6月20日，國際學術期刊 Clinical and Translational Medicine?在線發表了中國科學院上海營養與健康研究所/香港城市大學尹慧勇研究組合作研究成果，題為“Biomarker discovery and metabolic profiling in serum of cardiovascular disease patients with untargeted metabolomics and machine learning” 。該研究通過結合非靶向代謝組學技術和機器學習方法對一個243例中國心血管病人隊列的血清進行了研究。該研究首次從極性代謝物的角度分析了心血管病人的代謝輪廓與特征，并篩選出可以預測心血管疾病的潛在生物標志物。
心血管疾病是由心臟組織及其相關動脈和血管的病理變化引起的，目前仍是世界范圍內致死率最高的疾病。其中冠心病 (Coronary Heart Disease, CHD) 是由于冠狀動脈血管因脂質堆積導致狹窄的心肌受損，而心肌梗死(Myocardial Infarction, MI) 則是動脈粥樣硬化斑塊破裂引起冠狀動脈血管堵塞。由于心血管疾病的早期癥狀不明顯，很多人錯過了最佳診治時間，導致了諸如猝死等嚴重的后果。因此，積極預防和及時診斷治療是降低心血管疾病死亡率的關鍵手段。既往的相關組學研究大多集中在脂質對心血管疾病的影響，但極性代謝物在心血管疾病中的重要作用仍鮮有研究。
研究人員首先根據臨床標準收集了243例心肌梗死和冠心病病人的血清樣本，利用非靶向代謝組學方法，檢測到了702種代謝產物。通過統計分析，找到了80種在冠心病和心肌梗死發展過程中發生顯著性差異變化的代謝物，且篩選出其中15種呈單向表達趨勢的代謝物，它們可能在心血管疾病的發展過程中起重要作用。
研究人員進一步通過通路富集分析，發現心肌梗死病人中果糖和甘露糖代謝通路、糖酵解和糖異生代謝通路、丙氨酸、天冬氨酸和谷氨酸代謝通路發生了顯著變化，而冠心病病人中主要是亞油酸代謝通路發生顯著性變化。
最后，研究人員通過使用LASSO算法，從差異代謝物中篩選到3種潛在的生物標志物用以預測冠心病和心肌梗死，并且通過ROC分析評估了預測模型的效能，曲線下面積（AUC）在訓練集和測試集中分別達到了0.92和0.88，顯著優于既往建立的預測模型。
綜上所述，該研究首次從極性代謝物角度出發，探究了冠心病和心肌梗死病人的血清代謝物和代謝通路變化，并結合機器學習算法篩選潛在的生物標志物。本研究為理解冠心病和心肌梗死疾病提供了新的視角，并且為心血管疾病的無創診斷提供了新的方法思路，這些發現為探索心血管疾病的潛在機制和診斷策略奠定了基礎。尹慧勇教授團隊長期關注代謝疾病的調控機制，利用代謝組學與分子、細胞生物學、動物模型與臨床樣本研究心血管疾病、腫瘤、高尿酸與痛風等代謝機制。
本研究由中國科學院上海營養與健康研究所/香港城市大學尹慧勇教授團隊、北京大學鄭樂民教授團隊以及深圳大學第一附屬醫院閻德文教授團隊合作完成。原中國科學院上海營養與健康研究所/上海科技大學博士研究生沈夏為第一作者，尹慧勇教授為通訊作者。該研究得到科技部國家重點研發計劃、國家自然科學基金、香港城市大學、深圳醫學科學院研究基金（SMARF）、香港研究資助局（RGC Theme-based Research Scheme）、香港城市大學董氏研究基金等支持；營養與健康所所級公共技術中心質譜技術平臺以及香港城市大學海洋污染國家重點實驗室等為研究工作提供了技術支撐。
文章鏈接：https://onlinelibrary.wiley.com/doi/10.1002/ctm2.1722
圖：非靶向代謝組學與心血管疾病代謝特征
官方微信
