《Cells》：Identifying Platelet Lipidomic Networks and Evaluating Machine-Learning Models to Identify Distinctive Features Between Chronic and Acute Coronary Syndrome
编辑推荐：
血小板脂质组学为观察急性冠状动脉综合征（ACS）和慢性冠状动脉综合征（CCS）的血栓炎症反应提供了一个窗口，然而这两种冠状动脉疾病亚型之间血小板脂质组的差异仍未被充分表征。在这项初步研究中，研究人员对19名ACS患者和57名接受冠状动脉造影的CCS患者中分离的
血小板脂质组学为观察急性冠状动脉综合征（ACS）和慢性冠状动脉综合征（CCS）的血栓炎症反应提供了一个窗口，然而这两种冠状动脉疾病亚型之间血小板脂质组的差异仍未被充分表征。在这项初步研究中，研究人员对19名ACS患者和57名接受冠状动脉造影的CCS患者中分离的血小板进行了非靶向血小板脂质组学和微小核糖核酸（miRNA）转录组学分析，并将其与常规临床和血液学特征整合，进行统计网络分析和交叉验证的机器学习模型。血小板脂质组学鉴定出81个在ACS和CCS之间显著改变的脂质特征（错误发现率 q < 0.05），主要涉及磷脂酰胆碱（PC）、溶血磷脂酰胆碱（LPC）和神经酰胺（Cer）。在所有可识别的脂质中，Cer 18:2;O2/24:0显示出与ACS最强的负相关（q = 0.0394, 比值比 = 0.297, 95% 置信区间 [0.171, 0.515]），而升高的Cer 18:0;O2/22:1（q = 0.088, 比值比 = 3.072, 95% 置信区间 [1.607, 5.878]）和Cer 18:0;O2/18:0（q = 0.088, 比值比 = 2.791, 95% 置信区间 [1.515, 5.145]）显示了对ACS名义上显著的促进作用。差异相关性分析进一步确定了氧化磷脂（OxPL）物种是ACS特异性脂质网络中的连接枢纽，这种模式仅通过差异丰度方法无法检测到。尽管非靶向脂质组学在ACS分类中未能显著优于常规临床特征基准模型，但以磷脂酰胆碱（PC）训练的模型在受试者工作特征曲线下面积（AUROC）方面取得了适度的提升，并且显著的神经酰胺信号——具有血小板特异性且在机制上不同于血浆神经酰胺风险评分——支持了在前瞻性、具有足够效能的队列中，以富含神经酰胺的血小板脂质组学检测板为核心的有针对性的验证策略。
**论文解读：基于血小板脂质组学网络与机器学习模型区分急性与慢性冠状动脉综合征**
**一、 研究背景与意义**
急性冠状动脉综合征（ACS）是全球主要的死亡原因之一，也是急诊科胸痛患者的主要问题。快速可靠的诊断对于及时治疗和提高生存率至关重要。虽然心电图（ECG）可以快速识别ST段抬高的患者，但大多数患者并无此表现，因此需要生物标志物评估。传统的统计方法（如基于线性回归的风险因素分析）在识别群体水平差异和纳入变量数量方面存在局限。相比之下，机器学习（ML）方法能够利用患者层面的数据识别和提取结果预测因子，构建可靠的模型，为快速患者分层提供了新平台。整合额外的血液生物标志物，机器学习模型可能通过识别临床数据中潜在的、医生难以察觉的结构，从而提升诊断和预后性能。
血小板在ACS的病理生理学中扮演关键角色，其反应性变化与不良心血管事件风险增加相关。此外，ACS与血小板蛋白质组、脂质组和转录组的显著改变有关。因此，加入血小板来源的分子可能进一步提高机器学习模型的风险预测和诊断准确性。与蛋白质组和转录组相比，血小板脂质组学变化的研究相对较新。血浆脂质组学特征反映了遗传和生活方式影响下的生化效应以及多组织和循环脂蛋白的贡献，而血小板脂质组学在概念和生物学上具有独特优势。血小板是血栓形成和血管炎症的活跃介质，是ACS发病机制中生物学相关的细胞区室。血小板脂质组学能够捕捉与血小板活化、膜更新、颗粒分泌、细胞外囊泡释放以及血小板-内皮相互作用相关的脂质重塑，提供从血浆分析中不易获得的机制见解。此外，细胞内脂质改变可能在它们被循环脂质池稀释之前就被检测到，从而可能增强对疾病相关变化的敏感性。
**二、 研究方法概述**
本研究是一项初步探索性研究，旨在通过整合多组学数据，识别能够区分ACS与CCS的脂质特征，并阐明其相关的生物学通路。研究队列来自德国图宾根大学医院的一项单中心前瞻性队列研究，共纳入76名有症状的冠状动脉疾病（CAD）患者，其中ACS患者19名，CCS患者57名。所有患者均接受冠状动脉造影以评估疾病严重程度。研究整合了患者的基线人口统计学、临床特征、血液学参数、血小板非靶向脂质组学数据（包括已知结构和未知特征的脂质分子）以及靶向心血管相关miRNA转录组学数据。
研究采用的主要技术方法包括：1. **非靶向脂质组学分析**：使用质谱法检测血小板脂质，通过谱图匹配进行结构注释，识别差异表达的脂质。2. **差异相关性分析**：分别计算ACS和CCS组内脂质分子间的斯皮尔曼相关系数，通过费舍尔Z变换评估组间相关性的差异，构建脂质网络以识别ACS特异性的网络重组模式。3. **机器学习建模**：使用多种模型架构（如逻辑回归、随机森林、支持向量机等），通过5折分层交叉验证，评估不同脂质类别特征集在区分ACS与CCS方面的预测能力，并与基于常规临床和血液学特征的基准模型进行比较。分析中排除了作为ACS诊断标准之一的心肌肌钙蛋白，以避免标签泄漏和循环论证。
**三、 研究结果**
**3.1. ACS与CCS患者血液血浆特征的比较**
单变量统计分析显示，ACS组与CCS组在年龄、性别、体重指数（BMI）、高血压、糖尿病、既往心肌梗死和房颤患病率方面均匹配良好。在红细胞计数、血细胞比容百分比、血红蛋白浓度、谷氨酸草酰乙酸转氨酶（GOT，即天冬氨酸氨基转移酶AST）浓度、肥胖和他汀类药物治疗方面观察到名义上的差异，但经过错误发现率（FDR）校正后，这些差异均未达到统计学显著性。这表明两组患者基线特征匹配良好，后续观察到的脂质组学差异并非源于系统性的临床混杂因素。
**3.2. 分子脂质组学特征在ACS患者中普遍减少**
在3914个脂质组学分子特征中，81个在ACS和CCS组间的平均丰度存在显著差异（FDR q < 0.05）。差异表达最显著的结构类别是磷脂酰胆碱（PC，12种）、溶血磷脂酰胆碱（LPC，9种）和神经酰胺（Cer，6种）。年龄和性别校正的单变量逻辑回归模型显示，有7种脂质对ACS结局具有显著效应量（q < 0.05），其中5种为结构注释分子（Cer 18:2;O2/24:0， PC 14:0-20:4， PC 20:0-18:2， LPE 18:0， LPC 0:0/18:0）。值得注意的是，Cer 18:2;O2/24:0显示出与ACS最强的负相关（q = 0.021， 比值比 = 0.297）。相反，Cer 18:0;O2/22:1和Cer 18:0;O2/18:0则显示出对ACS名义上显著的促进作用（比值比分别为3.072和2.791）。研究人员还计算了神经酰胺比值，发现Cer 18:0;O2/18:0与Cer 18:2;O2/24:0的比值在ACS组中显著升高。此外，靶向的63种miRNA在ACS与CCS之间未表现出显著的差异表达。
**3.3. 差异脂质相关性提示ACS网络围绕中心氧化脂质重组**
在34，191对脂质组学特征中，9对在ACS和CCS组间的相关性强度存在显著差异（FDR q < 0.05），另有2104对达到名义显著性（p < 0.05）。构建相关性重连网络发现，氧化脂质物种，包括PE(P-16:0/14-HDPA-n3)和PI(18:0/12-HETE)，以及羟基脂肪酸13-HODE，在ACS特异性网络中成为连接枢纽。这种模式表明，在急性状态下，脂质网络发生了定性的重组，氧化磷脂物种获得了关系中心性，这是仅通过丰度数据分析无法发现的。脂质集富集分析进一步表明，在ACS中，与膜成分和内质网定位相关的甘油磷脂胆碱类脂质显著富集。
**3.4. 磷脂酰胆碱和神经酰胺训练的模型在ACS分类中优于基于全血细胞计数的临床特征基准**
机器学习分析比较了18个脂质类别特异性特征集、全脂质组特征集以及常规临床和血液学特征集。逻辑回归是最常被选中的模型架构。基准临床特征集的平均交叉验证AUROC和精确率-召回率曲线下面积（AUPRC）分别为0.7955和0.6528。磷脂酰胆碱（PC）训练的模型取得了最高的平均AUROC（0.8336）和AUPRC（0.6625），神经酰胺训练的模型也表现出与临床特征基准相当的性能。净重分类指数（NRI）分析显示，与临床特征基准模型相比，脂质组学特征训练的模型总体上改善了连续风险评分。然而，PC训练的模型虽然改善了ACS事件的风险排名，却恶化了非ACS事件（CCS患者）的风险排名，导致总NRI为负值。这表明高维发现数据应用于小样本分类任务时存在特征，也反映了ACS与CCS之间真实的生物学重叠。特征消融分析（置换特征重要性）显示，在脂质组学训练的冠军模型中，贡献最大的分子多属于PC或LPC类别，而最重要的神经酰胺是先前在逻辑回归分析中与CCS显著负相关的Cer 18:2;O2/24:0。
**四、 讨论与结论**
**讨论部分总结**：本研究为一项初步研究，整合了血小板脂质组学与临床变量，探索了ACS与CCS之间的分子差异。主要发现有：1. 血小板脂质组学揭示了ACS与CCS之间广泛的差异，涉及PC、LPC和神经酰胺。2. 差异相关性分析提示了急性脂质网络重组，氧化磷脂物种成为连接枢纽。3. 在交叉验证的机器学习基准测试中，非靶向血小板脂质组学并未显著优于常规临床特征基准模型，但PC训练的模型在AUROC上有适度提升。
研究人员对结果进行了深入讨论：
* **血小板膜磷脂重塑**：观察到的PC和LPC减少与血小板活化时胞质磷脂酶A2（cPLA
2）活性增强、膜重塑以及多不饱和脂肪酸动员用于类二十烷酸合成相一致，支持了ACS中血小板活化增强的模型。
* **神经酰胺重塑与血小板鞘脂生物学**：神经酰胺信号是本研究的核心新发现。大多数神经酰胺物种在ACS中减少，可能反映了血小板活化期间神经酰胺通过鞘氨醇-1-磷酸（S1P）途径的快速分解代谢。而Cer 18:0;O2/22:1和Cer 18:0;O2/18:0的升高可能反映了内质网中二氢神经酰胺的生物合成增加或不同神经酰胺合酶（CerS）亚型的活性差异。重要的是，这种神经酰胺信号具有血小板特异性，在机制上不同于血浆神经酰胺风险评分（如CERT/CERT2），后者反映系统性脂质代谢。因此，血小板特异性神经酰胺检测板可能提供与现有血浆风险评分互补的急性血栓炎症生物学信息。
* **氧化磷脂网络重组**：氧化磷脂物种作为ACS脂质网络中的连接枢纽出现，表明在急性环境下脂质网络发生了定性重组，这与氧化磷脂在血栓炎症信号传导中的作用一致。
* **机器学习基准测试的意义**：研究结果澄清了转化前景。非靶向多组学发现平台主要用于机制见解和候选物识别，而临床部署通常需要低成本、分析稳健的靶向检测板。因此，本研究中识别的神经酰胺和PC候选物应用于设计靶向的、假设驱动的前瞻性验证。
* **局限性与未来方向**：本研究存在样本量小、采样时间点单一、横断面设计等局限性。血小板miRNA转录组学未发现显著信号。未来研究应优先考虑：在前瞻性独立大队列中验证靶向血小板神经酰胺和磷脂检测板；进行配对的血浆和血小板脂质分析以明确区室特异性动态；开展机制性血小板活化实验以阐明神经酰胺重塑轨迹；以及在稳定型CAD患者中进行纵向采样以评估血小板脂质谱对ACS事件的预测能力。
**结论部分翻译**：总之，这项初步研究利用非靶向血小板脂质组学揭示了ACS与CCS相比，存在生物学上一致且机制上可解释的脂质重塑。研究人员观察到广泛的磷脂酰胆碱和溶血磷脂酰胆碱消耗，这与cPLA
2活性增强和膜重塑相一致。此外，双向的神经酰胺变化暗示了不同的鞘磷脂酶和神经酰胺合酶活性。而且，差异相关性分析显示氧化磷脂物种成为连接枢纽，这种模式仅靠标准差异丰度方法无法单独检测到。神经酰胺信号因其特异性和效应量而值得注意，Cer 18:2;O2/24:0显示出与ACS最强的负相关，而两种二氢神经酰胺物种显示出名义上增强的ACS关联。总之，这提示了急性血栓炎症性神经酰胺重塑，不同于先前基于血浆的风险评分所捕捉的系统性神经酰胺动态。尽管非靶向血小板脂质组学在交叉验证的ACS分类中未能显著优于常规临床和血液学特征的机器学习基准模型，但这一发现澄清了转化前景，并强化了高维发现数据在小样本设置中用于候选物识别的效用。血浆神经酰胺风险评分从非靶向发现到临床稳健靶向检测板的发展轨迹（以CERT/CERT2途径为例），阐明了该队列发现后续的适当步骤。未来的工作应优先在独立队列中前瞻性验证靶向血小板神经酰胺和磷脂检测板，进行配对的血浆-血小板分析以确定区室特异性预测价值，并开展机制性血小板活化实验以阐明本文所识别的神经酰胺重塑轨迹。
