《Metabolomics》：A machine learning approach to metabolomics identifies putative biomarker candidates and dysregulated pathways for distinguishing gout from asymptomatic hyperuricemia in the Zhuang population
编辑推荐：
引言：痛风通常由高尿酸血症（Hyperuricemia, HUA）发展而来，但驱动这一转变的代谢改变仍知之甚少，限制了对疾病发病机制的理解。目的：识别阶段特异性的推定生物标志物候选物，并表征区分痛风与HUA的失调代谢通路。方法：研究人员利用液相色谱-串联质谱（
引言：痛风通常由高尿酸血症（Hyperuricemia, HUA）发展而来，但驱动这一转变的代谢改变仍知之甚少，限制了对疾病发病机制的理解。目的：识别阶段特异性的推定生物标志物候选物，并表征区分痛风与HUA的失调代谢通路。方法：研究人员利用液相色谱-串联质谱（Liquid Chromatography-Tandem Mass Spectrometry, LC-MS/MS）对壮族队列的基线血浆样本进行了靶向代谢组学检测。分析样本集包括38名HUA患者、47名痛风患者和52名健康对照。在所有参与者以及女性和男性亚组中进行了性别分层差异代谢物分析。使用京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）数据库进行通路富集分析。采用包括Boruta算法和支持向量机（Support Vector Machine, SVM）在内的机器学习方法进行男性参与者的推定生物标志物发现和模型评估。结果：在所有参与者中，24种代谢物达到名义显著性（P< 0.05），但仅尿酸在错误发现率（False Discovery Rate, FDR）校正后仍然显著。在性别分层分析中，女性中无代谢物通过FDR校正，而在男性中，七种代谢物（黄酮 flavone、谷氨酰胺 glutamine、L-2-氨基己二酸 L-2-aminoadipic acid、L-哌啶酸 L-pipecolic acid、N1-甲基-2-吡啶酮-5-甲酰胺 N1-methyl-2-pyridone-5-carboxamide、苯乳酸 phenyllactic acid 和尿酸 uric acid）在健康对照、HUA患者和痛风患者间表现出显著差异（FDR < 0.1）。这些代谢物主要参与氮代谢、精氨酸生物合成、D-氨基酸代谢、烟酸和烟酰胺代谢以及嘌呤代谢。机器学习识别出四种代谢物（N1-甲基-2-吡啶酮-5-甲酰胺、黄酮、谷氨酰胺和苯乳酸）可区分痛风与健康对照，训练集和验证集的曲线下面积（Area Under The Curve, AUC）分别为0.902和0.800。第二个模型（L-哌啶酸、谷氨酰胺、苯乳酸和黄酮）区分痛风与HUA，AUC分别为0.850和1.000。排除肥胖或高甘油三酯血症参与者的敏感性分析证实了两个模型的稳健性能。结论：该研究提示痛风存在性别特异性的代谢改变，并为男性参与者提供了基于机器学习的稳健模型。识别出的代谢物特征似乎将嘌呤代谢扩展至涉及氨基酸和能量代谢通路。这些发现为HUA管理中针对机制的策略提供了基础，外部验证仍然至关重要。
研究背景与问题提出
痛风是一种以尿酸盐晶体沉积引发急性关节炎症为特征的常见代谢性疾病，通常由持续性高尿酸血症发展而来。尽管急性痛风发作的临床诊断相对明确，但其无症状前驱期即无症状高尿酸血症的管理仍面临重大挑战。大多数高尿酸血症患者虽无症状但已处于全身代谢失调状态，且人群患病率持续上升。然而，仅凭血清尿酸水平难以区分无症状高尿酸血症与已进展为临床痛风的患者，这限制了对疾病发病机制的深入理解及早期诊断的准确性。既往研究表明，广西壮族居民的高尿酸血症患病率高于全国平均水平，这种种族易感性与遗传及环境因素的交互作用有关，但在代表性不足的中国少数民族人群如壮族中，尚未有系统的代谢组学研究揭示其独特代谢表型。因此，深入探究区分痛风与高尿酸血症的代谢重编程，对于提高诊断精度、阐明致病机制及开发靶向治疗策略至关重要。
基于此，研究人员依托广西少数民族慢性病前瞻性队列，整合靶向代谢组学与机器学习算法，旨在系统揭示壮族人群中健康对照、无症状高尿酸血症与临床痛风之间的推定生物标志物候选物，描绘疾病阶段的代谢通路改变比较图谱，为痛风的差异化诊断和机制靶向干预提供科学证据。该研究发表于《Metabolomics》。
主要关键技术方法
研究人员采用横断面研究设计，样本来源于广西少数民族慢性病前瞻性队列基线调查，最终纳入137名参与者包括47名痛风患者、38名高尿酸血症患者及52名健康对照，排除糖尿病等混杂疾病及用药史。采用液相色谱-串联质谱进行靶向代谢组学检测，覆盖约200种代谢物。数据分析方面，进行性别分层差异代谢物分析并使用Benjamini-Hochberg法做FDR校正，利用京都基因与基因组百科全书数据库通路富集分析，应用Boruta算法基于随机森林筛选特征，采用支持向量机构建分类模型并以训练集与验证集评估曲线下面积、灵敏度及特异度。
研究结果
3.1 研究参与者的基线特征
三组在人口统计学、社会经济特征、生活方式及多数临床参数上无显著差异。正如预期，血清尿酸、体重指数和甘油三酯在高尿酸血症和痛风组显著升高，且高尿酸血症组血清尿酸高于痛风组，空腹血糖在高尿酸血症组显著高于痛风组。
3.2 代谢组学数据质量评估
液相色谱-串联质谱共检测到189种代谢物特征，73.5%的代谢物在质控样本中的相对标准偏差低于30%，证实分析重现性满足后续差异分析要求。
3.3 健康对照、高尿酸血症和痛风参与者的代谢谱
非监督主成分分析显示三组分离不明显，监督正交偏最小最小二乘判别分析亦显示重叠严重。全人群 univariate 分析经FDR校正后仅尿酸显著；女性中无代谢物通过校正；男性中有7种代谢物显著，包括黄酮、谷氨酰胺、L-2-氨基己二酸、L-哌啶酸、N1-甲基-2-吡啶酮-5-甲酰胺、苯乳酸和尿酸。层次聚类显示男性中三类人群具不同代谢模式，痛风与另两组明显分离。箱线图显示除尿酸在健康对照与高尿酸血症间差异显著外，多种非嘌呤代谢物在痛风组较高尿酸血症组显著升高。通路富集分析表明这7种代谢物显著扰动氮代谢、精氨酸生物合成、D-氨基酸代谢、烟酸和烟酰胺代谢及嘌呤代谢五条通路。
3.4 健康对照、高尿酸血症和痛风患者的Boruta特征选择
为区分痛风与健康对照，Boruta算法从6种差异代谢物中筛选出4种重要分类器即N1-甲基-2-吡啶酮-5-甲酰胺、黄酮、谷氨酰胺和苯乳酸。为区分痛风与高尿酸血症，从5种差异代谢物中筛选出L-哌啶酸、谷氨酰胺、苯乳酸和黄酮作为重要分类器。
3.5 区分高尿酸血症、痛风和健康对照的诊断模型
基于四种代谢物的支持向量机区分痛风与健康对照的训练集AUC为0.902，验证集为0.800；排除肥胖或高甘油三酯血症者后模型依然稳健。基于另四种代谢物的支持向量机区分痛风与高尿酸血症的训练集AUC为0.850，验证集为1.000；敏感性分析同样证实其不受肥胖和高甘油三酯血症干扰，具备独立判别能力。
讨论总结与研究结论翻译
讨论部分指出无症状高尿酸血症与痛风是常伴多种代谢紊乱的疾病连续体，全人群仅尿酸经FDR校正显著，性别分层后男性有7种代谢物显著而女性无，这可能与雌激素影响嘌呤代谢及肾尿酸排泄、男性生活方式及女性样本量小有关。男性中显著的7种代谢物提示超越嘌呤代谢的多面代谢紊乱，其中6种非嘌呤代谢物区分痛风与健康对照，5种在痛风高于高尿酸血症，可能反映痛风特异性病理生理如炎症激活、氧化应激、肠菌群失调、代偿抗炎及NAD+代谢失调等。通路分析显示氮代谢等五条通路显著扰动，氮代谢与谷氨酰胺等相关，精氨酸生物合成关联内皮功能障碍，烟酸代谢反映NAD+依赖代谢应激。两个四代谢物支持向量机模型具高准确度且排除肥胖等后稳健，提示代谢特征反映痛风内在重编程而非共病驱动。作者也承认靶向平台局限、横断面无法因果及样本量限制，需大队列验证及机制实验。
结论翻译
总之，本研究提示壮族男性痛风患者存在性别特异性的血浆代谢扰动，特征为氮代谢、精氨酸生物合成、D-氨基酸代谢、烟酸和烟酰胺代谢及嘌呤代谢的失调。两个四代谢物支持向量机分类器在区分痛风与健康对照及高尿酸血症方面表现出高准确度，且在控制肥胖和血脂异常后性能得以维持。这些发现有助于将痛风理解为一种全身代谢性疾病，并为在高尿酸血症管理中进一步探索机制靶向策略提供了基础。
