北京蛋白質組學機構帶你了解血清整合組學揭示人類糖尿病腎病前景

糖尿病 (DM) 影響全球 4.63 億人，到 2045 年，這一數字可能會增加到 7 億。DM 患病率的增加與許多因素有關，例如人口、社會經濟、環境和遺傳因素。眾多科研人員為建立有效的 DM 管理系統作出了巨大努力。但預防 DM 并發癥的發生，如對腎臟和其他器官的損害，仍是一個問題。南京中醫藥大學附屬醫院江蘇省中醫院單位及其課題組在Molecular Metabolism期刊發表的題為“Serum integrative omics reveals the landscape of human diabetic kidney disease”的研究成果，通過TMT標記定量蛋白組學和非靶代謝組學研究方法，發現了糖尿病腎?。―KD）特征，篩選了蛋白和代謝組合生物標志物，該研究為優化 DKD 管理提供了豐富且開放的數據資源。

標題：Serum integrative omics reveals the landscape of human diabetic kidney disease.

期刊：Molecular Metabolism  (IF =6.448)

時間：2021.10

研究背景

與基因組學相比，蛋白質組學和代謝組學有可能為 DKD 進展提供新的機制見解。蛋白質組學是廣泛分析蛋白質的有效方法，代謝組學可以廣泛識別代謝物。雖然結合這些分析可以增強 DKD 診斷，但這仍未得到檢驗。為此，作者整合了蛋白質組學和代謝組學來識別生物標志物并評估其對 DKD 的診斷價值。

實驗樣本

人血清樣本

蛋白組學：健康對照(HC) (n=30)、2型糖尿病(2-DE)(n=30)、早期糖尿病胃病(DKD-E) (n=30)、晚期糖尿病胃病(DKD-A) (n=30)

代謝組學：健康對照(HC) (n=441)、 2型糖尿病(2-DE) (n=446) 、早期糖尿病腎病(DKD-E) (n=121) 、晚期糖尿病胃病(DKD-A) (n=94)

研究思路

作者應用多組學方法來鑒定 2-DM 和 DKD 患者血液中的生物標志物。首先從發現隊列中隨機選擇每組 30 個血清樣本，并使用蛋白質組學來鑒定 DKD 的蛋白質生物標志物。其次，通過代謝組學測量了整個發現隊列的代謝物，并在內部測試和三個外部測試隊列中驗證了結果。然后，使用發現隊列中通過差異表達分析所確定的蛋白質組與代謝組來測試機器學習模型，這些模型被應用于測試隊列以預測 DKD 狀態。結合蛋白質組學和代謝組學數據進行了綜合分析。強調了用于 DKD 臨床診斷的潛在生物標志物以及參與 DKD 發病和進展的途徑。

研究結果

1蛋白質組學研究 2-DM 患者的 DKD 進展

每組隨機抽取30份血清樣本。然后將一組 10 個血清樣品混合成 1 個上樣樣品，每組 3 個上樣樣品?？偣苍?12 個樣本（4 組）中量化到 1,187 種蛋白質。原數據經過預處理和缺失值過濾后，使用581種蛋白質進行后續分析。通路分析 (IPA) 表明，差異表達的蛋白質參與肝X 受體/類維生素 X 受體(LXR/RXR) 激活、法尼醇 X 受體/類維生素 X 受體 (FXR/RXR) 激活和急性期反應信號傳導。為了測試這些蛋白質是否可以確定 DKD 狀態，通過ELISA驗證了八種重要蛋白質：脂聯素、α2－巨球蛋白 (α2-M)、組織蛋白酶D，CD324、脂肪酸結合蛋白 1 (FABP1)、磷脂轉移蛋白 (PLTP)、性激素結合球蛋白 (SHBG) 和組織劑基質金屬蛋白酶 1 (TIMP-1)。

偏小二乘判別分析（PLS-DA）結果顯示，這8種蛋白可以區分四個分組。再通過機器學習算法，發現α2-M，組織蛋白酶D和CD324可作為潛在的生物標志物組合。但仍無法準確區分2-DM和DKD-E。

2血清中差異表達代謝物的成對比較 

考慮到 DKD 是一種常見的代謝疾病，作者假設血清代謝物譜能更直接和準確地反映 DKD 狀態。為了測試這一點，作者對發現隊列的1102名參與者進行了代謝組學分析，鑒定到 207 種血清代謝物。對差異代謝物進行了非參數Wilcoxon檢驗，并且對排名靠前的上調和下調代謝物分析，鑒定出乳酸、甘油－3－半乳糖苷、內消旋赤蘚糖醇、D-(+)－木糖、甘油酸和 (+-)3－甲基－2－氧代戊酸。作為甘油酯合成代謝物，甘油－3－半乳糖苷水平可以反應甘油酯合成的變化。此外，3－甲基－2－氧代戊酸是一種 2－氧代單羧酸，是楓糖漿尿病的臨床標志物。然后對這些代謝物應用 PLS 回歸分析，發現它們可以有效地分離成對組。對每個比較組種差異代謝物進行通路分析，來確定這些代謝物在2型糖尿病和DKD中的生物學意義。分析表明甘油脂代謝、戊糖和葡萄糖醛酸鹽相互轉化以及半乳糖代謝是受影響大的途徑。

3血清中差異代謝物相關性網絡

為了研究代謝物的改變對DKD不同階段的影響，作者進行了通路和相關性網絡分析。根據差異代謝物在不同組中的中位表達，分為兩類：一類是在HC、2-DM和DKD-E中表達量相對低；另一類是在DKD-A中相對表達量低。使用PLS-DA進一步分析，四個組能很好地被分開。通路分析表示，戊糖和葡萄糖醛酸鹽相互轉化、半乳糖代謝和甘油脂代謝排在前面。網絡分析表明與2-DM和DKD發展相關的關鍵代謝物（如甘油，半乳糖等）在四組中發生了顯著變化。

4通過血清中代謝物的表達成對的預測DKD的機器學習

為了驗證識別的代謝物在預測 DKD 狀態中的值，采用了五種機器學習算法：LDA、SVM、RF、Logi 和偏小二乘判別分析 (PLS-DA)。生成 ROC 曲線顯示HC與2-DM、HC與DKD-E、HC與DKD-A、2-DM與DKD-A、DKD-E與DKD-A的預測精度分別為百分之75、百分之82、百分之93、百分之90和84。除發現隊列外，作者還測量了內部隊列和三個外部測試隊列中的代謝物表達。與蛋白質標志物情況一致，代謝物也無法清楚地區分 2-DM與DKD-E。

作者發現一項研究使用六個臨床參數（谷氨酸脫羧酶 [GAD] 自身抗體、糖尿病發病年齡、HbA1c、BMI 以及胰島素抵抗和胰島素分泌的測量值）將 2-DM 分為 5 個新亞型：嚴重的自身免疫性糖尿病(SAID)、嚴重胰島素缺乏糖尿病 (SIDD)、嚴重胰島素抵抗糖尿病 (SIRD)、輕度肥胖相關糖尿病 (MOD) 和輕度年齡相關糖尿病 (MARD)。為了進一步驗證作者的數據，使用這個新的分類系統對候選人進行了重新分組。發現血清代謝物在五組中顯示出明顯的特征。這些代謝物可以預測2-DM和DKD狀態，特別是早期和晚期狀態。

5蛋白質組學和代謝組學的整合提高了DKD的診斷

作者在通路分析中結合了蛋白質組學和代謝組學數據中的顯著生物標志物并確定了幾種途徑：半乳糖代謝、戊糖和葡萄糖醛酸相互轉化、檸檬酸循環和丙酮酸代謝。然后結合蛋白質和代謝物標志物來預測 DKD 狀態。

五個機器學習模型表明，組合模型提高了 DKD 預測的準確性和穩定性。組合模型提升了 2-DM 和 DKD-E 的更穩健的分離。在蛋白質模型中，百分之48.4的DKD-E患者被錯誤預測為2-DM；然而，組合模型將 2-DM 和 DKD-E 的預測準確率分別提高到 百分之59.6 和 42.6。此外，多組學模型成功實現了對 DKD-A 患者的 百分之81.4 的預測準確率?？偟膩碚f，組合多組學標志物模型是一種強有力的提高DKD診斷的方法。

6甘油－3－半乳糖苷是監測 DKD 發展的生物標志物

血清代謝物在 DKD 發展中的診斷價值尚不清楚。為了解決這個問題，作者系統地分析了每個患者的差異表達代謝物與臨床參數之間的相關性。發現血清中的甘油－3－半乳糖苷與患者的 eGFR ( r  = 0.437) 和血清肌酐 ( r  = 0.42) 相關?；谛碌?2-DM 亞分類系統，甘油－3－半乳糖苷在 SIDD、SIRD 和 MARD 組中也顯著誘導，這進一步表明其在 2-DM 中的臨床早期識別價值。這表明甘油－3－半乳糖苷可能是DKD發展的血清標志物。綜合組學分析表明，如果將蛋白質組和代謝物結合起來，診斷值的穩定性會提高。作者結合其他研究討論了甘油－3－半乳糖苷可能在DKD中的機制。綜合數據表明血清蛋白α2-M/組織蛋白酶D/CD324和甘油－3－半乳糖苷的變化可能是確定DKD發病和進展的有效生物標志物。

總結

1、蛋白組學結果表明，α2－巨球蛋白、組織蛋白酶 D 和 CD324可作為檢測DKD進展的潛在生物標志物。

2、代謝組學結果表明，半乳糖代謝和甘油脂代謝是DKD的主要代謝途徑，此外甘油－3－半乳糖苷可作為預測DKD的獨立標志物。

3、蛋白組學和代謝組學的組合可以提高預測和診斷DKD的準確性和穩定性。