《Frontiers in Genetics》:Metabolic signatures and diagnostic models of ischemic stroke and its hypertensive subtype: a non-targeted metabolomics and machine learning
编辑推荐:
背景:缺血性卒中(IS)是全球死亡和残疾的主要原因之一,但仍缺乏可靠的早期诊断生物标志物。本研究采用非靶向代谢组学和机器学习方法,表征IS的代谢特征并识别诊断生物标志物。方法:采用液相色谱-串联质谱(LC-MS/MS)对100例IS患者(包括50例高血压缺血性
背景:缺血性卒中(IS)是全球死亡和残疾的主要原因之一,但仍缺乏可靠的早期诊断生物标志物。本研究采用非靶向代谢组学和机器学习方法,表征IS的代谢特征并识别诊断生物标志物。方法:采用液相色谱-串联质谱(LC-MS/MS)对100例IS患者(包括50例高血压缺血性卒中(HIS)和50例非高血压缺血性卒中(NHIS))血浆样本进行非靶向代谢组学分析,并整合来自既往已发表研究的30例健康对照(HC)代谢组学数据。使用LASSO、glmBoost和plsRglm三种机器学习算法筛选候选代谢物标志物并构建诊断模型。此外,在独立临床队列中采用靶向代谢组学对核心差异代谢物进行定量验证。结果:在IS与HC之间共鉴定出59个显著差异表达代谢物(DEMs),主要富集于铁死亡、谷胱甘肽代谢和鞘脂信号通路。L-胱氨酸、LPC 18:1和LPC 14:0被选为候选标志物。基于这3种代谢物构建的诊断模型在训练集和验证集中的曲线下面积(AUC)分别为0.901(95% CI: 0.852–0.950)和0.860(95% CI: 0.798–0.879)。靶向代谢组学验证了这3种代谢物的表达趋势,与非靶向结果一致。HIS与NHIS之间共鉴定出50个DEMs,主要涉及氨基酸生物合成、醚脂代谢和甘油磷脂代谢。吲哚代谢物协同上调,且HIS组血清TNF-α水平显著升高(P < 0.05)。HIS与HC之间共鉴定出58个DEMs,主要富集于鞘脂信号通路、铁死亡、谷胱甘肽代谢和核苷酸代谢。基于机器学习筛选的3种代谢物构建的诊断模型在训练集和验证集中的AUC分别为0.883(95% CI: 0.833–0.983)和0.790(95% CI: 0.712–0.816)。结论:本研究系统描绘了IS的代谢重编程特征,构建了IS和HIS卒中具有良好诊断性能的诊断模型,并初步验证了L-胱氨酸、LPC 18:1和LPC 14:0作为候选诊断标志物的可靠性,为IS的早期诊断和精准干预提供了科学依据。
缺血性卒中(Ischemic Stroke, IS)是全球范围内导致死亡和长期残疾的重要原因,尤其好发于中老年人群。目前临床诊断主要依赖计算机断层扫描(CT)和磁共振成像(MRI),但在超早期、微小病灶或医疗资源有限地区存在局限。高血压是卒中最重要的可调控危险因素,约70%–75%的卒中患者合并高血压,且高血压可能进一步加剧代谢紊乱,提示高血压缺血性卒中(HIS)可能需要特定的诊断策略。现有炎症和血栓相关标志物如D-二聚体、脂蛋白(a)和超敏C反应蛋白的敏感性和特异性尚不足以满足临床需求。因此,迫切需要可靠的早期诊断生物标志物。代谢组学能够全面反映疾病相关的代谢扰动,在生物标志物发现中具有独特优势。机器学习方法对高维复杂数据具有强大的建模能力,已成功应用于多种疾病的诊断模型构建。本研究旨在通过非靶向代谢组学结合机器学习,系统表征IS及其高血压亚型的代谢特征,构建诊断模型,并通过靶向代谢组学进行验证,为IS的早期诊断和精准干预提供科学依据。
研究人员开展了一项前瞻性临床研究,招募了100例IS患者(50例HIS和50例非高血压缺血性卒中NHIS),同时整合了30例来自既往已发表研究的健康对照(HC)代谢组学数据。研究采用液相色谱-串联质谱(LC-MS/MS)进行非靶向代谢组学分析,使用LASSO、glmBoost和plsRglm三种机器学习算法筛选候选代谢标志物,构建并内部验证诊断模型;随后在独立临床队列(6例IS和6例HC)中采用靶向代谢组学对核心代谢物进行定量验证。研究人员通过差异代谢物筛选、KEGG通路富集分析、Mfuzz聚类分析、相关性分析及炎症因子检测,系统揭示了IS及其高血压亚型的代谢重编程特征。研究结论表明,L-胱氨酸、LPC 18:1和LPC 14:0作为IS的候选诊断标志物具有良好可靠性;针对HIS的代谢特征构建的诊断模型也表现出良好的区分能力,为IS早期诊断和高血压亚型风险分层提供了新的候选生物标志物。
主要技术创新方法包括:(1)采用LC-MS/MS结合反相色谱和亲水相互作用色谱,在正负离子模式下进行非靶向代谢组学分析,扩大代谢物覆盖范围;(2)使用三种机器学习算法(LASSO、glmBoost、plsRglm)进行变量筛选,取交集得到候选生物标志物,降低高维数据建模的过拟合风险;(3)通过logistic回归构建诊断模型,并用受试者工作特征(ROC)曲线评估模型性能;(4)在独立临床队列中使用靶向LC-MS/MS进行定量验证;(5)使用ComBat方法进行批次效应校正,并采用KNN插补和SERRF归一化处理代谢组学数据。
结果部分:
(1)IS与HC的代谢谱差异及诊断模型构建:主成分分析(PCA)显示IS与HC两组显著分离。共鉴定出59个差异表达代谢物(DEMs),其中34个上调、25个下调;KEGG富集分析显示主要富集于铁死亡、谷胱甘肽代谢和鞘脂信号通路。通过三种机器学习算法交集筛选出L-Cystine、LPC 18:1和LPC 14:0共3个候选标志物。基于这3种代谢物构建的诊断模型在训练集AUC为0.901(95% CI: 0.852–0.950),验证集AUC为0.860(95% CI: 0.798–0.879),显示良好的诊断性能。
(2)HIS与NHIS的代谢特征比较:共鉴定出50个DEMs,其中27个上调、23个下调;差异代谢物主要涉及羧酸及其衍生物、甘油磷脂、吲哚类及其衍生物等。KEGG富集分析显示主要富集于氨基酸生物合成、醚脂代谢和甘油磷脂代谢。Mfuzz聚类分析将差异代谢物分为两簇:簇1在HIS中显著下调(包括多种溶血磷脂酰胆碱和甘油磷酸胆碱),簇2显著上调(包括吲哚硫酸酯、N-乙酰色氨酸和牛磺熊去氧胆酸TUDCA)。相关性分析显示吲哚代谢物之间存在显著正相关,提示其可能协同参与氧化应激和炎症反应。血清TNF-α水平在HIS组显著高于NHIS组(P < 0.05),支持炎症机制的参与。
(3)HIS与HC的代谢组学分析及诊断模型构建:PCA显示HIS与HC明显分离。共鉴定出58个DEMs,其中24个上调、34个下调;KEGG富集分析显示主要富集于鞘脂信号通路、铁死亡、谷胱甘肽代谢和核苷酸代谢。通过两种机器学习算法筛选出3种代谢物作为候选标志物,构建的诊断模型在训练集AUC为0.883(95% CI: 0.833–0.983),验证集AUC为0.790(95% CI: 0.712–0.816),表明对HIS具有中等偏上的诊断区分能力。
(4)关键代谢物的靶向代谢组学验证:在独立验证队列(6例IS和6例HC)中,正交偏最小二乘判别分析(OPLS-DA)显示两组代谢谱明显分离。定量分析结果显示,与HC相比,IS患者中LysoPC(14:0)表达降低,而LysoPC(18:1)和L-Cystine表达升高,与非靶向代谢组学结果一致,进一步验证了这三个代谢物作为IS潜在生物标志物的可靠性。
讨论部分指出,铁死亡-谷胱甘肽代谢轴和鞘脂信号通路在IS发病机制中发挥核心作用。胱氨酸缺乏可通过抑制系统Xc-GSH-GPX4通路直接诱导神经元铁死亡,而LPC 14:0和LPC(18:1)分别与急性IS脂代谢改变及卒中后感觉运动功能障碍相关。在HIS中,高血压可能通过影响甘油磷脂代谢、促进血管内皮功能障碍,并通过抑制系统Xc-/GPX4信号通路诱导血管内皮细胞铁死亡,同时鞘脂信号通路紊乱、谷胱甘肽抗氧化防御受损等途径共同促进卒中发生。吲哚代谢物与TNF-α升高提示色氨酸代谢和炎症激活参与HIS病理过程。研究还存在局限性:诊断模型为探索性且仅进行内部验证;HC数据来源于公共数据库而非同期采集,可能存在批间技术异质性;代谢物差异的具体分子机制需进一步在细胞和动物实验中阐明。
研究结论:本研究通过非靶向代谢组学系统分析了IS患者的血浆代谢特征,构建了卒中及HIS的机器学习诊断模型,揭示了铁死亡、谷胱甘肽代谢、鞘脂信号通路等在IS和HIS中的关键作用,并初步验证了L-Cystine、LPC 18:1和LPC 14:0作为IS候选诊断标志物的可靠性。这些发现为IS的早期诊断和HIS风险分层提供了新的候选生物标志物,为深入理解卒中后代谢重编程的分子机制提供了重要线索,有望为IS的精准诊断和治疗提供科学依据。