《iScience》：AI-assisted metabolomic profiling identifies candidate metabolites associated with diabetic kidney disease staging in a Korean cohort
编辑推荐：
糖尿病肾脏疾病（Diabetic kidney disease，DKD）通常依据白蛋白肌酐比（Albumin-to-creatinine ratio，ACR）和估算肾小球滤过率（estimated glomerular filtration rate，eGFR
糖尿病肾脏疾病（Diabetic kidney disease，DKD）通常依据白蛋白肌酐比（Albumin-to-creatinine ratio，ACR）和估算肾小球滤过率（estimated glomerular filtration rate，eGFR）进行分期，但仍需要互补的分子标志物。研究人员利用气相色谱串联质谱（gas chromatography-tandem mass spectrometry，GC-MS/MS）和液相色谱串联质谱（liquid chromatography-tandem mass spectrometry，LC-MS/MS）对92名韩国受试者（72名2型糖尿病类型和20名健康对照）的尿液与血清代谢物进行谱学分析。一种探索性受限玻尔兹曼机框架比较了五种DKD分期标准并优先排序候选代谢物；采用嵌套交叉验证对照最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）、线性支持向量机（support vector machine，SVM）和随机森林评估稳健性。基于ACR的分期表现出最高的代谢组学区分度。尿腺苷和5′-甲基thio腺苷随较高ACR分期下降，而血清N2,N2-二甲基鸟苷和顺式乌头酸随较高ACR分期上升。与公共肾小管微阵列数据集整合分析将NT5E指认为跨研究网络枢纽。这些横断面发现定义了与DKD严重程度相关的候选代谢物特征，在临床转化前需外部纵向验证。
研究背景：糖尿病肾脏疾病（Diabetic kidney disease，DKD）是终末期肾病（end-stage renal disease，ESRD）的首要病因，韩国因糖尿病导致的治疗性ESRD发病率年均增幅最高。当前DKD依据白蛋白肌酐比（Albumin-to-creatinine ratio，ACR）与估算肾小球滤过率（estimated glomerular filtration rate，eGFR）按KDIGO（Kidney Disease: Improving Global Outcomes）慢性肾脏病（chronic kidney disease，CKD）热图分类进行诊断与分期，但ACR和eGFR在捕捉早期病理改变和个体间风险异质性方面存在局限。组学导向的代谢组学可提供与DKD严重程度相关的互补分子特征。在中小队列中，机器学习应作为模式发现与候选物优先排序的探索性工具，而非可部署诊断或预后模型。因此，亟需识别可补充ACR与eGFR的标志物，并利用计算方法刻画与DKD相关的代谢模式。该研究发表于《iScience》。
主要关键技术方法：研究人员纳入韩国三家医院受试者，健康对照（HCs）20名来自韩国基因组与流行病学研究（Korean Genome and Epidemiology Study，KoGES），2型糖尿病（type 2 diabetes mellitus，T2DM）患者经分层抽样最终72名进入代谢组学分析。样本经气相色谱串联质谱（GC-MS/MS）分析有机酸与脂肪酸，液相色谱串联质谱（LC-MS/MS）分析氨基酸、犬尿氨酸通路代谢物与核苷。建模采用受限玻尔兹曼机（restricted Boltzmann machine，RBM）框架比较五种DKD分期标准，并以LASSO、线性支持向量机（SVM）、随机森林作基准，用嵌套交叉验证（外层5折、内层3折）减少乐观偏倚与信息泄漏；可解释人工智能使用积分梯度（Integrated Gradients）筛选特征。通路分析用MetaboAnalyst，网络构建先用MetaboAnalyst做代谢物基因网络，再借STRING库与Cytoscape整合公共肾 tubule 转录组数据集GSE30529。
研究结果：
基线临床特征：T2DM组较HCs的BMI、收缩压、HbA1c、空腹血糖更高，eGFR更低，尿ACR更高，降压与调脂药使用更多；这些系统差异及用药共病可能混淆代谢物水平，早阶段比较须谨慎。
基于人工智能的DKD分期标准代谢组学评价：在五种标准中，仅按ACR分期（S1＜30、S2 30–300、S3≥300 mg/g）的尿与血清模型中位性能最高。RBM与LASSO、线性SVM、随机森林在嵌套交叉验证下性能相当；RBM被保留为结合可解释人工智能的表示学习方法。按ACR分期的S1、S2、S3中，积分梯度选出尿与血清前20代谢物。尿中4-羟基苯基丙酮酸（4-hydroxyphenylpyruvic acid，4-HPPA）在S3属性一致性最高，谷氨酸、5′-甲基thio腺苷（5′-methylthioadenosine，5′-MTA）、腺苷也重要；血清中吲哚乙酸信号最强，N2,N2-二甲基鸟苷（N2,N2-dimethylguanosine，M22G）与顺式乌头酸（cis-aconitic acid）等关联S3。最终得到9个尿关键代谢物与13个血清关键代谢物。
候选代谢物标志物在DKD各期的差异水平：层次聚类显示尿腺苷与5′-MTA在大量白蛋白尿（S3）低于微量/正常白蛋白尿；血清M22G与顺式乌头酸在S3升高。通路分析中，尿最显著为酪氨酸代谢，其次半胱氨酸与甲硫氨酸代谢；血清最显著为三羧酸循环（tricarboxylic acid cycle，TCA），其次丙氨酸、天冬氨酸与谷氨酸代谢。
基于ACR分期的代谢物特征选择及其临床相关性：单因素方差分析显示尿腺苷与5′-MTA随进展显著下降（p＜0.0001），血清M22G与顺式乌头酸显著上升（p＜0.0001）。尿腺苷与eGFR正相关、与HbA1c负相关；血清标志呈反向。S1中高腺苷亚组T2DM比例更低（15.4%对65.4%，χ2 p＜0.01），说明S1存在糖尿病状态驱动的代谢异质性和。性别分层中男性各标志均显著，女性尿标志显著而血清未达显著，因女性S2/S3样本少。
代谢物候选与公共转录组数据整合：用GSE30529肾 tubule 数据建代谢物基因与蛋白蛋白互作网络。尿网络差异基因含NT5E、NGF、MTAP、IL4I1等；血清网络含NT5E、ALB、TAT、CYP1B1等。整合网络里DKD中多数节点下调，NT5E（CD73）成为连接尿与血清子网的中心枢纽；尿基因绕NGF，血清基因绕ALB。
讨论总结：研究人员指出ACR分期在该队列中与代谢组学区分最一致；尿腺苷与5′-MTA下降、血清M22G与顺式乌头酸上升为与ACR分期相关的候选代谢标志。尿腺苷下降而公共数据肾组织NT5E（CD73，生成细胞外腺苷的酶）表达上升，可能反映阶段特异性适应：早期近端小管CD73上调具肾保护，晚期持续腺苷信号经A2B受体促炎促纤体；尿腺苷降低或是限制嘌呤能过度激活的保护性反调节。5′-MTA经MTAP入甲硫氨酸挽救通路，其尿排泄减少或与腺苷、腺嘌呤构成DKD致病代谢轴，腺嘌呤积累可激活mTOR促间质纤维化。血清M22G升高提示早期小管核苷处理障碍，顺式乌头酸血升尿降体现生物液间区室特异性改变。多组学网络重申NT5E为核心枢纽，NGF相关神经炎症与ALB相关转运也获假设生成性提示。局限为横断面、HCs来自不同协议队列、女性高阶期样本小、代谢物覆盖有限。
结论翻译：综上，该整合分析突出了与基于ACR的DKD分期相关的嘌呤类代谢通路，并确定一组值得进一步验证的候选代谢物。
研究人员结论原文浓缩：Integrative analysis highlights purine-related metabolic pathways associated with ACR-based DKD staging and identifies a set of candidate metabolites that warrant further validation（整合分析突出与基于ACR的DKD分期相关的嘌呤类代谢通路，并确定一组值得进一步验证的候选代谢物）。
