝癸钠(fondaparinux)、华法林(warfarin)、活化蛋白c、重组凝血级联蛋白、氨甲环酸或另一种修饰凝血的药物。11.根据前述实施例中任一项所述的方法，其中指示所述受试者是否具有炎性表型、适应性表型或凝血性表型进一步基于所述受试者是否是男性、所述受试者的年龄、白细胞计数、嗜中性粒细胞计数、带计数、淋巴细胞计数、单核细胞计数、所述受试者是否受到免疫抑制和/或是否存在革兰氏阴性(gram-negative)细菌。12.一种方法，其包括：测量从受试者获得的rna的样品中的由以下中的至少两种来编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb。13.根据前述实施例中任一项所述的方法，其中基因表达数据包括对从受试者获得的rna的样品中的由以下中的至少3种、至少5种、至少10种、至少15种、至少20种、至少30种或以下所有编码的rna转录物的数量的量度：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb。14.一种试剂盒，其包括试剂，所述试剂盒用于测量由以下中的至少2种、至少3种、至少5种、至少10种、至少15种、至少20种、至少30种或以下所有编码的rna转录物的数量：arg1、lcn2、ltf、olfm4、hla-dmb、ykt6、pde4b、twistnb、btn2a2、zbtb33、psmb9、camk4、tmem19、slc12a7、tp53bp1、plekho1、slc25a22、frs2、gadd45a、cd24、s100a12、stx1a、kcnmb4、crisp2、htra1、ppl、rhbdf2、zcchc4、ykt6、ddx6、senp5、rapgef1、dtx2和relb。15.根据实施例14所述的试剂盒，其中针对每种rna转录物，所述试剂包括与所述转录物杂交的序列特异性寡核苷酸。16.根据实施例15所述的试剂盒，其中序列特异性寡核苷酸是生物素化的和/或标记有光学可检测部分。17.根据实施例14所述的试剂盒，其中针对每种rna转录物，所述试剂包括一对pcr引物，所述一对pcr引物扩增来自所述rna转录物或由其制备的cdna的序列。18.根据实施例14所述的试剂盒，所述试剂包括寡核苷酸探针的阵列，其中针对每种rna转录物，所述阵列包括至少一种与所述转录物杂交的序列特异性寡核苷酸。实例提出以下实例以便向本领域普通技术人员提供如何制备和使用本发明的完整披露和描述，并且不旨在限制诸位发明人所认为的本发明的范围，它们也不旨在表示以下实验是进行的全部或仅有的实验。虽然已尽力确保所用数字(例如量、温度等)的准确性，但仍应考虑一些实验误差和偏差。除非另外指明，否则份数是重量份，分子量是重均分子量，温度是摄氏度，并且压力是在大气压下或接近大气压。可以使用标准缩写，例如，室温(rt)；碱基对(bp)；千碱基(kb)；微微升(pl)；秒(s或sec)；分钟(m或min)；小时(h或hr)；天(d)；周(wk或wks)；纳升(nl)；微升(ul)；毫升(ml)；升(l)；纳克(ng)；微克(ug)；毫克(mg)；克((g)，在质量的上下文中)；千克(kg)；重力的当量((g)，在离心的上下文中)；纳摩尔(nm)；微摩尔(um)；毫摩尔(mm)；摩尔(m)；氨基酸(aa)；千碱基(kb)；碱基对(bp)；核苷酸(nt)；肌内(i.m.)；腹膜内(i.p.)；皮下(s.c.)；等。
发明内容败血症可能不是单一疾病，而是由若干种“内型”(也被称为疾病的簇或亚类)组成的谱。假设败血症簇广泛存在于患有败血症的患者中，并使用来自广泛临床环境的全血的转录组学数据(基因表达微阵列和rnaseq)来检验此假说。公开了一种新的生物信息学方法，所述方法基于以下假设：不同研究之间的健康对照物大部分相同。使用此假设，可以将来自不同研究的数据以无偏差的方式(即，没有假设任何关于败血症的病例)汇总到单个框架中，并允许对其进行分析，就好像它们是在单个大型研究中收集的一样。因此，收集了在入院期间细菌性败血症的所有转录组学研究，并将其分成所有具有健康对照物的研究(用于发现败血症簇)和没有健康对照物的研究(用于对存在于发现中的簇进行验证)。在发现数据(来自14个数据集中的700位患者)中，使用先进的生物信息确定的转录组学数据理想地被分成3个簇。在3个簇中的受试者的基因表达谱中进行了途径分析，并且发现一个簇具有高先天免疫/降低的适应性免疫信号(“炎性”)，一个簇具有降低的先天免疫/高适应性免疫信号以及低死亡率(“适应性”)，并且一个簇显示凝血和补体系统的临床和分子异常两者(“凝血性”)。簇成员与显著不同的年龄、休克状态、临床严重程度、白细胞差异和死亡率相关联。然而，表征了年龄、休克状态和疾病严重程度对簇成员的影响，并且示出它们几乎无法解释为什么将患者分配到给定簇。这表明簇成员并不能简单地通过明显的临床变量来解释。为了具有任何临床相关性，需要一些确定针对任何给定新患者的簇成员的方式。换言之，需要一些诊断性血液测试来确定在当患者出现败血症时可以运行的簇成员。因此，在发现数据中得出了一个33个基因的分类器，所述分类器在将发现患者重新分配到其相同的簇中的准确度为83％。这个33个基因的分类器应用于9个外部的独立的数据集(n＝600)，以将600位患者中的每位患者回顾性地分配到三个簇(炎性、适应性或凝血性)之一。回顾性地将这些患者分配到三个簇，有必要确定他们是否概括了与原始炎性组、适应性组和凝血性组相同的临床和生物学特性。结果显示，平均而言，在验证簇和发现簇之间发现了年龄、严重度、休克和死亡率的相同的相对模式。还显示出，在分配给同一簇的群组中，患者之间通常活化了相同的途径。分析表明存在三种不同的败血症亚型(炎性、适应性和凝血性)。这些亚型具有显著不同的临床和分子谱。这项研究还产生了33个基因的分类器，所述分类器能够鉴定出属于这些簇之一的任何新患者。内型的想法具有临床用途，因为它可以与内型特异性疗法结合。方法系统搜索和数据集标准如先前所描述的(16)，对geo和arrayexpress进行系统搜索以进行败血症临床研究的基因表达研究。如先前所描述的(18)，将各个数据集进行重新归一化。仅当数据集在入院或入住icu(即，初次入院的败血症)研究全血基因表达时，才包含所述数据集。由于细菌和病毒感染之间的宿主应答基本上不同(15，19)，因此无监督的分析可能会导致主要基于感染类型进行的分组。除非存在微生物学确认的细菌感染，否则应去除所有具有微生物学确认的病毒感染的样品(仅包含3例确认的共感染)。没有供应样品水平微生物数据但在其手稿中被鉴定为抽取自主要患有细菌性败血症的患者的研究如所有细菌那样处理。考虑到治疗对宿主应答的潜在的影响，进一步去除在败血症诊断后超过48小时取样的患者(20，21)。本文中使用的所有数据均是去标识的并可以公开地获得，因此免于irb审查。使用coconut汇总数据以启用聚类使用对照方法(coconut)(15)的combat共同归一化的最新发展允许对多个微阵列数据集之间的批效应进行无偏差校正，只要存在健康的对照物，就可以进行汇总分析。核心假设是跨数据集的健康对照物来自相同的统计分布。此假设允许计算校正因子，所述校正因子去除汇总数据集之间的技术差异，而不会偏置存在的患病样品的数量或类型。基于数据集中是否存在健康对照物，将数据集分成“发现”组和“验证”组，特别是使得可以使用coconut方法。由于在任何给定的数据集中包含健康对照物基本上是随机的，因此期望分成发现/验证不会引入偏差。使用coconut方法将发现数据集归一化为单个池，然后从进一步分析中去除所有健康对照物。使用communal对发现数据进行聚类为了确定在coconut归一化发现数据中存在多少个簇，使用了多聚类算法方法的组合映射(communal)，其将来自多个聚类算法和有效性度量的数据整合到包含的变量的范围内，以鉴定数据中存在的最稳定的簇数(参见补充材料和方法以及补充结果(supplementarymaterialsandmethodsandsupplementaryresults)(14)。使用同时考虑了数据集内部方差和数据集之间方差的算法对跨发现数据集的前5,000个基因进行了排序(16)。由于communal在大型的有噪声的数据集中具有稳健性，因此所述communal是使用两种算法(k-平均值聚类和围绕中心点进行划分(pam))的共识聚类版本来运行的。两种方法在从100个基因到5,000个基因(按排序顺序)的变量范围内运行。然后，communal集成这些数据(其默认参数)以产生聚类的最优性图。在所得的图中，最稳定的最优值被认为是指示最稳健的聚类。使用communal选择最佳聚类，已经在聚类算法之间对样品分配进行了整合(即，通过pam和k-平均值算法分配有样品的簇)。communal方法分配了对聚类算法来说均同意为发现簇的所有样品，并去除了pam和k-平均值方法之间不一致的作为“未聚类”的所有样品。假设不是每个样品都可以完美地分配到给定簇(例如，一些样品可能会表现出表明两个簇的生物学)。由于对具有较少错误的数据进行训练的分类器更加稳健，因此去除这些不确定的样品提高了分类器的准确度。值得注意的是，为验证而构建的分类器不会产生“未聚类”的分配(参见补充材料和方法以及补充结果)。为了检查发现簇是否似乎在基因表达空间中分开，使用热图和主要组分分析两者将所述发现簇可视化。使用汇总的样品水平人口统计学和表型数据研究发现簇之间的临床差异。生物学和临床研究在下文的补充材料和方法以及补充结果部分中解释了治疗包含疾病严重程度、免疫抑制和凝血病在内的复杂临床变量的细节。在补充材料和方法以及补充结果中描述了基因本体分析(22)、簇分类器的构建(23)以及验证数据集的测试。结果包含研究、coconut归一化和communal簇选择首先假设患有细菌败血症的患者中存在稳健的分子亚群。使用coconut归一化方法，对来自8个不同国家的14个细菌败血症发现数据集(n＝700，表1a)进行了统一的聚类(24-37)。从5个不同的国家中鉴定出9个验证数据集，所述数据集匹配入选标准但不包含健康对照物(n＝600，表1b和图1)(12，38-43)。表1：研究中包含的数据集。(a)选择具有健康对照物的数据集用于发现，以及(b)选择没有健康对照物的数据集用于验证。使用coconut方法(15)将14个发现数据集首先共同归一化到单个汇总的群组中，从而在广泛的不同临床情况下提供批校正汇总的败血症数据(图4)。在所有14个汇总的发现数据集中测量了8,946个基因。然后，使用共识k-平均值和共识pam聚类，使用communal算法跨范围在前100个到5,000个基因的11个测试点对汇总的数据进行聚类(单个聚类算法结果示出在图5中)(14)。目视检查communal最优性图在从500个基因到5,000个基因的k＝3个簇处显示清楚稳定的最优值(图6)。进一步地，假设使用最少数量的基因具有最少的噪声或冗余信号量，则选择500个基因的聚类作为最佳聚类分配。基于下文所描述的基因本体分析，并且为了便于理解，这三个簇被命名为“炎性”、“适应性”和“凝血性”。为了使其一般分离性可视化，使用有和没有“未聚类”样品两者的所有基因对发现簇进行了主要组分分析(图2a-2b)。发现数据集中的簇分配的详细信息在补充结果、表12和补充图4-5中是可获得的。跨不同簇的基因本体为了更好地理解由簇代表的生物学，使用了基因本体过度表达分析。基于绝对效应量，将500个基因中的每个基因分配到三个发现簇之一(即，每个基因都被分配到使其与剩余两个簇最不相同的簇中)。测试了所得的三个基因列表中的每个基因列表在基因本体(go)方面的重要性。炎性簇对于典型的促炎性信号传导途径(如il-1受体、模式识别受体活性和补体活化)意义重大。适应性簇对于与适应性免疫和干扰素信号传导相关的若干种途径意义重大。第三个簇被命名为凝血性，因为其对于与凝固和凝血有关的术语非常重要，如血小板脱粒、糖胺聚糖结合和凝血级联。跨不同簇的临床发现研究了具有受试者水平数据的人口统计和临床变量中的发现簇之间的差异(表2)。表2：跨发现簇的人口统计和临床变量。并非所有变量对所有样品都是可用的，因此总和并不总是一致的；每个测得的变量的n都包含在单独的列中。统计数据是通过群组之间的汇总的数据来计算的。发现以下：年龄(总体分布以及年龄＞70岁的患者的百分比两者)、严重程度(由具有高于数据集平均值的临床严重程度评分和/或脓毒性休克的患者的百分比测得的)和30日死亡率的显著不同。还发现炎性群组在白细胞分化方面具有较高的杆状核粒细胞增多症(bandemia)和较低的淋巴细胞百分比；然而，分化仅在单个群组中是可用的。这表明，适应性簇由病情较轻的患者和较少的老年患者组成，而炎性簇和凝血性簇则将病情较重的患者分为较年轻组和较年长组。“未聚类”患者的加入表明他们在年龄和休克方面具有平衡的表型；他们的加入基本上没有改变人口统计或临床发现(表4)。由于无监督的聚类并未考虑任何临床数据，因此发现死亡率的显著差异表明簇代表了与临床相关的不同的病理生理状态。表4：根据发现簇的人口统计和临床变量，其中未聚类的样品将添加作为一组。并非所有变量对所有样品都是可用的，因此总和并不总是一致的。两组之间的统计学显著差异(年龄、休克和死亡率)与不包含未聚类样品时所见的相同(表2)。然而，添加未聚类的样品现在会导致在这些受试者中更高的革兰氏阴性感染的频率的统计学显著差异。回归模型基于簇成员(呈“1对所有”格式)运行，以评估年龄、休克、严重程度及其相互作用以预测簇成员的联合能力。在每种情况下，在发现中的炎性、适应性和凝血性组的年龄、休克和严重程度解释的方差百分比分别为9.7％、6.4％和0.7％(总n＝251，表5)。敏感性分析表明，这些结果只能由不可测量的混杂变量解释，其效应量基本上大于所包含的变量(表5)。因此，尽管各组的年龄、休克和严重程度显著不同，但簇分配比单独的这三个因素要复杂得多。表5：年龄、休克和严重程度作为发现数据中的簇预测因子。a.对每种簇类型(相对于所有其它类型，加上未聚类)运行多元回归，以确定年龄和休克(及其相互作用)是否可以预测簇分配。显示的是每个协变量的p值，以及最终模型r2值和无法解释的残差。此处仅使用具有样品水平的年龄、休克和严重程度数据的样品。b.簇死亡率的风险比(rrs)，以及所得的e值。c.与(b)中的e值相比，年龄、休克和严重程度显示出对死亡率和簇分配的rr较低，这表明解释簇的混杂变量的效应量必须基本上大于年龄、休克或严重程度的效应量。因此，可以得出结论，可以通过一个无法测量的混杂因素来解释观察到的因簇分配导致的死亡风险比，所述混杂因素与簇分配和死亡率两者相关联，其效应量大于2.04-6.16(取决于簇)，但无论是休克、高临床严重程度还是年龄＞70岁，都不会产生这种幅度的效应量。brr死亡率e值死亡率炎性1.903.21适应性0.306.16凝血性1.352.04crr死亡率rr炎性rr适应性rr凝血性休克0.972.780.491.70高严重程度1.491.170.541.46年龄＞70岁1.261.040.681.55在独立数据集中验证簇分类器在发现数据集中表征败血症簇，假设可以使用离散分类器在独立的验证数据集中恢复这些相同的簇。构建了基于基因表达的簇分配分类器，以便可以测试聚假设并应用于外部验证数据集。简而言之，分类器为每个样品分配三种评分(每种簇类型一种评分)，并且然后应用多类回归以输出最终簇分配(表6a-b)。分类器使用了总共33个基因，并且在对其进行训练的样品进行留一法重新分配时，产生83％的总体准确度(表6c)。分类器中最大的不准确度在于对炎性患者与凝血性患者进行的区分(图9)。将分类器应用于9个细菌性败血症验证数据集(表7)(12，38-44)，并通过分类器恢复具有与发现簇类似的分子和临床表型的簇的能力来判断分类器的准确度。由于9个验证数据集彼此独立，因此以汇总方式(表3)和独立对待每个数据集(表8)的方式两者检查了与发现簇相同的人口统计和临床变量。由于单个数据集可能不足以检测差异，因此对汇总数据运行了统计测试；与发现簇相比，观察到相同的重要性模式。凝血性簇中在70岁以上(p＜0.05)的患者显著更多，而适应性簇中休克(p＜0.01)患者较少，高临床严重程度(p＜0.05)和较低的死亡率(p＝0.01)的患者较少。表3：跨验证簇的人口统计和临床变量。并非所有变量对所有样品都是可用的，因此总和并不总是一致的。每个测得的变量的n都包含在单独的行中。统计数据既可以通过聚集群组水平的统计数据来显示，也可以通过群组间的汇总的数据来显示。表6：用于簇分配的分类器。(a)构成分类器评分的三个子部分的基因。(b)回归分类器的系数；每个“评分”是指(a)中定义的每个类别的“向上”基因减去“向下”基因的几何平均差。评分乘以给定的回归系数，以形成簇分配的最终预测的概率。(c)用于对发现簇进行重新分配的双向矩阵比较了来自原始communal聚类的“真实”分配与通过簇分类器进行的预测的分配。ab截距炎性评分适应性评分凝血性评分适应性-0.617-3.1507.1871.594凝血性0.494-1.3820.4801.569表7：验证群组中的簇分配的分解。基于33个基因的簇分类器，将每个受试者分配到最可能的败血症簇。炎性适应性凝血性emexp3850987emtab4421.51637837gse1047414146gse28658231gse3270718219gse63042344723gse63990253312gse66890183014gse74224253019表8：显示每个簇每个验证数据集的人口统计和结果数据。并非所有变量对所有数据集都是可用的，因此每个变量仅针对包含给定变量的数据集显示。值得注意的是，由于分类器不会输出“非聚类”类别，因此不存在“非聚类”样品。凝血性簇也与临床凝血病有关，包含播散性血管内凝血(p＜0.05，表9-10和补充结果)。表9：临床凝血病与凝血性簇相关联。(a)gse66099(发现数据集，小儿)、按簇类型的播散性血管内凝血(dic)。(b)按簇类型的血小板减少症(血小板＜100,000)与延长的inr(＞1.3)的gse63042(验证数据集，成人)交集。相关联p值通过fisher确切测试进行了测试。表10：血小板减少症和延长的inr均与簇类型无显著相关性，尽管inr＞1.3在凝血性组中显示出显著性趋势。关联p值通过fisher精确检验进行了检验。表11：双向执行比较先前公开的来自(a)wong等人与(b)davenport等人的针对依赖的古德曼和克鲁斯卡尔λ(goodmanandkruskal′slambdafordependence)的簇的簇分配。95％ci与0的非重叠被认为是重要的。发现和验证中鉴定的簇之间的分子相似性由于验证簇分配有来自仅33个基因的信息，因此调查了跨发现簇和验证簇的完整基因表达谱中是否存在类型的生物学。首先，计算所有500个聚类基因的平均值基因表达谱，并测试簇之间的相关性。显著的相关性将表明分类器正在从原始聚类中捕获大多数信息；因此，将分类器中使用的33个基因排除在本分析之外，以避免产生偏差。在分配的簇中，平均值基因表达谱中的pearson相关性高(炎性簇：0.59±0.18；适应性簇：0.67±0.19；凝血性簇：0.20±0.21，图3a)。这些相关性对于炎性的所有数据集、适应性的所有数据集和凝血性的九个数据集中的五个数据集在发现簇和验证簇之间是显著的(p＜0.01)。作为比较，500个基因的1000个随机样品产生的平均值相关性为0.01-0.02。接下来，测试了与发现簇相比，验证簇之间是否过度代表了相同的基因本体(go)代码(图3b)。平均而言，在发现簇(分别为炎性、适应性和凝血性)中发现在p＜0.01时具有显著性的代码的68％、87％和61％在同一验证簇中被鉴定为在p＜0.05时具有显著性。另外，在相同类型的簇内可见到块结构，这表明簇类型内通常共享的途径富集。与先前建立的败血症内型的比较两个研究组先前使用败血症转录组学谱进行了聚类。。wong等人，(9-11)和davenport等人(12，13)。将当前的簇分配与先前公开的分配进行比较，其并显示出与炎性簇和适应性簇的显著重叠(补充结果和表10)。讨论本研究对来自细菌性败血症的广泛的受试者的14个数据集的汇总的转录组学谱(n＝700)进行了无监督聚类分析，表明存在三个稳健的败血症簇(或“内型”)。基于其分子和临床图谱，这些簇被命名为炎性(较高的死亡率、先天性免疫活化)、适应性(较低的死亡率、适应性免疫活化)和凝血性(较高的死亡率、年龄较大，并且具有凝血病的临床和分子证据)。接下来，显示了将受试者分配到这三个簇的33个基因分类器能够在9个独立的验证数据集中恢复临床和分子表型(n＝600)。最后，显示出这些簇可以显著地解释使用不同方法由独立组衍生的簇(9，12)。总之，这些结果表明败血症综合征的宿主应答可以由这三个稳健的簇广泛限定。值得注意的是，验证数据集中的每个验证数据集都有单独的包含/排除标准，从而提供了敏感性分析，即，鉴定的簇既出现在汇总的环境中(如在发现中)也出现在更统一的经过仔细表型化的群组中。例如，在发现中汇总来自小儿和成人数据集的样品，但是这些方法并不能简单地按年龄对患者进行聚类；然后在验证中，两个数据集是小儿，并且七个数据集是成人，但是所有数据集都含有所有三个败血症簇的混合。在簇分类器的这些独立应用中重新表现出相同的广泛表型和分子差异的这一事实是证明簇成员存在于各个群体中的强有力证据。尽管三个组的结果存在差异，但其临床应用不仅仅是根据死亡率进行风险分层的能力。通过专用分类器可以更好地预测死亡率，这些分类器已经被这些相同的数据证明了(18)。替代地，基于败血症簇进行搜索的假设是“败血症”表示多种不同的疾病状态，并以许多不同的方式表现出来(3，6，45)。因此，本研究的目的是使用非常大的败血症患者池在广泛的临床条件下发现这些亚临床簇。发现和定义这种异质性允许在发现疗法和验证疗法中取得更大的成功，所述疗法仅对一个败血症簇有益，但对其它簇可能是中性甚至有害的(11)。例如，分子和临床数据均表明凝血性簇与功能性凝血病相关联。鉴于败血症与临床凝血病相关联，并且尽管(或可能由于)败血症中大多数凝血病治疗干预措施失败(3，46，47)，保证进一步研究凝血性簇。类似地，在败血症中测试的已知可调节先天性或适应性免疫系统(如抗il-1或抗pd-l1治疗(48，49))的药物应分别在炎性簇或适应性簇中发现功效。通过将每个基因分配到使其与其它簇表现出最大差异变化的簇，可以推断出簇的病理生物学。例如，炎性簇中先天免疫途径的关联并不表示先天免疫活化是“正常的”，而是与其他败血症患者相比，炎性患者的先天免疫系统活化过度，或者相对缺乏适应性免疫基因活化。类似地，在适应性簇中相对较高的适应性免疫基因活化与其较低的死亡率有关。从这个角度来看，三个败血症簇显示出其在一定程度上反映了临床直觉的生物学见解。败血症中先天免疫系统或凝血级联的早期过度活化与较高的死亡率有关，而相对缺乏适应性免疫应答的这些变化和扩展与更好的结果有关(50)。此外，由于基因是基于绝对效应量选择的，因此炎性簇与适应性簇之间的基因本体途径分析的相似性可以反映类似通路的相反调节；图2a-2b中的炎性簇与适应性簇之间的强反相关性进一步表明了这一点。如上所述，这些生物学见解可以用于指导不同亚型的治疗。两个独立的研究小组鉴定了败血症亚组：在基于美国的群组中，一组集中在小儿败血症(9，10)；在基于英国的群组中，另一组集中在成人败血症(12，13)。值得注意的是，这两个亚组没有广泛重叠。将三个簇与先前的聚类进行比较产生若干有趣的发现。首先，使用受试者水平的比较，分配到炎性簇的患者大部分被分配到内型b(11)或srs1(12)。然而，与内型a相比，内型b在儿童中赋予较低的死亡率，而与srs2型相比，srs1在儿童中赋予较高的死亡率。尽管如此，令人放心的是，这些独立研究使用完全独立的技术鉴定了同一分组的患者。类似地，分配到适应性簇的患者主要分配到srs2；两项研究均将其鉴定为与干扰素信号传导相关联的低死亡率组。还鉴定了第三(凝血性)簇。与先前的工作相比，发现群组的样品大小基本上更大并且异质性更大，因此允许检测到此第三凝血性簇。补充方法communal算法常见的聚类方法将应用单个聚类算法(例如，k-平均值聚类)和单个验证度量(例如，间隙统计(1))以单个变量(例如，通常任意选择的1,000个基因)来确定簇。然而，这种方法可能导致不稳定的不可重现的结果(2)。此处，本研究使用多聚类算法方法的组合映射(communal)，这将来自多个聚类算法和有效性度量的数据整合到包含的变量范围内，以鉴定数据中存在的最稳定的簇数(2)。在无监督的聚类中，样品之间的高维距离计算用于鉴定数据中的子分组。因此，重要的是要包含可能是信息性的变量(此处为基因)，同时尽量减少非信息性变量，以增加信噪比。在典型的单数据集聚类算法中，通常使用一些方差量度对变量进行排序。然而，在多个共同聚类的数据集中，由于数据集间的技术差异而导致高方差的可能性意味着此亮度可能不太有用。使用同时考虑了数据集内部方差和数据集之间方差(通过平均绝对偏差衡量)的算法对跨发现数据集的前5,000个基因进行了排序(3)。算法工作如下：首先使用中位数绝对偏差(mad)对每个数据集中的所有基因进行排序，使得mad最大的基因排序最高。中位数总体排序是跨数据集计算的。然而，由于每个数据集中的簇分布可能不同，因此这种元排序可能会使分布不均匀的数据集中的信息性基因的权重降低。因此，还包含来自每个单独的数据集中的前20个基因(此数字是任意的，但由原始算法作者设置为默认值)。最终的元排序算法将前面的个体和汇总的基因排序并入到单个列表中。可以在planey&gevaert的原始手稿(《基因组医学(genomemed)》，2016)以及所附的软件包“coincide”中找到进一步的细节https://github.com/kplaney/coincide)。然后将这些排序的基因逐渐包含在communal算法中。基因本体测试为了验证不同的簇是否指示不同的生物学，使用微阵列的显著性分析(sam)方法将最终聚类中使用的基因的每个基因分配到所述基因具有最大绝对效应量的簇中(4)。由于这些基因在样品中通常具有较高的方差，因此给定簇内基因的更高分化表达表明其有助于簇的鉴定。使用toppgene对所得的基因列表进行基因本体(go)富集(5)。小于0.05的benjamini-hochberg校正p值用作显著性阈值。簇分类器及其在验证数据集中的应用外部验证是簇中任何练习的关键组分。然而，在验证中，重要的是切换到监督的方法(分类)，而不是继续在新的验证数据集中简单地使用无监督的聚类。这有两个主要原因。首先，从头聚类不会产生标记。如果对每个新数据集运行了聚类，并产生了3个簇(被称为a、b、c)，则无法将新簇与发现(炎性/凝血性/适应性)簇进行匹配。替代地，有必要依靠尝试“模式匹配”最接近的表型和分子谱(例如，c＝炎性，a＝凝血性，b＝适应性)，但这明显会引入大的偏差。另一方面，分类器直接产生标记；因此，可以直接询问分类为“炎性”的验证样品是否与发现“炎性”表型和分子谱相匹配，这是一个更相关的临床问题。衍生分类器的第二个原因是，没有分类器，就无法在临床环境中将单个新患者分配给样品。这是因为聚类依赖于整个群组的存在来建立样品之间的相对距离，并且因此只能回顾性地完成。替代地，分类可以预期地确定单个患者的亚型分配。例如，如果有必要确定患者入院时属于哪个簇，则需要经过验证的分类器。因此，对于使用所有基因的所有簇，使用两步过程以1对所有，循环的方式构建了针对所得的簇的基于基因表达的分类器。首先，使用sam检查所有基因(而不仅仅是在聚类中使用的基因)来找到与给定簇在统计学上显著相关的基因。使用贪婪的前向搜索来找到将给定簇与所有其它簇最大程度地分开的基因集(6)。如果有k个簇，则这种方法将产生k种评分；因此，使用r包nnet将多类逻辑回归模型拟合为k评分作为最终分类器。因此，要将分类器应用于外部数据集，需要计算每个簇的评分，然后将多类逻辑回归模型应用于评分集以获得分配的结果(参见主要方法)。使用留一法交叉验证对发现数据中的分类器进行了测试，以评估其在验证应用中的准确度。验证数据集的测试将分类器应用于验证数据集，并针对每个验证数据集计算每个分配的簇的人口统计和表型数据。由于这些数据集是单独测试的，因此数据既作为来自每个验证数据集的输出的方式，又作为汇总的输出来呈现。接下来，确定验证簇中的簇分配是否与发现数据中的其匹配簇表现出相同的生物学。首先，每个基因在其本地数据集内进行缩放，并且然后取每个数据集内每个分配的簇内的每个基因的平均值。这为每个簇内的每个基因留下了平均差的向量。这些平均差向量在发现簇和所有验证簇之间是相关的，并且将结果绘制为热图。还采用了基于途径的方法来确认发现簇与验证簇之间生物学的一致性。在每个验证群组内，使用与上文相同的sam方法为每个验证簇分配过度代表的go途径。然后测试发现在每个验证集簇中的发现簇中是显著的每个go途径，并将所得的显著性水平绘制为热图，并通过发现簇中的显著性水平确定行(go)顺序。e值敏感性分析为了解决样品分配中不可测量的混杂的可能性，基于“e值”进行了敏感性分析(7)。在此方法中，使用给定的风险比(rr)来确定“e值”，这是不可测量的混杂因素对解释性变量和结果变量两者都必须具有的效应量，以便解释观察到的rr。为了将e值范围置于上下文中，针对解释性变量(簇分配)和结果变量(死亡率)两者，对已经测量的潜在地混杂的变量(此处为年龄、休克和严重程度)的rr进行了测试。然后，将所得的rr与计算出的e值进行比较，以确定潜在的混杂因素必须具有多大的效应量才能解释观察到的效应。在此应用中，其有助于测试簇分配与死亡率之间的关系。簇分类器不同的数据集涵盖了广泛的微阵列类型，因此构建了两阶段分类方法，其中对来自无参数算法(差异基因表达)的输出运行生成模型(回归)，由此克服了微阵列之间的技术差异。因此，分类器分为两个阶段：第一个是通过观察差异基因表达产生三种簇特异性评分。通过计算给定簇的“向上”基因的几何平均值，并且然后减去“向下”基因的几何平均值来计算出三种簇特异性评分中的每一种评分。因此，例如，如下计算“炎性”评分：(arg1*lcn2*ltf*olfm4)^(1/4)-(hladmb)。在第二阶段，多类回归算法为每个样品获取这三种评分中的每一种评分并产生最终预测。要利用广泛的微阵列类型的全部数据，需要此两阶段过程。临床参数一个关键的临床变量是通过标准化评分测量的临床严重程度。由于不同数据集的每个数据集都使用不同的临床严重程度评分(例如，apacheii、sofa、saps、prism)，因此无法跨数据集汇总这些评分。替代地，对于每个数据集，计算平均临床严重程度评分，然后将患者标记为“高临床严重程度”(大于平均值)或“低临床严重程度”(小于平均值)。然后，计算每个数据集内每个簇内“高临床严重程度”患者的百分比，作为测试不同数据集的临床严重程度的方式。免疫抑制状态对两个数据集(gse63042和gse66099)是可用的。在每种情况下，如通过纳入小组回顾性记录的类别都是二元的(免疫抑制的或非免疫抑制的)。对于gse66099，不存在确切标准；对于gse63042，复合类别包含绝对嗜中性白血球减少症、aids、慢性免疫抑制剂或皮质类固醇、化学疗法或“其它免疫抑制剂”。因此，这些类别被认为是异质的。通用方法所有分析均使用r统计计算语言3.1.1版进行。用卡方检验或费舍尔精确检验分类数据，并且用anova检验连续数据。除非另有说明，否则将显著性设置为p＜0.05。补充结果发现簇分配在500个基因中，将样品分配给3个簇时，k-平均值与pam算法之间达成84％的一致性。分配不一致的样品(n＝112)中的16％被去除为“未聚类”，而剩余样品被分配给发现簇。跨数据集的簇的分布有变化(表12)，考虑到每个数据集的不同纳入标准，这是可以预期的。表12：在发现数据中按单个数据集(a)和微阵列类型(b)分解簇。a：数据集炎性适应性凝血性未聚类的emexp35679201emtab15482753317gse117555010gse13015gp16106824511gse13015gp169472814gse203462310gse287503241gse3334124405gse4001221324gse4058601911gse570651272116gse6568228194212gse6609976583123gse695281443917总计190247151112b：微阵列类型炎性适应性凝血性未聚类的gpl969201gpl57096675740gpl57124405gpl6106824511gpl624401911gpl694762448gpl103322753317gpl105581443917gpl1366728194212总计190247151112为了评估500个基因子集是否捕获了发现数据中所有测得的基因之间的大部分方差，进行了主要组分分析(pca)。两种pca均显示了三个簇之间的明显分离，其中“未聚类的”样品分布在三个簇之间(图7)。如预期的，在聚类中使用的500个基因的热图也显示出簇之间的明显差异(图8)。凝血性簇中的临床凝血病为了研究凝血性簇是否证明具有凝血病的功能，对凝血病的标准量度进行了研究，以确定它们是否在三个簇之间差异分布。在仅可获取这些数据的群组中(小儿icu，gse66099)、播散性血管内凝血(dic)与凝血性簇显著相关(p＜0.05，表9)。在另一数据集(成人，capsod，gse63042)中，血小板减少症(血小板＜100,000)和延长的inr(＞1.3)的交集也与凝血性簇显著相关，尽管其自身参数都不与簇类型显著相关(表10)。这些发现表明，凝血性簇可以与凝血病的晚期形式(如dic)相关，但与血小板减少症无关。与先前建立的败血症内型的比较以前两组研究人员曾使用败血症转录组学谱进行了聚类。。wong等人，(发现数据集gse66099)衍生出三种小儿败血症的内型，并且已经验证了两种：内型a(死亡率较高，具有适应性免疫抑制作用，并且糖皮质激素受体信号传导降低)和内型b(死亡率较低)(9-11)。davenport等人，(验证数据集emtab-4421.51)衍生出两个成人败血症簇：败血症应答特征(srs)1(死亡率较高，具有内毒素信号传导，t细胞抑制和nf-kb活化)和srs2(死亡率较低，具有t细胞活化和干扰素信号传导)(12，13)。对于这两个群组中的每个受试者，将当前的簇分配与先前公开的分配进行比较(表10)。炎性簇中的大多数样品(69个样品中的60个样品)是wong等人，内型b。然而，反之则不成立：另外的22例内型b样品在适应性簇中，并且13例在凝血性簇中。与这些发现一致的是，古德曼和克鲁斯卡尔λ在当前簇解释wong簇的能力上显示出单向显著性，但是反之则不然。在davenport等人中，簇相关性较强，其中炎性簇和适应性簇分别主要代表srs1和2。当前簇和davenport簇的λ是双向显著的。这些结果表明，内型b和srs1也可以表示炎性簇，而srs2可以表示适应性簇。前述内容仅说明了本发明的原理。应了解，本领域的普通技术人员应能够设计不同的安排，虽然在此未明确描述或展示这些安排，但是它们体现本发明的原理并且被包括在本发明的精神和范围内。另外，在此叙述的所有实例和条件性语言主要打算帮助读者理解诸位发明人所贡献的本发明的原理和概念以推动本领域发展，并且将被视为而不限于这些特别叙述的实例和条件。此外，在此叙述本发明的原理、方面和实施例以及其特定实例的所有陈述打算涵盖其结构和功能等效物两者。另外，预期此类等效物包括当前已知的等效物以及有朝一日开发的等效物两者，即不论结构而执行相同功能的发展的任何要素。因此，本发明的范围不打算受在此展示和描述的例示性实施例的限制。相反，本发明的范围和精神通过所附权利要求书体现。参考文献1.singerm，deutschmancs，seymourcw等人，第三次国际共识败血症和脓毒性休克定义(败血症-3)(thethirdinternationalconsensusdefinitionsforsepsisandsepticshock(sepsis-3))《美国医学会杂志(jama)》2016；315(8)：801-810。2.liuv，escobargj，greenejd等人，来自2个独立群组的患有败血症的患者的医院内死亡(hospitaldeathsinpatientswithsepsisfrom2independentcohorts)《美国医学会杂志》2014。3.opalsm，dellingerrp，vincentjl等人，下一代败血症临床试验设计：重组人活化蛋白c消亡后的下一步是什么？*(thenextgenerationofsepsisclinicaltrialdesigns：whatisnextafterthedemiseofrecombinanthumanactivatedproteinc？*)《危症监护医学(critcaremed)》2014；42(7)：1714-1721。4.van′tveerlj，daih，vandevijvermj等人，基因表达谱预测乳腺癌的临床结果(geneexpressionprofilingpredictsclinicaloutcomeofbreastcancer)《自然(nature)》2002；415(6871)：530-536。5.golubtr，slonimdk，tamayop等人，癌症的分子分类：通过基因表达监测进行分类发现和分类预测(molecularclassificationofcancer：classdiscoveryandclasspredictionbygeneexpressionmonitoring)《科学(science)》1999；286(5439)：531-537。6.prescotthc，calfeecs，thompsonbt等人，迈向更智能的合并和更智能的分裂：败血症和急性呼吸窘迫综合征临床试验设计的重新思考策略(towardsmarterlumpingandsmartersplitting：rethinkingstrategiesforsepsisandacuterespiratorydistresssyndromeclinicaltrialdesign)《美国呼吸与危症监护医学杂志(amjrespircritcaremed)》2016；194(2)：147-155。7.haldarp，pavordid，shawde等人，簇分析和临床哮喘表型(clusteranalysisandclinicalasthmaphenotypes)《美国呼吸与危症监护医学杂志(amjrespircritcaremed)》2008；178(3)：218-224。8.famouskr，delucchik，warelb等人，急性呼吸窘迫综合征亚表型对随机液体管理策略的应答不同(acuterespiratorydistresssyndromesubphenotypesresponddifferentlytorandomizedfluidmanagementstrategy)《美国呼吸与危症监护医学杂志(amjrespircritcaremed)》2017；195(3)：331-338。9.wonghr，cvijanovichn，linr等人，基于全基因组表达谱鉴定的小儿脓毒性休克亚类(identifcationofpediatricsepticshocksubclassesbasedongenome-wideexpressionprofiling)《bmc医学(bmcmed)》2009；7：34。10.wonghr，cvijanovichnz，allengl等人，验证基于基因表达的小儿脓毒性休克的子分类策略(validationofageneexpression-basedsubclassificationstrategyforpediatricsepticshock)《危症监护医学》2011；39(11)：2511-2517。11.wonghr，cvijanovichnz，anasn等人，开发针对小儿脓毒性休克的临床上可行的个性化药物方法(developingaclinicallyfeasiblepersonalizedmedicineapproachtopediatricsepticshock)《美国呼吸与危症监护医学杂志(amjrespircritcaremed)》2015；191(3)：309-315。12.davenportee，burnhamkl，radhakrishnanj等人，败血症中个体宿主应答的基因组情况和结果：前瞻性队列研究(genomiclandscapeoftheindividualhostresponseandoutcomesinsepsis：aprospectivecohortstudy)《柳叶刀呼吸医学(lancetrespirmed)》2016。13.burnhamkl，davenportee，radhakrishnanj等人，对粪便性腹膜炎和肺炎的败血症转录组学应答的共同的方面和不同的方面(sharedanddistinctaspectsofthesepsistranscriptomicresponsetofecalperitonitisandpneumonia)《美国呼吸与危症监护医学杂志》2016。14.sweeneyte，chenac，gevaerto，多个聚类算法的组合映射(communal)：选择簇号的稳健的方法(combinedmappingofmultipleclusteringalgorithms(communal)：arobustmethodforselectionofclusternumber)，k.《科学报告(scirep.)》2015；5：16971。15.sweeneyte，wonghr，khatrip，通过整合的宿主基因表达诊断对细菌感染和病毒感染进行稳健的分类(robustclassificationofbacterialandviralinfectionsviaintegratedhostgeneexpressiondiagnostics)《科学转化医学(scitranslmed)》2016；8(346)：346ra391。16.planeycr，gevaerto，重合：发现跨多个数据集的患者亚型的框架(coincide：aframeworkfordiscoveryofpatientsubtypesacrossmultipledatasets)《基因组医学(genomemed)》2016；8(1)：27。17.sweeneyte，khatrip，使用公共数据对败血症基因表达诊断进行基准测试(benchmarkingsepsisgeneexpressiondiagnosticsusingpublicdata)《危症监护医学》2016。18.sweeneyte，perumaltm，henaor等人，通过基因表达分析预测败血症死亡率：社区方法(mortalitypredictioninsepsisviageneexpressionanalysis：acommunityapproach)《自然通讯(naturecommunications)》，已接收，2018。19.andres-terrem，mcguirehm，poulioty等人，整合的多群组分析鉴定多种呼吸道病毒之间的保守转录特征(integrated，multi-cohortanalysisidentifiesconservedtranscriptionalsignaturesacrossmultiplerespiratoryviruses)《免疫(immunity)》2015；43(6)：1199-1211。20.sweeneyte，shidhama，wonghr等人，对败血症和无菌性炎症进行的基于时程的综合多群组分析显示了稳健的诊断基因集(acomprehensivetime-course-basedmulticohortanalysisofsepsisandsterileinflammationrevealsarobustdiagnosticgeneset)《科学转化医学》2015；7(287)：287ra271。21.seokj，warrenhs，cuencaag等人，小鼠模型中的基因组应答不能很好地模仿人炎性疾病(genomicresponsesinmousemodelspoorlymimichumaninflammatorydiseases)《美国国家科学院院刊》2013；110(9)：3507-3512。22.chenj，bardesee，aronowbj等人，用于基因列表富集分析和候选基因优先级排序的toppgenesuite(toppgenesuiteforgenelistenrichmentanalysisandcandidategeneprioritization)《核酸研究(nucleicacidsres)》2009；第37卷(web服务器问题(webserverissue))：第w305到w311页。23.tushervg，tibshiranir，chug，微阵列应用于电离辐射响应的显著性分析(significanceanalysisofmicroarraysappliedtotheionizingradiationresponse)《美国国家科学院院刊》2001；98(9)：5116-5121。24.irwinad，marriagef，mankhambola等人，新颖的生物标志物组合改善了马拉维儿童的严重细菌感染的诊断(novelbiomarkercombinationimprovesthediagnosisofseriousbacterialinfectionsinmalawianchildren)《bmc医学基因组学(bmcmedgenomics)》2012；5：13。25.almansar，heredia-rodríguezm，gomez-sancheze等人，败血症中器官衰竭程度的转录组学相关性(transcriptomiccorrelatesoforganfailureextentinsepsis)《传染病杂志(jinfect)》2015；70(5)：445-456。26.emontsm，传染病和自身免疫性疾病中的免疫应答基因的多态性[传染病和自身免疫性疾病免疫应答基因的多态性；博士论文]：鹿特丹港市的伊拉兹马斯大学(polymorphismsinimmuneresponsegenesininfectiousdiseasesandautoimmunediseases[polymorphismsinimmuneresponsegenesininfectiousdiseasesandautoimmunediseases；ph.d.thesis]：erasmusuniversityrotterdam)；2008。27.panklar，buddhisas，berrym等人，基因组转录谱鉴定用于诊断脓毒性类鼻疽的候选血液生物标志物特征(genomictranscriptionalprofilingidentifiesacandidatebloodbiomarkersignatureforthediagnosisofsepticemicmelioidosis)《基因组生物学(genomebiol)》2009；10(11)：r127。28.parnellgp，mcleanas，boothdr等人，患有严重社区获得性肺炎的患者的血液转录组中明显的流感感染特征(adistinctinfluenzainfectionsignatureinthebloodtranscriptomeofpatientswithseverecommunity-acquiredpneumonia)《危症监护医学》2012；16(4)：r157。29.sutherlanda，thomasm，brandonra等人，用于败血症的早期检测的新颖的分子生物标志物诊断测试的开发和验证(developmentandvalidationofanovelmolecularbiomarkerdiagnostictestfortheearlydetectionofsepsis)《危症监护(critcare)》2011；15(3)：r149。30.ahnsh，tsalikel，cyrdd等人，基于基因表达的分类器鉴定小鼠和人中的金黄色葡萄球菌感染(geneexpression-basedclassifiersidentifystaphylococcusaureusinfectioninmiceandhumans)《公共科学图书馆综合(plosone)》2013；8(1)：e48979。31.parnellgp，tangbm，nalosm等人，鉴定脓毒性患者的全血中的关键调控基因以监测潜在的免疫功能障碍(identifyingkeyregulatorygenesinthewholebloodofsepticpatientstomonitorunderlyingimmunedysfunctions)《休克(shock)》2013；40(3)：166-174。32.lillm，k6kss，soometsu等人，患有细菌性脑膜炎的患者的外周血rna基因表达谱(peripheralbloodrnageneexpressionprofilinginpatientswithbacterialmeningitis)《神经科学的前沿(frontneurosci)》2013；7：33。33.cazalisma，lepapea，venetf等人，脓毒性休克患者的基因表达的早期和动态变化：全基因组方法(earlyanddynamicchangesingeneexpressioninsepticshockpatients：agenome-wideapproach)《重症监护医学实验(intensivecaremedexp)》2014；2(1)：20。34.sciclunabp，kleinklouwenbergpm，vanvughtla等人，在入住重症监护病房时诊断社区获得性肺炎的分子生物标志物(amolecularbiomarkertodiagnosecommunity-acquiredpneumoniaonintensivecareunitadmission)《美国呼吸与危症监护医学杂志》2015；192(7)：826-835。35.wonghr，shanleytp，sakthivelb等人，小儿脓毒性休克的基因组水平表达谱表明，锌稳态的改变在不良结果中起一定作用(genome-levelexpressionprofilesinpediatricsepticshockindicatearoleforalteredzinchomeostasisinpooroutcome)《生理学基因组学(physiolgenomics)》2007；30(2)：146-155。36.wonghr，cvijanovichn，allengl等人，跨小儿全身炎性应答综合征、败血症和脓毒性休克谱的基因组表达谱(genomicexpressionprofilingacrossthepediatricsystemicinflammatoryresponsesyndrome，sepsis，andsepticshockspectrum)《危症监护医学》2009；37(5)：1558-1566。37.kwana，hubankm，rashida等人，败血症演变期间转录不稳定可能会限制基于生物标志物的风险分层(transcriptionalinstabilityduringevolvingsepsismaylimitbiomarkerbasedriskstratification)《公共科学图书馆综合(plosone)》2013；8(3)：e60501。38.howrylakja，dolinayt，luchtl等人，发现患有败血症的患者的急性肺损伤的基因特征(discoveryofthegenesignatureforacutelunginjuryinpatientswithsepsis)《生理学基因组学》2009；37(2)：133-139。39.dolinayt，kimys，howrylakj等人，炎症小体调节的细胞因子是急性肺损伤的关键介质(inflammasome-regulatedcytokinesarecriticalmediatorsofacutelunginjury)《美国呼吸与危症监护医学杂志》2012；185(11)：1225-1234。40.tsalikel，henaor，nicholsm等人，宿主基因表达分类器诊断急性呼吸道疾病病因(hostgeneexpressionclassifiersdiagnoseacuterespiratoryillnessetiology)《科学转化医学》2016；8(322)：322ra311。41.kangelariskn，prakasha，liukd等人，患有败血症诱导的早期ards的患者的嗜中性粒细胞相关基因的表达增加(increasedexpressionofneutrophil-relatedgenesinpatientswithearlysepsis-inducedards)《美国生理学杂志肺细胞分子生理学(amjphysiollungcellmolphysiol)》2015；308(11)：l1102-1113。42.mchughl，seldonta，brandonra等人，在危重症患者的败血症与阴性感染全身性炎症之间进行区分的分子宿主应答测定：在单独的群组中进行发现和验证(amolecularhostresponseassaytodiscriminatebetweensepsisandinfection-negativesystemicinflammationincriticallyillpatients：discoveryandvalidationinindependentcohorts)《公共科学图书馆综合》2015；12(12)：e1001916。43.khoosk，petillod，paridam等人，宿主应答转录谱表明感染伤寒症的尼日利亚儿童的细胞外组分和abc(atp结合盒)转运蛋白基因富集(hostresponsetranscriptionalprofilingrevealsextracellularcomponentsandabc(atp-bindingcassette)transportersgeneenrichmentintyphoidfever-infectednigerianchildren)《bmc传染病杂志(bmcinfectdis)》2011；11：241。44.langleyrj，tsalikel，vanvelkinburghjc等人，整合的临床代谢模型改善了对败血症死亡的预测(anintegratedclinico-metabolomicmodelimprovespredictionofdeathinsepsis)《科学转化医学》2013；5(195)：195ra195。45.cohenj，vincentjl，adhikarink等人，败血症：未来研究的路线图(sepsis：aroadmapforfutureresearch)《柳叶刀传染病(lancetinfectdis)》2015；15(5)：581-614。46.bernardgr，vincentjl，laterrepf等人，重组人类活化蛋白c对严重败血症的功效和安全性(efficacyandsafetyofrecombinanthumanactivatedproteincforseveresepsis)《新英格兰医学杂志(nengljmed)》2001；344(10)：699-709。47.allingstrupm，wetterslevj，ravnfb等人，重症患者的抗凝血酶iii：进行荟萃分析和试验顺序分析的系统评价(antithrombiniiiforcriticallyillpatients：asystematicreviewwithmeta-analysisandtrialsequentialanalysis)《重症监护医学(intensivecaremed)》2016；42(4)：505-520。48.shakooryb，carcilloja，chathamww等人，具有巨噬细胞活化综合征特征的败血症患者的白细胞介素-1受体阻断与降低的死亡率相关：重新分析先前的第三阶段试验(interleukin-1receptorblockadeisassociatedwithreducedmortalityinsepsispatientswithfeaturesofmacrophageactivationsyndrome：reanalysisofapriorphaseiiitrial)《危症监护医学》2016；44(2)：275-281。49.shindoy，mcdonoughjs，changkc等人，抗pd-l1肽改善败血症的存活率(anti-pd-l1peptideimprovessurvivalinsepsis)《外科研究杂志(jsurgres)》2017；208：33-39)。50.angusdc，vanderpollt，严重的败血症和脓毒性休克(severesepsisandsepticshock)《新英格兰医学杂志》2013；369(9)：840-851。51.ovedk，cohena，boicoo等人，在急性细菌与病毒感染之间进行区分的新颖的宿主蛋白质组特征(anovelhost-proteomesignaturefordistinguishingbetweenacutebacterialandviralinfections)《公共科学图书馆综合(plosone)》2015；10(3)：e0120012。补充方法和补充结果的参考文献1.tibshiranir，waltherg，hastiet，通过间隙统计估算数据集中的簇数(estimatingthenumberofclustersinadatasetviathegapstatistic)《皇家统计学会杂志b系列统计方法论(journaloftheroyalstatisticalsocietyseriesb-statisticalmethodology)》2001；63：411-423。2.sweeneyte，chenac，gevaerto，多个聚类算法的组合映射(communal)：选择簇号的稳健的方法，k.《科学报告》2015；5：16971。3.planeycr，gevaerto，重合：发现跨多个数据集的患者亚型的框架《基因组医学》2016；8：27。4.tushervg，tibshiranir，chug，微阵列应用于电离辐射响应的显著性分析《美国国家科学院院刊》2001；98：5116-5121。5.chenj，bardesee，aronowbj，jeggaag，用于基因列表富集分析和候选基因优先级排序的toppgenesuite《核酸研究》2009；37：第w305到w311页。6.sweeneyte，shidhama，wonghr，khatrip等人，对败血症和无菌性炎症进行的基于时程的综合多群组分析显示了稳健的诊断基因集《科学转化医学》2015；7：287ra271。7.vanderweeletj，dingp，观察性研究中的敏感性分析：介绍e值(sensitivityanalysisinobservationalresearch：introducingthee-value)《内科医学年鉴(anninternmed)》2017。当前第1页12