多组学｜转录+代谢联合分析，so easy

生物过程具有复杂性和整体性，单一组学的数据难以系统全面地解析疾病发生发展的复杂机制。转录和代谢联合分析可以同时实现从“因”和“果”两个方向来探究生物学问题，相互间进行验证，从海量的数据中筛选出关键基因、代谢物及代谢通路开展后续深入研究与应用，从而提高文章的水平。

◆  ◆  ◆  ◆  ◆  

A Comprehensive Analysis of Metabolomics and Transcriptomics in Cervical Cancer

宫颈癌的代谢组学和转录组学联合分析

◆  ◆  ◆  ◆  ◆  

根据入组时间将代谢组数据分为训练集和测试集。训练集包括70个CC和80个NOR病例，测试集包括66个CC和69个NOR病例。转录组数据包括28个CC和24个NOR病例。

本研究采用非靶向液相色谱-质谱联用技术进行代谢组学检测。ESI+模式下检测到3495个信号，ESI-模式下检测到3052个信号。ESI+和ESI-模式下所有样品的二维PCA得分图（图1）在本研究中没有显示异常值，紧密聚类的QC样品确保了检测稳定性。

图1

基于LFDR<0.05，VIP>1两个标准，在ESI+模式下鉴定到34个代谢产物，ESI-模式下鉴定到28个代谢产物。CC患者中55种代谢物下调，7种代谢物上调。图2显示了CC和NOR之间62种不同代谢物的HCA热图。在HCA热图中，CC与NOR明显分离。

图2

为了选择合适的宫颈癌诊断代谢物，研究者首先利用皮尔逊相关系数将代谢物聚类为共调节组，共获得5个聚类。然后选择每个聚类中AUC值最大的代谢物作为候选生物标志物，包括胆红素、溶血酶C（17:0）、N-油酰苏氨酸、12-羟基十二酸、四碳六烯酸。计算这些生物标志物组合的AUC值、敏感性（SE）和特异性（SP）来描述其对CC和NOR的诊断准确性（表1）。

表1

对定性到的62个差异代谢物，进行KEGG通路富集分析，共富集到31条通路（图3）。基于P < 0.1，筛选到7条显著富集的通路，包括脂肪酸生物合成、乙醛酸和二羧酸代谢、柠檬酸循环、赖氨酸生物合成、组氨酸代谢、赖氨酸降解和类固醇激素生物合成。这些通路主要涉及碳水化合物代谢（柠檬酸循环、乙醛酸和二羧酸代谢）、脂质代谢（脂肪酸生物合成、类固醇激素生物合成）和氨基酸代谢（赖氨酸生物合成、组氨酸代谢、赖氨酸降解），在肿瘤组织的快速生长和癌细胞的转移中起着重要作用。

图3

研究者进一步分析了P < 0.1的7个通路中的基因。在总共181个基因中，117个基因（64.64%）差异表达（FDR<0.05），其中大多数基因（91，77.78%）具有催化活性（图4a）。进一步分析具有催化活性的基因的分子功能，发现它们主要参与氧化还原酶活性（45，49.45%）、转移酶活性（33，36.26%）和连接酶活性（12，13，19%）（图4b）。

研究者用metscape建立了7个显著富集通路中代谢物和基因的连接网络（图5）。尽管研究中的代谢组学和转录组学数据来自不同的群体和技术平台，但在这些通路的网络中发现许多相同通路的代谢物和基因存在差异。该结果可以进一步提高前面选择的代谢物，基因和通路的可信度。

图5