《Environments》:The Environmental Contribution to Health and Disease: Analytical Tools for Monitoring and Diagnosis
编辑推荐:
终身环境暴露在塑造人类健康方面发挥着重要作用,并导致多种慢性疾病(包括神经退行性疾病和癌症)的发生和进展。这些效应源于环境污染物、饮食、生活方式、职业、遗传背景以及其他生物和社会经济因素之间的复杂相互作用。尽管组学技术(omics)的最新进展已显著提高了研究人
终身环境暴露在塑造人类健康方面发挥着重要作用,并导致多种慢性疾病(包括神经退行性疾病和癌症)的发生和进展。这些效应源于环境污染物、饮食、生活方式、职业、遗传背景以及其他生物和社会经济因素之间的复杂相互作用。尽管组学技术(omics)的最新进展已显著提高了研究人员对这些相互作用分子机制的理解,但大多数研究仍采用还原论方法,未能捕捉环境-健康-疾病连续体的复杂性。研究人员基于现有文献提出了一种综合概念框架,用于通过多层次和多维策略研究终身环境暴露。定义了四个互补层次:(i) 使用离子组学(ionomics)、金属组学(metallomics)、蛋白质组学(proteomics)、代谢组学(metabolomics)、转录组学(transcriptomics)、基因组学(genomics)和整合多组学(multi-omics)表征的分子改变;(ii) 通过成像技术和影像组学(radiomics)评估的组织和器官改变;(iii) 通过流行病学方法(流行病组学,epidemiomics)研究的人群水平变异性;以及(iv) 使用人工智能(artificial intelligence)整合和解释异质数据集。讨论了这些方法的代表性应用,以说明其在识别生物标志物、阐明疾病机制和改进暴露评估方面的潜力。特别关注分子、影像和流行病学数据的整合,以建立环境暴露与健康结局之间更稳健的因果关系。所提出的框架强调了多学科合作和先进计算工具的必要性,以应对暴露组学(exposome)研究的复杂性。最终,这种整合方法可能支持早期疾病检测、个性化预防策略,以及制定基于证据的环境、职业和公共卫生政策,以减轻环境相关疾病的负担。
3. Levels and Dimensions in the Study of Human Lifelong Exposure
该节介绍了环境暴露研究的多层次和多维度概念框架。定义了四个层次(Levels):分子水平(L1)、影像水平(L2)、流行病学水平(L3)和全局水平(L4),每个层次对应不同的测量维度(Dimensions),如离子组学(ionomics)、金属组学(metallomics)、蛋白质组学(proteomics)等用于L1;影像组学(radiomics)用于L2;流行病组学(epidemiomics)用于L3;人工智能(artificial intelligence)用于L4。该框架称为Global-omics,整合了暴露组学、分子流行病学、多组学、影像组学等,但并非新学科,而是组织性架构。3.1. Level 1—Ionic/Molecular Level
该子节详述了L1的多个维度:离子组学(ionomics)研究元素总浓度;金属组学(metallomics)研究化学形态和金属-生物分子结合;蛋白质组学(proteomics)表征蛋白质组;代谢组学(metabolomics)分析代谢物;转录组学(transcriptomics)研究转录本;多组学(multi-omics)整合分子数据。3.2. Level 2—Image Level
该子节定义了L2影像维度,即影像组学(radiomics),通过定量分析医学图像(如MRI、PET、超声等)评估组织器官改变。3.3. Level 3—Epidemiological Level
该子节定义了L3流行病学维度,即流行病组学(epidemiomics),通过纵向队列研究评估环境暴露对疾病发生和进展的影响。3.4. Level 4—Global Appraisal
该子节定义了L4全局评估维度,即人工智能(artificial intelligence),用于整合和分析来自L1-L3的多维数据。3.5. Scope of the Proposed New Framework
该子节阐明Global-omics并非新学科,而是整合现有方法域(如暴露组学、分子流行病学、多组学、影像组学等)的统一多级架构,专门用于研究环境-健康-疾病连续体。4. Level 1 (L1): Dimensional Approaches4.1. L1-Ionomics—Total Presence of Elements
离子组学(ionomics)通过电感耦合等离子体质谱(ICP-MS)同时定量生物样本中多种元素的总浓度,用于研究微量元素稳态与疾病(如2型糖尿病、阿尔茨海默病、癌症)的关联。多变量统计方法用于识别元素间的相关性,但需注意横断面研究不能推断因果关系。4.2. L1-Metallomics—Speciation and Metallomics4.2.1. Chemical Entities of Elements and Biomolecules
化学形态(speciation)概念涵盖元素形态、代谢物、蛋白质、miRNA、剪接异构体等,如Alzheimer病中miRNA的形态变化、蛋白质的替代剪接(alternative splicing, AS)以及甲硫氨酸氧化(MetSO)形态,均反映生物过程与疾病的相关性。4.2.2. Metal/Oids Speciation and Metallomics: How to Measure Them
传统化学形态聚焦于有机金属化合物(如甲基汞),而生物系统涉及金属与内源性配体的配位。金属组学(metallomics)通过高效液相色谱-电感耦合等离子体质谱(HPLC-ICP-MS)等技术分析金属形态,案例包括砷在阿尔茨海默病小鼠模型中的形态分析、汞在双壳类中的甲基汞检测、铁在认知障碍中的形态分析,以及镉和硒的金属组学研究。4.3. L1-Proteomics Dimension—Proteomics, Metalloproteomics and Protein Deposits in Health and Disease4.3.1. Proteomics
蛋白质组学(proteomics)通过液相色谱-串联质谱(LC-MS/MS)等技术,研究蛋白质与疾病的关系,如阿尔茨海默病中血液Aβ、p-tau等生物标志物;肺癌中差异表达蛋白(如SELENBP1、S100A6);乳腺癌中蛋白质组学用于诊断和预后。4.3.2. Metalloproteins in Health and Disease—Several Cases and Examples
金属蛋白(如金属硫蛋白MT、铜蓝蛋白、铁蛋白、转铁蛋白、硒蛋白P)在疾病中发挥关键作用。金属硫蛋白参与重金属解毒,铜蓝蛋白和铁蛋白与神经退行性疾病和癌症相关,硒蛋白P是硒状态指标。4.3.3. Protein Deposits Study and Characterization
阿尔茨海默病中的淀粉样斑块(Aβ)和神经原纤维缠结(tau)是主要病理特征。整合组织染色、激光显微切割和质谱技术可表征其分子组成,金属离子(如Zn
2+、Cu
2+)与Aβ的相互作用影响聚集和毒性。4.4. L1-Metabolomics/Lipidomics Dimension
代谢组学(metabolomics)和脂质组学(lipidomics)研究小分子代谢物,反映生化状态。案例包括阿尔茨海默病中磷脂和鞘脂代谢改变、肺癌中血清、尿液和支气管肺泡灌洗液(BALF)的代谢标志物,以及代谢组与暴露组(exposome)的关联。4.5. L1-Genomics—Transcriptomics Dimension
基因组学(genomics)和转录组学(transcriptomics)研究遗传变异和基因表达,如阿尔茨海默病中APOE4等位基因、多基因风险评分(PRS),以及环境暴露(如内分泌干扰物EDCs)通过表观遗传机制影响疾病。肺癌和乳腺癌的基因组学揭示了突变和基因-环境相互作用。4.6. L1-Multi-Omics
多组学(multi-omics)整合多个分子层(基因组、转录组、蛋白组、代谢组等),借助人工智能(AI)处理高维数据。关键步骤包括数据融合、降维(如变分自编码器VAE)、特征选择(如SLIDE框架)、数据增强(如GANs)和可解释性(如SHAP)。案例展示了AI驱动的多组学在精准肿瘤学中的应用。5. Level 2 Image: Macro-Spatial Level5.1. L2-Imaging Dimension-Radiomics
影像组学(radiomics)从医学图像(CT、MRI、PET等)中提取定量特征,工作流程包括数据集定义、质量评估、图像预处理、分割、特征提取、特征选择和AI模型构建。分子影像组学(如
18F-FDG PET)结合空间分布揭示肿瘤生物学。案例包括非小细胞肺癌(NSCLC)CT影像组学生存预测(DeepSurv模型)和乳腺癌对比增强乳腺摄影(CEM)与DCE-MRI影像组学用于良恶性鉴别、分级和HER2状态预测。5.2. Radiogenomics
影像基因组学(radiogenomics)整合影像表型与基因组特征,实现非侵入性肿瘤生物学表征。通过全病灶评估减少采样偏差,用于预后分层和治疗反应预测。案例包括NSCLC的CT影像组学与深度学习和Cox模型结合,以及乳腺癌多模态影像组学。6. Level 3: Epidemiological Level6.1. L3-People Dimension Lifelong Epidemiomics
流行病组学(epidemiomics)通过纵向队列研究评估环境暴露对疾病的影响。案例包括阿尔茨海默病队列(如阿姆斯特丹痴呆队列、中国纵向健康长寿调查)研究血浆生物标志物与认知衰退;肺癌队列(如上海队列关于多环芳烃暴露)和乳腺癌队列(如内分泌干扰物和酒精消费)揭示风险因素。7. Level 4: Global Appraisal
全局评估(Level 4)整合L1-L3的多维数据,通过人工智能(AI)实现环境-健康-疾病关系的综合分析,支持疾病早期检测、个性化预防和政策制定。8. Level 4: Current Challenges for Integrative AI-Based Analyses
当前挑战包括:(1) 标准化、协调和可重复性,涉及成像和组学数据的平台差异;(2) AI性能与可解释性,需要可解释AI(XAI)增加临床信任;(3) 从统计关联到生物学机制,需连接影像表型与分子通路;(4) 多模态数据的时间同步,需考虑成像与分子分析的时间不一致性。9. Conclusions and Future Directions
总结环境暴露通过多层次多维框架研究的重要性,强调多学科合作(化学家、生物学家、物理学家、流行病学家、临床医生、AI专家等)和将知识转化为环境、职业和公共卫生政策,以减轻环境相关疾病负担。