《Science Bulletin》:LEADO: unlocking functional insights from lipidomics data through mining lipid–gene–disease relationships
编辑推荐:
摘要随着生命科学领域文献量的迅速增加,从文本中高效提取和整合关键生物医学信息已成为一个紧迫的挑战。得益于脂质组学的发展,脂质作为调节细胞信号传导和代谢的重要分子,其作用受到了越来越多的关注,这些过程与多种疾病的发病机制密切相关。然而,现有的数据库主要关注基因、蛋白质或小分子代谢物
摘要
随着生命科学领域文献量的迅速增加,从文本中高效提取和整合关键生物医学信息已成为一个紧迫的挑战。得益于脂质组学的发展,脂质作为调节细胞信号传导和代谢的重要分子,其作用受到了越来越多的关注,这些过程与多种疾病的发病机制密切相关。然而,现有的数据库主要关注基因、蛋白质或小分子代谢物的功能,对脂质与疾病关系的覆盖范围有限,因此将脂质组学的应用限制在了相关性分析的框架内。为了解决这一不足,我们开发了基于BERT的文献挖掘知识数据库Lipid Enrichment Analysis of Disease Ontology(LEADO)(
https://lipidall-leado.com/leado/)。我们对手动BERT模型进行了微调,以提取脂质实体並推断脂质-基因-疾病之间的关联,并使用Shiny构建了一个交互式网页平台用于数据可视化和查询。LEADO是一个全面且用户友好的资源,可用于探索脂质-基因-疾病之间的关系,有望推动脂质组学向功能性、因果关系的研究方向发展,从而加速脂质代谢领域的转化科学研究。
引言
脂质是一类在生物体内具有重要作用的多样化生物分子。它们不仅作为细胞膜的主要成分和能量储存形式,还在细胞信号传导、炎症反应以及多种代谢过程中发挥关键作用[1]、[2]、[3]、[4]、[5]。近几十年来,我们对脂质在公共卫生关注的重大疾病发病机制中的生理和病理功能的理解取得了指数级进展,这一进展主要得益于脂质组学的快速发展[6]、[7]。需要注意的是,单个脂质分子的精确生理和病理作用不仅取决于其头部基团的类别,还与其所含脂肪酸链的长度和饱和度有关。不同脂质类别的实证证据都表明了这种在分子层面的功能特异性。例如,通过抑制肠道神经酰胺合成酶6来减少C16:0神经酰胺(Cer)可以预防与代谢功能障碍相关的脂肪性肝病(MASLD)[8];而非羟基化脂肪酸链的极低密度脂蛋白磺酸酯在MASLD的肝免疫调节和纤维化过程中起着重要作用[9]。研究表明,长链(C22–C24)鞘脂通过调节少突胶质细胞分化和膜微区完整性来调控大脑髓鞘形成[10],这与一项针对5888名社区居住成年人的前瞻性研究发现的结果一致,即血浆中较高的C22-鞘髓磷脂水平与较慢的认知衰退速度相关[11]。除了鞘脂脂肪酸链的多样性外,中性脂质(如三酰甘油(TGs)的疾病关联也取决于脂肪酸链的组成。长链多不饱和血清TGs(C54–C60,n[C=C] ≥4)和奇数链TGs(C53, C55)与糖尿病风险呈负相关,而低饱和度的短链TGs则呈正相关[12]。因此,仅基于脂质类别进行广泛的功能注释已不再符合科学标准,尽管这仍是现有数据库中的主流方法。这一技术局限性解释了为什么尽管脂质组学已成为代谢研究的基石,但其从相关性观察向因果关系驱动的机制研究的转变——特别是将个别脂质种类系统地嵌入基因-疾病调控网络——仍然未能充分实现。值得注意的是,目前尚缺乏一个统一的框架来系统地将特定脂质种类与基因和疾病机制联系起来。
目前,研究人员可以使用许多在线数据库来查询与脂质相关的信息,例如Lipid Metabolites and Pathways Strategy(LIPID MAPS)[13]和Human Metabolome Database(HMDB)[14]。LIPID MAPS是一个由国际脂质分类和命名委员会支持的全球性权威脂质组学数据库,旨在提供标准化的脂质分类系统、结构信息和代谢途径数据,服务于代谢组学、系统生物学和临床研究领域[15]。LIPID MAPS采用8层分层分类系统,并提供针对结构分辨率的标准化命名法,以解决脂质异构体之间的歧义,例如总组成PC 32:4和链特异性缩写PC 12:0_20:4。然而,该数据库在疾病关联方面的注释不够全面,主要集中在结构和化学信息上。相比之下,HMDB是一个综合性的公共人类代谢组数据分析库,旨在为研究人员提供与代谢相关的化学、临床和分子生物学数据。HMDB涵盖了超过50,000种脂质,包括化学特性、代谢途径和功能属性的多维注释,以及异构体变体的区分。尽管HMDB包含了一些与疾病相关的脂质注释,但在这一领域尚未实现全面的物种特异性覆盖。
在自然语言处理(NLP)领域,命名实体识别(NER)和关系提取(RE)技术经历了多个发展阶段,包括基于规则的模板、统计模型(如隐马尔可夫模型、条件随机场)以及早期的深度学习模型(如双向长短期记忆-条件随机场)[16]、[17]、[18]。然而,这些方法仍存在局限性,例如依赖于手动特征工程、难以捕捉长范围依赖关系以及处理多义性的能力不足[19]。在识别复合医学实体(如“非酒精性脂肪肝病”(NAFLD)时尤其如此:这些实体的复杂结构往往导致边界模糊和嵌套语义(例如,“非酒精性”修饰“脂肪肝病”),需要依赖全局上下文来解决。2018年末出现的基于Transformer架构的双向编码器表示(BERT)[20]、[21]标志着一个里程碑式的突破。通过预训练和微调机制以及自注意力机制,BERT实现了强大的全局上下文建模能力,推动了NER、RE及相关任务的显著进展[21]、[22]。为了提高领域适用性,研究人员开发了BioBERT——一种在广泛生物医学语料库(PubMed/PMC摘要和全文PMC文章)上预训练的BERT变体[22]。这种针对特定领域的模型在核心生物医学NLP任务(包括NER、RE和问答)中的表现优于通用BERT。现在,NLP在从科学出版物中挖掘实验证据方面的应用已广泛应用于生物医学知识库的开发。例如,研究人员创建了GePI——一个基于NLP的实体和关系提取工具,用于捕捉基因、其功能相关实体(如蛋白质、代谢物)、生物分子相互作用及其相关的细胞事件[23]。Cancer Alterome就是一个基于文献的知识库,记录了肿瘤发生的两个关键方面:(1)影响基本生物过程的失调事件;(2)由体细胞或种系遗传改变驱动的临床相关表型[24]。
利用类似的文献挖掘方法,我们从17,916篇全文文章中提取了100,619个脂质-疾病关联和47,652个脂质-基因关联,并结合了一个集成标准化算法,将不同的脂质命名统一为标准格式,从而实现了稳健的跨研究比较和基于Shiny的直观交互式网络下的全面关联挖掘。LEADO网页平台支持语义搜索,并输出动态可视化结果和可导出的报告,使没有编程背景的用户也能探索脂质-基因-疾病网络。作为向功能推断迈进的一步,LEADO在文献提取的关联上整合了两样本孟德尔随机化(MR),为进一步机制研究提供了有原则的优先级排序方法,促进了从相关性数据向因果关系的转变。
章节片段
材料与方法
为了构建LEADO数据库,我们开发了一个包含四个阶段的文献挖掘流程(图1a):(1)生物医学文献收集和预处理;(2)脂质实体识别及脂质-疾病/脂质-基因关系的提取;(3)标准化脂质命名解析;(4)建立基于Shiny的交互式网页平台,以实现数据探索和搜索功能的优化。
LEADO特性概述
与现有的脂质数据库相比,LEADO是一个全面的知识库和在线分析平台,能够从生物医学文献中大规模自动提取脂质功能关联。它的核心优势在于三个方面:首先,相关的注释详细到分子种类级别,能够区分具有不同脂肪酸链组成的同一类别的脂质分子;其次,它同时涵盖了两种类型的
讨论与结论
我们的工作通过三个主要贡献为脂质组学数据挖掘提供了全面的解决方案:(1)构建了一个基于NLP的功能性脂质知识提取工作流程,其中开发了NER和RE模型来处理脂质的复杂命名规则,特别关注准确捕捉长跨度脂质术语和异构体的语义,从而实现从学术资源(如PMC)中自动提取脂质-基因和脂质-疾病相互作用信息;(2)
利益冲突
Bowen Li、Yingjuan Zhou和Sin Man Lam是LipidALL Technologies的员工。其他作者声明没有利益冲突。
致谢
本研究得到了广州国家实验室(GZNL2024A03013)的重大项目支持。
Lesong Mo参与了概念化、方法论、资源收集、软件开发、可视化以及原始草稿的撰写和审稿编辑工作。Bowen Li参与了软件开发、原始草稿的撰写和审稿编辑工作。Xiaowei Li参与了数据收集以及原始草稿的撰写和审稿编辑工作。Yingjuan Zhou参与了
Lesong Mo|Bowen Li|Xiaowei Li|Yingjuan Zhou|Sin Man Lam|Guanghou Shui