浙江大学建立基于尿液多肽组和代谢组的糖尿病肾病诊断平台

2023-12-21 11:00:21, 莲莲看 北京青莲百奥生物科技有限公司


糖尿病肾病(DKD)是糖尿病最常见的微血管并发症,已成为慢性肾脏疾病和终末期肾脏疾病的主要病因。然而,如何预防糖尿病相关并发症的发生,如对肾脏和其他器官的损害,仍然是一项挑战。基于临床信息的DKD误诊率高达49.2%,迫切需要更敏感和更特异的生物标志物来预测早期肾脏损伤并评估DKD的进展。与基因组学相比,多肽组学和代谢组学为阐明生物通路的中间产物和最终产物提供了一个新的途径。近年来陆续开展很多基于多肽组学或代谢组学的早期DKD诊断潜在生物标志物挖掘的研究。

2023年5月,浙江大学化学系分析化学研究所邬建敏教授团队在国际著名期刊《Theranostics》(IF =11.6)发表题为“Integration of metabolomics and peptidomics reveals distinct molecular landscape of human diabetic kidney disease”的研究成果。该研究整合了代谢组学和多肽组学数据,建立了一个尿液多组学平台,提高了早期 DKD诊断和状态判别的准确性。

研究思路

检测52例健康(HC)、149例2型糖尿病(T2DM)、106例早期DKD、55例显性DKD和39例尿微量白蛋白浓度异常的灰区T2DM患者的代谢组和多肽图谱;

基于多组学数据,筛选候选生物标志物;

使用机器学习算法构建DKD的逐步诊断模型;

外部队列验证该模型可以作为早期DKD筛查和DKD状态分类的有效方法。

多组学平台技术路线

研究结果

一、DKD和正常对照的代谢组学和多肽图谱

在所有样本中检测到了约227个代谢物和206个肽。有10种代谢物和6种肽在所有DKD组间都发生了显著变化,可能与DKD的发生密切相关。相较于DKD组,T2DM组的大多数代谢物都出现了下调,参与氨基酸代谢途径的代谢物的紊乱可能介导与胰岛素抵抗和胰岛β细胞功能障碍相关糖尿病的发生和发展。与HC相比,大多数肽在患者体内上调,这可能与肾小球滤过率降低有关。

图1:T2DM、DKD 患者和健康对照组尿样的多组学图谱

二、多组学揭示不同疾病阶段的失调生物学通路

通过将不同疾病阶段的失调生物通路特征输入开源平台以及文献挖掘,根据尿肽在肾组织中的表达情况定位了这些改变的尿多肽归属蛋白(图2A)。肾小管蛋白(如UMOD)的排泄差异表明,肾小管是早期损伤的重要部位。VDAC2和ALB等归属蛋白定位于肾小球和近端肾小管,这可能反映了肾小球通透性和近端肾小管重吸收功能受损。参与DKD发生的大部分过程在两个DKD阶段之间也存在差异,包括伤口愈合调控、代谢过程、对有机物质的反应和基因表达调控(图2D)。

图2:不同疾病阶段的失调生物通路

三、基于多组学筛选候选生物标志物

该研究结合代谢组学和多肽组学的结果进行了综合通路分析,构建了异质性分子网络来评估代谢物-肽相互作用的变化,反映了不同群体的分子代偿机制。在早期DKD组中,肽_1938.08_UMOD与天冬氨酸呈负相关,而在T2DM和显性 DKD组中,这种负相关消失。这是疾病特异性调控机制的结果。同时,在尿液代谢组学和多肽组学中观察到的代谢途径和生物过程紊乱在转录组学中也得到了验证。基于此绘制了一个通路图,展示了候选生物标志物和相关基因在糖尿病患者肾损伤过程中的变化(图3B)。

图3:T2DM组、早期DKD组和显性DKD组差异代谢物与多肽的显著相关性

四、机器学习构建基于多组学的预测模型

该模块系统分析了差异表达与临床参数之间的相关性(图4A),发现62个潜在的生物标志物中有20个与患者的EGFR和UACR相关。随后使用了七种机器学习算法构建预测模型,包括SVM,DT,NB,Logi,LDA,KNN和LASSO回归模型。其中LASSO回归模型表现出了较好性能,最终采用该方法挖掘可预测的生物标志物候选。结果表明,与单一组学模型相比,多组学模型显著提高了早期DKD诊断的平均准确率,从70.5%提高到79.0%(图4B)。此外,多组学模型在临床DKD诊断中也观察到了更好的诊断结果,平均准确率为92.6%(图4B)。

图4:机器学习算法的两两预测

五、糖尿病肾病的逐步诊断模型

基于改变的代谢物和多肽建立了一个三步诊断模型(图5A,B)。第一层预测模型是由22个候选预测标志物组成的生物标志物小组,用于区分健康对照组和T2DM或糖尿病肾病患者(图5C,D)。随后,将诊断为疾病的样本输入第二层模型进行准确诊断,将DKD(灰区、早期DKD和显性DKD)与T2DM对照组区分开来(图5F)。最后,将DKD患者输入三层套索回归模型进行状态分类。验证对HC、T2DM、灰区、早期DKD和显性DKD的分类准确率分别为82.4%、80.0%、76.9%、85.7%和66.7%(图5J)。

图5:DKD诊断的三步预测模型

六、外部队列验证模型的诊断和分类能力

为了验证所建立模型的可靠性,对另一个独立队列进行了检验,该队列包括69名HC、49名T2DM、69名早期DKD、70名显性DKD和8名灰区受试者。通过逐步诊断模型,90.31%的被诊断个体被正确识别,94.81%的DKD患者被成功识别(图6B,D)。区分疾病与HC、T2 DM与DKD、早期DKD与其他疾病的ROC曲线的AUC值显示出良好的诊断性能(图6F)。图6J显示了每个步骤预测的模拟实时诊断过程,每个样本平均只需0.2秒。总而言之,多组学模型可以作为早期DKD筛查和DKD状态分类的一种有效方法。

图6:逐步预测模型的诊断性能

研究结论

该研究构建高通量多组学平台,将尿肽组学与代谢组学相结合,以增强对DKD的诊断,特别是对早期DKD的诊断;采用机器学习算法构建的整合组学模型显著提高了T2DM和各阶段DKD的诊断结果;发现4个代谢物相关候选基因包括ACY1、OPLAH、SDS和TYR,有望成为潜在的药物靶点。基于以上结果,该研究为未来个性化DKD治疗提供新的选择。

【参考文献】

1.Jiang, Xinrong et al. “Integration of metabolomics and peptidomics reveals distinct molecular landscape of human diabetic kidney disease.” Theranostics vol. 13,10 3188-3203. 21 May. 2023, doi:10.7150/thno.80435

关注青莲百奥


  • 客服电话: 400-6699-117 转 1000
  • 京ICP备07018254号
  • 电信与信息服务业务经营许可证:京ICP证110310号
  • 京公网安备1101085018
  • 客服电话: 400-6699-117 转 1000
  • 京ICP备07018254号
  • 电信与信息服务业务经营许可证:京ICP证110310号
  • 京公网安备1101085018

Copyright ©2007-2024 ANTPEDIA, All Rights Reserved