timsTOF Pro进行无症状COVID-19感染者的脂质代谢失调研究

2021-11-04 16:38:01, 4D-组学老虎队布鲁克（北京）科技有限公司-质谱仪器

新冠爆发以来，无症状感染者一直是防疫工作中一个重大的挑战。而无症状感染者的诊断和发病机理更值得进行进一步的探究。

近日，武汉大学高等研究院的陈素明教授团队，使用布鲁克timsTOF Pro对无症状感染者的血清脂质组进行了深入的研究。

本研究在无症状感染者的样本中发现了独特的脂质代谢失调，并使用差异脂质结合他们提出的集成机器学习方法建立模型，为无症状感染者的诊断提供了一种潜在的途径。

图1：实验流程

实验选取了89个无症状感染者和178个健康人的样本，共鉴定到19个亚类，432种脂质。使用机器学习处理质谱数据，发现15个差异性脂质可用于区分无症状感染者和健康人。使用20轮嵌套交叉验证模型进行检测，该方法的准确度高达96%，仅3.6%的假阳性率和4.8%的假阴性率。

图2：机器学习模型建立流程

如果使用全部鉴定到的432个脂质对无症状感染者进行判断在临床操作上是不方便的，因此，他们首先建立随机森林（RF）机器学习模型进行筛选，筛选得到最重要的60个脂质化合物。60个脂质化合物分属12亚类，再随机从每个亚类中top 3的脂质中选取一个进行下一步的嵌套交叉验证，筛选到12个脂质用作区分。为了进一步完善模型，对剩余的其他脂质进行带入考察，最终得到15个特征脂质。为了筛选出最优诊断模型，基于这15种脂质，他们尝试了四种不同的机器学习模型并且都得到了90%以上的准确率和6%以下的假阳性率，但是这四种模型均表现出了较高的假阴性率（>10%）。考虑到无症状感染者被误诊的危险性，他们提出了一种新的投票式集成学习算法，通过投票算法集成随机森林（RF）和支持向量机（SVM），可以在提高模型准确率的同时显著降低假阴性率（4.8%）。

图3：筛选的15种差异脂质箱型图

图3列出了15种脂质的变化情况，LPS18:1，LPA18:1，LPA18:0，LPC22:1以及LPI18:1在无症状感染者体内普遍下降，而DG30:0，DG36:5，PC36:5，PE36:2有显著性升高。

图4：17种亚类124个异常脂质热图

他们发现无症状感染者血清中构成大多数真核膜的甘油磷脂含量升高，包括PC和PE。而无症状患者的溶血磷脂整体下降，包括LPS、LPA、LPC和LPI。而且，甘油磷脂（PLs）合成的前体甘油二酯（DG）含量也明显升高。这些结果表明SARS-CoV-2病毒感染过程中磷脂酶的活性降低，而甘油磷脂的生物合成途径得到了增强，从而支持病毒的进入和复制。此外，在无症状感染者血清中鞘磷脂浓度显著降低，神经酰胺的浓度升高，这种鞘脂稳态的改变方向与此前在有症状感染者血清中观察到的结果正好相反，可能表明在无症状感染过程中存在着一些独特的代谢调节。

图5：无症状感染者与健康对照组血清脂质的差异相关网络分析

本研究还发现无症状感染者的所有脂肪酸（包括多种多不饱和脂肪酸PUFAs）均显著降低。脂肪酸的整体下降可能与膜磷脂合成途径增强有关，这与PC、PE和DG的增加是一致的，无论是由饱和脂肪酸链还是不饱和脂肪酸链组成的。他们进一步采用相关性网络分析来研究脂肪酸的代谢，图中显示了以肉豆蔻酸（FA14:0），花生四烯酸（FA 20:4）为中心的两组差异相关关系图（I,II），以及多组LPAs和FAs之间的差异关系（III）。观察到肉豆蔻酸与其他PUFAs的正相关关系减弱，这可能表明PUFAs向下游脂质介质产物的转化增强，进一步暗示了无症状SARS-CoV-2感染期间诱发的炎症反应。

本研究通过基于质谱的脂质组学方法分析了无症状COVID-19感染者和健康人血清样本中的脂质代谢物，发现了15个特征性的脂质代谢物，结合新的集成机器学习模型，建立了一种潜在的无症状感染者的诊断方法，还对无症状感染者的脂质代谢失调机理进行了进一步的分析。该工作为临床队列研究中脂质代谢失调分析和脂质生物标志物发现提供了一种通用方法，他们也应邀在Cell旗下的《STAR Protocols》上撰写该工作的详细研究方案和流程。

▶ 了解更多timsTOF Pro与疾病研究案例：