分析測試百科網 > 行業資訊 > 微信文章

項目文章｜脂質再發一篇！定量脂質組識別心梗預警和預后新型標志物?

邁維代謝

2022.5.16

2022年4月，汕頭大學附屬粵北人民醫院特聘教授李繼承團隊在Frontiers?in?Cardiovascular?Medicine?上發表題為Plasma?Quantitative?LipidPro?les:?
Identi?cation?of?Carnitine?C18:1-OH,CarnitineC18:2-OH?and?FFA(20:1)as?NovelBiomarkersforPre-warning?and?PrognosisinAcute?Myocardial?
Infarction的文章，從脂質組學角度尋找可以識別心梗預警和預后的新型標志物。該研究第一作者為汕頭大學附屬粵北人民醫院博士生劉俊。邁維代謝協助進行定量脂質組檢測分析服務。

●發表單位：汕頭大學附屬粵北人民醫院

●發表期刊：Frontiers?in?Cardiovascular?Medicine

●影響因子：6.05

●發表時間：2022.04

本研究旨在找尋急性心肌梗死(AMI)早期篩查及預后的潛在血脂生物標志物。本研究通過超高效液相色譜串聯質譜(UPLC-MS/MS)檢測了795個脂質代謝物。與健康對照組(HC)和不穩定型心絞痛(UA)組相比，AMI組特異性表達25種脂質代謝物。然后，應用LASSO和SVM-RFE分析方法得到CarnitineC18:1-OH、CarnitineC18:2-OH和FFA(20:1)3個脂質標志物。三種脂質代謝物在發現集和驗證集均表現出較好的鑒別AMI患者和UA患者的預測能力，其曲線下面積(AUC)為0.9。單因素和多因素logistic回歸分析表明，這三種脂質代謝物可作為診斷AMI的潛在生物標志物。隨后的1年隨訪分析表明，這三種脂質生物標志物在預測AMI患者因心血管事件再次入院方面也有很好的表現。總之，我們使用定量脂質技術來描述AMI患者的脂質代謝特征，并通過機器學習方法識別出了潛在的AMI早期診斷生物標志物。

實驗流程圖：

■?■?■?■?■

圖1

基于UPLC-MS/MS的定量脂質檢測共檢測了795種脂質代謝物。三組共檢測到36個不同的脂類亞類（圖2a-c）。在36個脂類亞類中，最豐富的是TG(151個脂類分子)，其次是磷脂酰膽堿(PC)和磷脂酰乙醇胺醚(PE-O)，分別有68和63個脂類分子（圖2d）。正交偏最小二乘判別分析(OPLS-DA)顯示AMI組與HC、UA組之間存在顯著的脂質代謝差異（圖2e，f）。

■?■?■?■?■

圖2

根據VIP值>1,P< 0.05, FC >1.5或FC< 0.6的指標篩選差異脂質,AMI組與HC組間差異脂質代謝物共212個。在AMI組中，128種脂質代謝物下調，84種脂質代謝物上調（圖3a）。KEGG富集分析表明，這些差異脂質代謝物主要與脂肪細胞的脂質分解、脂肪消化吸收、代謝途徑、甘油磷脂代謝相關（圖3b）。此外，我們還篩選了AMI組和UA組之間的差異脂質代謝物。結果顯示AMI組有55種脂質代謝物上調，3種脂質代謝物下調（圖3c）。KEGG分析顯示，這些差異代謝物主要富集于產熱、代謝途徑和甘油脂代謝(圖3D)。此外，Venn圖顯示了兩組(AMIvs. HC和AMI vs.UA)差異脂質代謝物的重疊，發現有25種差異脂質代謝物在AMI組特異表達(圖4a)。KEGG通路分析表明，這25種特異性差異脂質代謝物主要富集于產熱、代謝途徑、甘油脂質代謝和脂肪添加生物合成(圖4B、C)。共表達聚類分析顯示，這25個差異脂質分子主要是酰基肉堿(CAR)、游離脂肪酸(FFA)、己基神經酰胺(HexCer)、PC、PE-O和TG(圖4D)。此外，CAR和FFA之間有很強的相關性，PC和TG之間也有很強的相關性。

■?■?■?■?■

圖3

■?■?■?■?■

圖4

使用LASSO回歸分析篩選能夠區分AMI患者和UA患者的脂質生物標志物。然后鑒定出AMI組中具有獨特表達的10個脂質生物標志物(圖5a)。采用SVM-RFE算法選擇最優特征，鑒定出4種脂質代謝物為AMI的候選生物標志物(圖5b)。為了過濾出相對穩健的biomarkers，我們將兩種算法取交集，得到了三個脂質biomarkers，分別是FFA(20:1)、CarnitineC18:2-OH和CarnitineC18:1-OH(圖5c)。ROC曲線分析結果顯示，FFA(20:1)、CarnitineC18:2-OH、CarnitineC18:1-OH具有較好的鑒別AMI患者和UA患者的診斷性能，這三種脂質生物標志物的AUC分別為0.89、0.904、0.909(圖5e)。此外，應用logistic回歸構建了一個基于發現的三種脂質生物標志物的診斷模型。診斷模型能夠很好地區分AMI患者和UA患者，AUC為0.938(圖5f)。然后，通過ROC分析確定這三種脂質生物標志物在區分HC受試者和AMI患者中的表現。結果顯示FFA(20:1)和CarnitineC18:1-OH對區分HC組與AMI組有較好的作用，AUC分別為0.836和0.938(圖6a)。我們結合這三種脂質生物標志物通過logistic回歸構建了一個診斷模型，該模型在區分AMI患者和HC受試者方面表現出良好的效果，AUC為0.966(圖6b)。在驗證集中，三種脂質代謝產物和診斷模型在區分AMI患者和UA患者方面也有較好的表現，AUC在0.8以上(圖6c，d)。我們將發現集和驗證集集成為一個完整的集。ROC分析顯示，三種脂質生物標志物在全組中對AMI患者和UA患者具有良好的診斷能力，AUC> 0.85(圖6e)。FFA(20:1)、CarnitineC18:2-OH和CarnitineC18:1-OH組合的診斷模型在全組表現良好，AUC為0.912(圖6f)。這些結果表明，這三種不同的脂質代謝物在鑒別AMI患者與UA患者和HC受試者方面具有良好的前景，并可能作為AMI的潛在風險生物標志物。

■?■?■?■?■

圖5

■?■?■?■?■

圖6

CK-MB是目前臨床診斷AMI最常用的指標，TC、TG、HDL-C、LDL-C也是臨床常見的與AMI相關的參數。本研究評估AMI患者早期血清CK-MB、TC、TG、LDL-C和HDL-C水平。隨后，我們進行了共表達網絡分析，以評估這三種脂質生物標志物與臨床指標的關系。結果表明，三種脂質生物標志物之間具有較強的相關性，而與常見臨床指標的相關性相對較弱(圖5D)。采用單因素和多因素logistic回歸分析，檢測臨床指標、脂質生物標志物與AMI風險的關系。單因素logistic回歸分析發現發現CK-MB和3個脂質生物標志物是AMI的危險因素(表1)。多因素logistic回歸分析發現這3個脂質生物標志物是AMI的獨立危險因素(表1)。進行單因素和多因素logistic回歸分析也表明這三種脂質標志物是AMI的獨立危險因素(表2)。我們分別分析了這三種脂質標志物在發現集和驗證集的表達情況。結果顯示，在心肌梗死患者中，這三個biomarkers在發現集(圖7A)和驗證集(圖7B)均顯著上調。我們進一步隨訪60例AMI患者1年，其中14例患者因心血管疾病再次入院。隨后進行ROC分析，評估這三種脂質生物標志物預測AMI出院患者二次入院的有效性。這三種脂質生物標志物在二次入院時表現出較強的預測能力，尤其是FFA(20:1)，其AUC為0.662(圖7C)。值得注意的是，基于這三種脂質生物標志物的診斷模型也顯示出良好的預測精度，AUC為0.685(圖7D)。

表1

表2

■?■?■?■?■

圖7

本研究對AHC、UA、AMI三組樣本做了定量脂質組檢測，共檢測到795個脂質代謝物。AMI組特異性表達25種脂質代謝物。應用機器學習方法得到CarnitineC18:1-OH、CarnitineC18:2-OH和FFA(20:1)3個脂質標志物，這三種脂質代謝物可作為診斷AMI的潛在生物標志物。隨后的1年隨訪分析表明，這三種脂質生物標志物在預測AMI患者因心血管事件再次入院方面也有很好的表現。