《Biomarker Insights》:Short-Term Molecular Assessment of Peripheral Blood Transcriptomics and Urinary Metabolomics After Switching From Cigarettes to Heated Tobacco Products Using Machine Learning and Bayesian Network Modeling
编辑推荐:
背景:组学方法可以为吸烟行为改变后的生物学变化提供机制性见解。然而,关于烟草产品使用改变后短期分子变化的数据有限。
目的:比较继续吸可燃卷烟(CS)、改用加热烟草产品(HTPs;DT3.0a或THS)或戒烟(SS)的参与者在5天内外周血基因表达和尿液代谢物
背景:组学方法可以为吸烟行为改变后的生物学变化提供机制性见解。然而,关于烟草产品使用改变后短期分子变化的数据有限。
目的:比较继续吸可燃卷烟(CS)、改用加热烟草产品(HTPs;DT3.0a或THS)或戒烟(SS)的参与者在5天内外周血基因表达和尿液代谢物的分子变化,并利用机器学习(machine learning, ML)和贝叶斯网络(Bayesian network, BN)探索分子特征之间的概率关系。
设计:研究人员对一项随机、对照、住院、平行分组干预试验中采集的标本进行了二次分析,参与者接受了5天的干预。
方法:在基线(第1天)和干预结束时(第6天)测量外周血转录组(mRNA和miRNA)。在第6天测量尿液代谢组。差异表达筛选采用探索性阈值,未进行多重检验校正。机器学习用于CS与SS特征的选择和分类;贝叶斯网络模型在明确建模假设下表示分子特征与下游事件之间的条件概率依赖关系。
结果:与CS组相比,两个HTP组和SS组在5天干预期间均显示出血液转录组特征和尿液代谢物变化,与氧化应激和炎症信号减少一致。对于所建模的过程,分类模型倾向于将HTP特征轮廓置于更接近SS组而非CS组的位置,而斑块相关输出的结论仍不明确。
结论:在5天内,从吸烟转换为HTPs与外周血基因表达和尿液代谢物的分子变化相关,这些变化部分类似于戒烟时观察到的变化。这些探索性发现不能确定长期生理状态,应在所测量的基质以及研究有限的持续时间和样本量范围内进行解读。需要在外部队列中进一步研究以证实这些发现。
本研究旨在评估吸烟者从传统卷烟转向加热烟草产品(HTPs)后短期内的分子变化。吸烟是慢性阻塞性肺疾病和心血管疾病的主要危险因素,烟草烟雾中含有的有害及潜在有害成分(HPHCs)以及丰富的活性氧会诱导氧化应激和炎症反应,进而导致组织损伤和疾病发生。HTPs通过加热而非燃烧烟草,理论上可降低HPHCs暴露,但暴露降低能否转化为疾病风险下降尚缺乏证据。以往研究多关注暴露生物标志物(BoPH),但BoPH变化难以全面反映整体生理状态。组学技术可以系统揭示分子水平的改变,因此本研究假设结合机器学习和贝叶斯网络的多组学分析能够为HTPs的生物学效应提供更深入的机制见解。
研究人员基于一项随机、对照、住院、平行分组干预试验的储存样本进行了二次分析。参与者为每日吸烟者,随机分至继续吸卷烟(CS)、改用HTPs(DT3.0a或THS)或戒烟(SS)组,每组15人,干预持续5天。在第1天和第6天采集外周血,第6天采集尿液,分别进行转录组(mRNA和miRNA)和代谢组学检测。使用差异表达筛选、通路分析、偏最小二乘判别分析(PLS-DA)以及机器学习(XGBoost)和贝叶斯网络建模对数据进行分析。
主要关键技术方法包括:使用RNA测序(NovaSeq-6000)检测mRNA和miRNA;采用毛细管电泳-飞行时间质谱(CE-TOFMS)检测尿液代谢物,并用液相色谱-质谱分析尿液中花生四烯酸。差异表达筛选采用探索性阈值(|log
2FC|>0.25,名义p<0.05)。通过Ingenuity Pathway Analysis(IPA)进行功能注释和通路分析;运用PLS-DA比较代谢组整体轮廓。机器学习采用eXtreme Gradient Boosting构建CS与SS分类模型,并用SHAP