背景与目的炎症性肠病(Inflammatory bowel disease,IB D)是一种慢性非特异性肠道疾病,包括溃疡性结肠炎(Ulcerative colitis,UC)和克罗恩病(Crohn’s disease,CD)。在近十年来,IBD的发病率在全球范围内均有所增加。IBD的诊断和鉴别主要依靠临床表现,影像学检查,内镜和病理检查。然而,这些检查方法对不典型的CD和UC患者的鉴别以及IBD与其他肠道疾病的鉴别比较局限,尤其是UC与缺血性肠炎(Ischemic colitis,IC)的鉴别,CD 与肠结核(Intestinal tuberculosis,ITB)和原发性肠淋巴瘤(Primary intestinal lymphoma,PIL)的鉴别。目前,在临床上尚无有效的标志物用于它们之间的鉴别。因此,本研究拟从蛋白质组学和深度学习的研究方法入手,以期为IBD的诊断和鉴别提供新的思路。方法在蛋白组学研究中,我们首先收集了 CD、UC、正常对照组(normalcontrol,NC)的肠黏膜,采用了定量蛋白组学方法,筛选出差异表达蛋白(Differentially expressed proteins,DEPs),对差异蛋白进行通路分析。为进一步研究候选蛋白与IBD的关系,我们在CD、UC、NC组中,进行酶联免疫吸附试验检测血清中蛋白的含量。研究了蛋白表达与IBD疾病活动度、分期、药物治疗反应等临床特征的关系,并在细胞水平研究了蛋白的功能。其次,我们收集了 UC、IC、NC患者的血清以及CD、ITB、PIL患者的血清。血清样本经酶解、标记、分馏等预处理后,进行定量蛋白质谱分析,筛选出各组间的DEPs,对DEPs进行功能性通路聚类分析。为进一步筛选候选蛋白,我们计算了 CD、ITB、PIL各组间每个DEP的AUC值,筛选出AUC值≥0.95的蛋白作为候选蛋白。在深度学习的研究中,纳入了在我院确诊为IBD的患者,收集这些患者结肠部位内镜活检组织的病理切片。使用数字病理图像采集系统拍摄组织切片的病理图像。采集的病理图像采用多示例学习的方法进行学习和训练。通过IBD分类器和UC/CD分类器进行学习和预测,计算深度学习模型对区分UC和CD的准确度,敏感度,特异度,阳性预测值(positive predictive value,PPV),阴性预测值(negative predictive value,NPV)和 AUC 值。结果在肠黏膜蛋白组学研究中,IBD患者和NC、CD和UC之间比较,分别有102、17个DEPs。CD和UC之间的DEPs中,血管紧张素转换酶1、血管紧张素转换酶2、脂肪酸结合蛋白6、脂肪酸结合蛋白2在CD肠黏膜明显上调。IBD患者和NC之间的DEPs,有10个参与了 NAD代谢和信号传导。我们进一步验证了肠黏膜蛋白组学中鉴定出的肌腱蛋白C(Tenascin-C,TNC)分子与IBD的关系,发现TNC的表达在UC和CD肠黏膜均高于NC。血清TNC水平在CD、UC患者高于NC,UC和CD 比较无差异。血清TNC水平与CD、UC的临床活动度呈正相关,r分别为0.35和0.26。UC患者肠黏膜TNC mRNA的高表达可预测英夫利昔单抗治疗无反应,AUC为0.898,敏感度为87.5%,特异度为87.5%。重组TNC蛋白刺激THP-1细胞后IL6表达显著高于LPS组和对照组。在UC和IC的血清蛋白组学研究中,UC组与NC组比较共有228个差异蛋白;IC组与NC组比较共有27个差异蛋白;UC组与IC组比较共有49个差异蛋白。在三组间的差异蛋白比较中,我们发现只有纤维凝胶蛋白3在三组间两两比较中均有差异,其在UC/NC中比值为0.24,UC/IC中比值0.46,在IC/NC中比值为0.53。差异蛋白通路聚类分析结果显示IC与UC的差异蛋白主要参与血小板脱颗粒通路,补体初始触发通路,补体级联调节通路。在CD、ITB、PIL的血清蛋白组学研究中,CD/ITB、CD/PIL、ITB/PIL组间比较分别有108、105、55个DEPs。CD和PIL比较共有19个AUC≥0.95的DEPs,CD和ITB 比较共有12个AUC≥0.95的DEPs,ITB和PIL比较共有19个AUC≥0.95的DEPs。CD与ITB 比较,DEPs主要参与抗原交叉呈递途径,干扰素α/β通路,适应性免疫应答,和ER-吞噬体途径;CD与PIL比较,DEPs主要参与AU富含元素mRNA稳定性的调节通路,AUF1结合和mRNA的去稳定化通路和NOTCH4信号通路;CD与PIL比较,DEPs主要参与蛋白酶体降解GLI1途径和中性粒细胞脱颗粒途径。在深度学习的研究中,UC和CD病理学特点比较,隐窝脓肿,隐窝变形或萎缩,杯状细胞减少以及腺体萎缩或减少在UC患者更常见,而淋巴组织增生和非干酪肉芽肿的形成更常见于CD患者。对于UC和CD病理图像的鉴别,采用U-net提取隐窝和不采用U-net提取隐窝预处理的深度学习模型鉴别CD和UC的准确度分别为85%和78%,AUC值分别为0.87和0.85。其中,采用U-net提取隐窝的方法鉴别CD和UC的敏感度,特异度,PPV,NPV分别为80.8%,92.9%,95.5%,72.2%;不采用U-net提取隐窝的方法鉴别CD和UC的敏感度,特异度,PPV,NPV 分别为 72.4%,90.9%,95.5%,55.5%。结论通过应用蛋白质组学的方法,我们鉴定出了IBD和NC、CD和UC肠黏膜之间的差异蛋白。与UC相比,血管紧张素转换酶1、血管紧张素转换酶2、脂肪酸结合蛋白6、脂肪酸结合蛋白2在CD肠黏膜明显上调。参与NAD代谢和信号通路的蛋白表达在IBD较NC有明显改变。蛋白组学鉴定出来的TNC分子还可以作为IBD诊断、疾病活动度、药物疗效的生物标志物,参与IBD的发病。血清蛋白质组学研究还筛选出了用于UC与IC鉴别、CD与ITB和PIL鉴别的血清蛋白质,这些候选蛋白质可以作为UC与IC鉴别,CD与ITB和PIL鉴别的血清学标志物。深度学习技术对CD和UC组织病理图像的鉴别诊断具有较高的准确性。通过提取病理图像中隐窝的特征,深度学习可以更准确地区分CD和UC患者。因此,深度学习可以作为CD和UC的鉴别的新方法。