陈 洪综述,徐红兵审校
(重庆医科大学附属第一医院,重庆400016)
代谢组学在子痫前期中的应用进展
陈 洪综述,徐红兵审校
(重庆医科大学附属第一医院,重庆400016)
先兆子痫;妊娠并发症;代谢组学;子痫前期;生物标志物;综述
代谢组学是继基因组学、转录组学、蛋白质组学之后发展起来的一门组学技术,也是系统生物学的重要组成部分。代谢组学可以高通量识别、测定生物体受刺激和基因修饰后小分子代谢物的变化[1],从而帮助人们更好地了解疾病的病理机制,诊断、预后和发现疾病的标志物[2-4],目前代谢组学技术广泛应用于毒理学研究、药物研发、疾病诊断和治疗等领域[5-6],成为近几年的研究热点之一。本文就代谢组学的概念及其在子痫前期的应用和进展作一综述。
1999年,英国Nicholson等[7]在核磁共振(NMR)基础上提出了代谢组学的概念,其从代谢物层面探索生命活动,分析基因表达、转录、翻译、蛋白质(酶)修饰后的下游产物,真实反应系统(细胞、组织或器官)的生理状态或表型,关注对象是相对分子质量小于1×103的小分子代谢物。
2.1 代谢组学的研究领域 根据研究对象和目的不同,Fiehn[8]将代谢组学分为4个层次∶(1)代谢物靶标分析,定量测定机体受扰动后某一特定代谢物的变化,分析物较局限;(2)代谢物轮廓分析,对某一类特定代谢物测定,如糖类、氨基酸等,分析其特定代谢途径,是一种半定量的方法;(3)代谢物指纹分析,对所有代谢物进行定性分析,不针对具体某一组分;(4)代谢物组学分析,在特定条件下对生物样品中所有代谢物进行定性和定量分析。
2.2 代谢组学分析技术 代谢组学分析流程[9-10]包括∶实验设计、样品采集和预处理、代谢物分离和检测、数据分析及模型建立、分析代谢变化机制。代谢组学研究的常见样品是血清或血浆、尿液,除此之外,羊水、胆汁、唾液、精液、脑脊液和部分组织也可作为研究样本。代谢组学常用的技术平台有NMR光谱技术和色谱-质谱联用技术。一个精密的实验设计必须有良好的重复性、稳定的样本回收率和完善的分离分析平台用于检测代谢物[11]。常用的NMR有氢离子磁共振(1H-NMR)、碳谱磁共振和磷谱磁共振,其中以1H-NMR应用最为广泛。应用 NMR技术[12-13]进行代谢组学研究时,其优点是无需样品进行预处理,实现样品快速检测,并且不破坏样品,可以应用于活体研究;由于NMR光谱复杂,其灵敏度较低。色谱可以对物质定性,而质谱可以定量,因此联合应用色谱-质谱技术对样品进行检测具有高敏感度、高分辨率、高特异性的特点[1,14],较常用的有气相色谱-质谱联用(GC-MS)、液相色谱-质谱联用(LC-MS)和毛细管电泳-质谱联用(CE-MS)等[15]。GC-MS分析时,需要对样品进行衍生化,灵敏度高于NMR,但同时也增加了时间成本。LC-MS检测时样品无需衍生化,可以实现多样本同时检测,相对NMR费时较多。CE-MS具有高分离能力,需要的样品量少,检测快速,但是商业成本较高,保留时间重复性较差。随着色谱技术的不断发展,高效液相色谱-质谱联用和超高效液相色谱-质谱联用(UPLC-MS)技术得到广泛应用,大大提高了分离效率、峰容量及灵敏度[16]。对代谢组学技术检测到的数据进行预处理(除噪、数据标准化、缺失值处理),将质谱图转换成数据矩阵,最后运用模式识别方法对数据进行多变量分析,并建立可视化模型[10,17]。无师监督的模式识别方法包括主成分分析、聚类分析等;有师监督的模式识别方法包括判别分析、偏最小二乘法分析、偏最小二乘法判别分析、正交校正的偏最小二乘法分析等[1,17-19]。运用模式识别方法寻找差异性代谢物,通过查阅文献、数据库检索、比对二级质谱、用标准品验证等手段,对潜在标志物进行定性,从而鉴定出差异性化合物[10,20]。
代谢组学是组学研究热点之一,可以系统地研究体液或组织里代谢物的变化,代谢物的浓度及联合多种代谢物可以应用于预测疾病的分类和病程发展[21]。子痫前期是一种妊娠期特有疾病,随着代谢组学技术的不断发展,越来越多的学者借助代谢组学技术对子痫前期展开研究。
3.1 寻找子痫前期的生物标志物 Kenny等[22]在2005年首次应用气相色谱-飞行时间质谱联用技术分析87例子痫前期患者血浆样本,应用遗传编程方法处理数据,发现3个代谢峰(峰403、415、427)可以有效地区分子痫前期和健康对照,敏感度和特异度分别为100%和98%,其中峰403、415呈下降趋势,可能是该病的保护性因子,而峰427呈上升趋势,可能与疾病的严重程度相关。Austdal等[23]运用NMR技术同时对子痫前期患者血清和尿液样本进行检测,发现子痫前期患者的代谢图谱明显不同于健康妊娠妇女,从子痫前期患者尿液中鉴定出9个生物标志物,健康妊娠妇女与健康未孕妇女比较有15个差异性代谢物;对血清脂质谱进行分析发现子痫前期患者血清低密度脂蛋白、极低密度脂蛋白浓度明显升高,而高密度脂蛋白浓度明显降低,与心血管疾病的危险因子一致[24]。该实验证明可通过代谢组学方法对子痫前期进行分类,同时也揭示了妊娠和子痫前期可能介导的代谢变化。
3.2 子痫前期的诊断及探索其发病机制 目前子痫前期的诊断主要基于血压和蛋白尿对重要器官的损害,其病因尚不明确,可能发病机制主要有胎盘浅着床、氧化应激、免疫适应不良、炎性反应、血管内皮细胞及血管功能障碍等[22]。Turner等[25]利用1H-NMR对子痫前期患者和健康妊娠妇女血浆进行分析,结果提示芳香族氨基酸(组氨酸、酪氨酸、苯丙氨酸)可以充分区别子痫前期和健康孕妇。Dunn等[26]应用UPLC-MS分析子痫前期患者和健康妊娠孕妇胎盘绒毛培养基的代谢足迹,该实验取子痫前期患者和健康妊娠妇女分娩后的胎盘绒毛,分别在1%和6%氧浓度下培养,结果发现在相同氧浓度培养下的子痫前期患者和健康妊娠组绒毛代谢足迹不相同,而在常氧浓度(6%)下培养的子痫前期妇女的绒毛和低氧浓度(1%)下健康妊娠妇女的绒毛其代谢足迹相似,主要有三大类代谢物发生显著变化,分别是谷氨酸/谷氨酰胺、色氨酸、白三烯/前列腺素,证明了胎盘缺氧在子痫前期发病机制中的重要作用。De Oliveira等[27]应用基质辅助激光解吸电离质谱对8例早发型子痫前期血浆脂质代谢指纹进行分析,运用模式识别方法,鉴定出12个脂质类差异性代谢物,结果表明对子痫前期脂质代谢指纹分析有助于该病发病机制的研究。
3.3 应用生物标志物实现子痫前期的早期预测 生物体接受刺激后大量的代谢信息改变出现在临床症状以前,越来越多学者利用代谢组学致力于疾病早期标志物的研究[28]。Kenny等[29]利用UPLC-MS技术实现对子痫前期的早期预测,通过对子痫前期患者早期(15±1)周血浆的研究,应用多元统计学分析筛选出生物标志物,并应用14个生物标志物对另一地区孕妇早期(15±1)周血浆进行子痫前期的预测,其结果显示预测率可达92%。该实验为子痫前期提供了一种全新的早期筛查手段。实现对子痫前期的早期预测可为早期临床干预提供依据,具有重要的临床意义,吸引了大量学者对子痫前期早期预测的研究。Bahado-Singh等[30-31]先后实现了应用早孕期血浆代谢物对早发型子痫前期、晚发型子痫前期的预测。2012年,该研究小组用NMR技术对子痫前期患者早孕期间的血浆进行代谢物分析,结果找到20种差异性代谢物,应用其中4种代谢产物柠檬酸、甘油、羟基甲基丁酸钙和蛋氨酸对早发型子痫前期进行预测,其预测率可达75.9%,假阳性率为4.9%,结合早孕期多普勒超声子宫动脉的搏动指数和胎儿头臀长,可将预测率提高至82.6%,假阳性率降低至1.6%。2013年,该研究小组以NMR技术通过对30例晚发型子痫前期患者的早孕期血清进行分析,结果找到17种有统计学意义的代谢物,其中14种代谢物浓度升高,3种代谢物浓度降低。应用多种差异性代谢物和孕妇基础信息对晚发型子痫前期进行预测,灵敏度和特异度分别为76.6%和100.0%。这些研究表明,运用代谢组学技术早期预测子痫前期是可行的,同时结合多种手段可提高对该病的预测率,实现对不同类型子痫前期的早期筛查,具有重要的临床意义。
代谢组学是一种研究生物体低分子代谢物的有效手段,技术平台和数据处理方法也日趋成熟,许多研究证实了应用代谢组学对子痫前期研究的可行性,为子痫前期提供了分子生物学依据。由于子痫前期的病因和病理机制不明确,应用代谢组学对子痫前期的研究有着广阔的前景。代谢组学是基因组学、转录组学和蛋白质组学的最终方向,能提供全面的代谢信息,结合目前的研究成果来看,代谢组学在对子痫前期的早期诊断和鉴别诊断中起着重要作用,探索子痫前期的发病机制,有重要的研究价值。以代谢组学为基础联合多种组学技术,从基因和蛋白质层面挖掘差异性代谢物的代谢途径,从分子水平阐述其发病机制可能成为子痫前期的研究重点。
[1]Goodacre R,Vaidyanathan S,Dunn WB,et al.Metabolomics by numbers∶acquiring and understanding global metabolite data[J].Trends Biotechnol,2004,22(5)∶245-252.
[2]Lawton KA,Brown MV,Alexander D,et al.Plasma metabolomic biomarker panel to distinguish patients with amyotrophic lateral sclerosis from disease mimics[J].Amyotroph Lateral Scler Frontotemporal Degener,2014,15(5/6)∶362-370.
[3]Langley RJ,Tsalik EL,van Velkinburgh JC,et al.An integrated clinicometabolomic model improves prediction of death in sepsis[J].Sci Transl Med,2013,5(195)∶195ra95.
[4]Lu Y,Wang C,Chen Z,et al.Serum metabolomics for the diagnosis and classification of myasthenia gravis[J].Metabolomics,2012,8(4)∶704-713.
[5]Martin FP,Dumas ME,Wang Y,et al.A top-down systems biology view of microbiome-mammalian metabolic interactions in a mouse model[J].Mol Syst Bio,2007,3∶112.
[6]GowdaGA,DjukovicD.Overviewofmassspectrometry-basedmetabolomics∶opportunities and challenges[J].Methods Mol Biol,2014,1198∶3-12.
[7]Nicholson JK,Lindon JC,Holmes E.′Metabonomics′∶understanding the metabolic responses of living systems to pathophysiological stimuli via multivariate statistical analysis of biological NMR spectroscopic data[J]. Xenobiotica,1999,29(11)∶1181-1189.
[8]Fiehn O.Metabolomics-the link between genotypes and phenotypes[J]. Plant Mol Siol,2002,48(1/2)∶155-171.
[9]Mamas M,Dunn WB,Neyses L,et al.The role of metabolites and metabolomics in clinically applicable biomarkers of disease[J].Arch Toxicol,2011,85(1)∶5-17.
[10]Patti GJ,Yanes O,Siuzdak G.Innovation∶Metabolomics∶the apogee of the omics trilogy[J].Nat Rev Mol Cell Biol,2012,13(4)∶263-269.
[11]Zelena E,Dunn WB,Broadhurst D,et al.Development of a robust and repeatable UPLC-MS method for the long-term metabolomic study of human serum[J].Anal Chem,2009,81(4)∶1357-1364.
[12]Bothwell JH,Griffin JL.An introduction to biological nuclear magnetic resonance spectroscopy[J].Biol Rev Camb Philos Soc,2011,86(2)∶493-510.
[13]Smolinska A,Blanchet L,Buydens LM,et al.NMR and pattern recognition methods in metabolomics∶from data acquisition to biomarker discovery∶a review[J].Anal Chim Acta,2012,750∶82-97.
[14]Kamleh MA,Dow JA,Watson DG.Applications of mass spectrometry in metabolomic studies of animal model and invertebrate systems[J].Brief Funct Genomic Proteomic,2009,8(1)∶28-48.
[15]Fanos V,Atzori L,Makarenko K,et al.Metabolomics application in maternal-fetal medicine[J].Biomed Res Int,2013,2013∶720514.
[16]Gika HG,Theodoridis GA,Plumb RS,et al.Current practice of liquid chromatography-mass spectrometry in metabolomics and metabonomics[J].J Pharm Biomed Anal,2014,87∶12-25.
[17]Goodacre R,Broadhurst D,Smilde AK,et al.Proposed minimum reporting standards for data analysis in metabolomics[J].Metabolomics,2007,3(3)∶231-241.
[18]Okada T,Afendi FM,Altaf-Ul-Amin M,et al.Metabolomics of medicinal plants∶the importance of multivariate analysis of analytical chemistry data[J]. Curr Comput Aided Drug Des,2010,6(3)∶179-196.
[19]Sawada Y,Akiyama K,Sakata A,et al.Widely targeted metabolomics based on large-scale MS/MS data for elucidating metabolite accumulation patterns in plants[J].Plant Cell Physiol,2009,50(1)∶37-47.
[20]Dunn WB,Erban A,Weber RJM,et al.Mass appeal∶metabolite identification in mass spectrometry-focused untargeted metabolomics[J].Metabolomics,2013,9(1)∶44-66.
[21]Lin L,Yu Q,Yan X,et al.Direct infusion mass spectrometry or liquid chromatography mass spectrometry for human metabonomics?A serum metabonomic study of kidney cancer[J].Analyst,2010,135(11)∶2970-2978.
[22]Kenny LC,Dunn WB,Ellis DI,et al.Novel biomarkers for pre-eclampsia detected using metabolomics and machine learning[J].Metabolomics,2005,1(3)∶227-234.
[23]Austdal M,Skråstad RB,Gundersen AS,et al.Metabolomic biomarkers in serum and urine in women with preeclampsia[J].PloS One,2014,9(3)∶e91923.
[24]Demirci O,Tugrul AS,Dolgun N,et al.Serum lipids level assessed in early pregnancy and risk of pre-eclampsia[J].J Obstet Gynaecol Res,2011,37(10)∶1427-1432.
[25]Turner E,Brewster JA,Simpson NA,et al.Aromatic amino acid biomarkers of preeclampsia-a nuclear magnetic resonance investigation[J].Hypertens Pregnancy,2008,27(3)∶225-235.
[26]Dunn WB,Brown M,Worton SA,et al.Changes in the metabolic footprint of placental explant-conditioned culture medium identifies metabolic disturbances related to hypoxia and pre-eclampsia[J].Placenta,2009,30(11)∶974-980.
[27]De Oliveira L,Câmara NO,Bonetti T,et al.Lipid fingerprinting in women with early-onset preeclampsia∶a first look[J].Clin Biochem,2012,45(10/11)∶852-855.
[28]Meads CA,Cnossen JS,Meher S,et al.Methods of prediction and prevention of pre-eclampsia∶systematic reviews of accuracy and effectiveness literature with economic modelling[J].Health Technol Assess,2008,12(6)∶iii-iv.
[29]Kenny LC,Broadhurst DI,Dunn W,et al.Robust early pregnancy prediction of later preeclampsia using metabolomic biomarkers[J].Hypertension,2010,56(4)∶741-749.
[30]Bahado-Singh RO,Akolekar R,Mandal R,et al.Metabolomics and firsttrimester prediction of early-onset preeclampsia[J].J Matern Fetal Neonatal Med,2012,25(10)∶1840-1847.
[31]Bahado-Singh RO,Akolekar R,Mandal R,et al.First-trimester metabolomic detection of late-onset preeclampsia[J].Am J Obstet Gynecol,2013,208(1)∶58.
10.3969/j.issn.1009-5519.2015.13.019
:A
:1009-5519(2015)13-1978-04
∶2015-03-14)
∶陈洪(1988-),女,重庆荣昌人,硕士研究生,主要从事妇产科临床工作;E-mail∶747226912@qq.com。
∶徐红兵(E-mail∶xhbyhr2008@sina.com)。