肥胖中循环microRNA特征通过机器学习揭示肥胖的核心及可逆性失调

《Journal of Physiology》：Obesity, microRNA circulating microRNA signatures reveal core and reversible dysregulations in obesity via machine learning

　　

肥胖是一种以全身代谢与炎症失调为特征的复杂代谢性疾病，其潜在分子特征尚未被完全阐明。循环microRNA（circulating microRNAs, miRNAs）是一类有望捕捉肥胖相关全身调控改变的生物标志物。研究人员在本研究中探究机器学习（machine learning, ML）能否识别可区分肥胖的循环miRNA特征，并评估其在体重减轻后的持续性。研究分析了瘦型个体与肥胖个体在体重减轻干预前后的循环miRNA谱，采用基于ML的分类框架结合特征选择与多种分类器模型进行分析。进一步将miRNA特征比较与靶基因互作网络及通路富集分析整合，以探索肥胖及体重减轻反应相关的生物学过程。ML模型识别出一组少量循环miRNA，可在体重减轻前后均有效区分肥胖个体与瘦型个体。比较分析显示，部分miRNA在体重降低后出现部分正常化，而另一些则持续失调。网络与通路分析表明，持续性miRNA信号与免疫—代谢互作及全身代谢控制的调控过程相关。这些发现表明，循环miRNA可同时捕捉肥胖的可逆与持续性分子组分，并可作为反映肥胖相关失调的信息性生物标志物。本研究证明了ML在挖掘具有生物学意义的miRNA特征中的应用价值，并为理解肥胖及其对体重减轻干预反应的分子复杂性提供了新见解。

本研究发表于《Journal of Physiology》，针对肥胖分子机制异质性强、传统差异表达分析难以捕捉复杂调控关系的现状，首次将机器学习应用于循环miRNA特征挖掘，旨在解析肥胖相关分子失调的可逆性与持续性，为精准干预提供依据。研究人员纳入新西兰健康与残疾伦理委员会批准的POWER研究队列，包含12名瘦型女性（BMI<25 kg/m2）与12名肥胖女性（BMI>30 kg/m2，年龄匹配），后者采集基线（BL）与极低热量饮食诱导体重减轻后（PWL，体重降幅>5%）两个时间点血浆样本，采用NanoString技术检测812种循环miRNA表达，经nSolver流程标准化。

关键技术方法包括：基于10折交叉验证的数据划分策略，采用三种随机森林衍生特征选择算法（DLI-WFS、Boruta、SimpleRF）筛选核心miRNA，以随机森林、支持向量机、k近邻及逻辑回归构建分类模型，通过特征整合与稳定性评估确定跨数据集一致的miRNA特征，结合外部独立数据集（GEO GSE26168）进行验证，并开展miRNA-靶基因互作网络构建、KEGG通路富集分析及配对相关性分析。

研究结果如下：

ML分类性能与特征选择稳定性：两项分类任务（瘦型vs肥胖BL、瘦型vs肥胖PWL）中，最优特征数均为5，特征选择稳定性Intersection Metric分别为0.268（BL）与0.432（PWL），处于高维小样本生物医学研究的合理范围。分类模型性能优异，BL组F1值0.63–0.87、AUC 0.78–1.00，PWL组F1值0.63–0.86、AUC 0.84–1.00，证实循环miRNA可有效区分肥胖状态。

miRNA特征整合用于下游分析：BL组筛选出7种核心miRNA：hsa-miR-320e、hsa-miR-30a-5p、hsa-miR-127-3p、hsa-miR-151a-3p、hsa-miR-378i、hsa-miR-574-5p及hsa-miR-4454+hsa-miR-7975（因成熟序列仅差1个核苷酸视为单一特征）；PWL组筛选出6种核心miRNA，其中4种与BL组重叠。

肥胖判别miRNA在BL与PWL条件下的交集：韦恩图显示4种miRNA（hsa-miR-320e、hsa-miR-30a-5p、hsa-miR-127-3p、hsa-miR-151a-3p）在两组分类中均被选中，为体重减轻后仍持续存在的肥胖相关特征；3种仅在BL组选中（hsa-miR-378i、hsa-miR-574-5p、hsa-miR-4454+hsa-miR-7975），提示其可逆性；2种仅在PWL组选中（hsa-miR-370-3p、hsa-miR-630），可能反映体重减轻后的特异性重塑。

肥胖判别miRNA的差异表达分析：所有核心miRNA在BL组肥胖个体中均显著上调（|log₂FC|>1，P<0.05）。PWL组中，hsa-miR-574-5p与hsa-miR-378i的表达差异不再显著（|log₂FC|<1），其余仍维持显著上调，验证了特征分类的生物学意义。

肥胖判别miRNA的外部验证：外部数据集中3种重叠miRNA（hsa-miR-151a-3p、hsa-miR-127-3p、hsa-miR-574-5p）的内部肥胖BL vs外部瘦型的Cliff's delta绝对值均高于内部瘦型vs外部瘦型（差值0.13–0.45，P=0.0166），且基于内部队列训练的随机森林模型对外部瘦型样本的识别准确率达90%，证实特征的肥胖特异性与外部适用性。

miRNA特征配对相关性：肥胖个体中miRNA间的显著相关性数量远高于瘦型个体，提示肥胖状态下miRNA协同调控增强；瘦型个体中存在的hsa-miR-320e与hsa-miR-30a-5p等配对相关性在肥胖组中消失，反映协调调控的持续性破坏。

靶基因分析：共鉴定98个靶基因，其中88个已被证实与肥胖相关性状关联。miRNA-靶基因网络中，BL与PWL组共享SLC38A1、CELF1、AGO2、BTBD7、TNPO1等枢纽基因，同时各自存在特异性枢纽基因，提示体重减轻后调控网络发生重构。

KEGG通路分析：BL与PWL组分别富集71与70条通路，其中62条共享，主要包括癌症通路、碳水化合物消化吸收、2型糖尿病等，与肥胖的慢性炎症、胰岛素抵抗特征一致。特异性通路中，BL组富集肥厚型心肌病、醛固酮调节钠重吸收等肥胖相关病理通路，PWL组富集FcγR介导吞噬、结核病等免疫相关通路，反映体重减轻后的免疫重构。

讨论部分指出，本研究首次通过ML识别的循环miRNA特征兼具个体与组合判别能力，其性能可与全转录组模型媲美。持续性miRNA可能反映肥胖核心失调与体重反弹风险，可逆性miRNA则与葡萄糖代谢改善等减重获益相关。研究局限性包括仅纳入女性、样本量较小、随访期较短（4周），未来需扩大队列验证。

结论部分翻译：本研究首次应用机器学习方法识别与肥胖相关的循环miRNA特征。研究结果表明，少量miRNA通过其个体判别能力与组合互作，可有效区分肥胖个体与瘦型个体。此外，本研究揭示了肥胖相关的核心持续性失调——这些失调可能是驱动肥胖发生的固有风险因素，同时也明确了更易通过体重减轻实现逆转的机制。这些发现可为开发靶向治疗干预措施提供指导。