代謝組學在子癇前期中的應用進展

陳 洪綜述，徐紅兵審校

（重慶醫科大學附屬第一醫院，重慶400016）

代謝組學在子癇前期中的應用進展

陳 洪綜述，徐紅兵審校

（重慶醫科大學附屬第一醫院，重慶400016）

先兆子癇；妊娠并發癥；代謝組學；子癇前期；生物標志物；綜述

代謝組學是繼基因組學、轉錄組學、蛋白質組學之后發展起來的一門組學技術，也是系統生物學的重要組成部分。代謝組學可以高通量識別、測定生物體受刺激和基因修飾后小分子代謝物的變化[1]，從而幫助人們更好地了解疾病的病理機制，診斷、預后和發現疾病的標志物[2-4]，目前代謝組學技術廣泛應用于毒理學研究、藥物研發、疾病診斷和治療等領域[5-6]，成為近幾年的研究熱點之一。本文就代謝組學的概念及其在子癇前期的應用和進展作一綜述。

1 代謝組學的概念

1999年，英國Nicholson等[7]在核磁共振（NMR）基礎上提出了代謝組學的概念，其從代謝物層面探索生命活動，分析基因表達、轉錄、翻譯、蛋白質（酶）修飾后的下游產物，真實反應系統（細胞、組織或器官）的生理狀態或表型，關注對象是相對分子質量小于1×103的小分子代謝物。

2 代謝組學的研究領域和技術

2.1 代謝組學的研究領域 根據研究對象和目的不同，Fiehn[8]將代謝組學分為4個層次∶（1）代謝物靶標分析，定量測定機體受擾動后某一特定代謝物的變化，分析物較局限；（2）代謝物輪廓分析，對某一類特定代謝物測定，如糖類、氨基酸等，分析其特定代謝途徑，是一種半定量的方法；（3）代謝物指紋分析，對所有代謝物進行定性分析，不針對具體某一組分；（4）代謝物組學分析，在特定條件下對生物樣品中所有代謝物進行定性和定量分析。

2.2 代謝組學分析技術 代謝組學分析流程[9-10]包括∶實驗設計、樣品采集和預處理、代謝物分離和檢測、數據分析及模型建立、分析代謝變化機制。代謝組學研究的常見樣品是血清或血漿、尿液，除此之外，羊水、膽汁、唾液、精液、腦脊液和部分組織也可作為研究樣本。代謝組學常用的技術平臺有NMR光譜技術和色譜-質譜聯用技術。一個精密的實驗設計必須有良好的重復性、穩定的樣本回收率和完善的分離分析平臺用于檢測代謝物[11]。常用的NMR有氫離子磁共振（1H-NMR）、碳譜磁共振和磷譜磁共振，其中以1H-NMR應用最為廣泛。應用 NMR技術[12-13]進行代謝組學研究時，其優點是無需樣品進行預處理，實現樣品快速檢測，并且不破壞樣品，可以應用于活體研究；由于NMR光譜復雜，其靈敏度較低。色譜可以對物質定性，而質譜可以定量，因此聯合應用色譜-質譜技術對樣品進行檢測具有高敏感度、高分辨率、高特異性的特點[1，14]，較常用的有氣相色譜-質譜聯用（GC-MS）、液相色譜-質譜聯用（LC-MS）和毛細管電泳-質譜聯用（CE-MS）等[15]。GC-MS分析時，需要對樣品進行衍生化，靈敏度高于NMR，但同時也增加了時間成本。LC-MS檢測時樣品無需衍生化，可以實現多樣本同時檢測，相對NMR費時較多。CE-MS具有高分離能力，需要的樣品量少，檢測快速，但是商業成本較高，保留時間重復性較差。隨著色譜技術的不斷發展，高效液相色譜-質譜聯用和超高效液相色譜-質譜聯用（UPLC-MS）技術得到廣泛應用，大大提高了分離效率、峰容量及靈敏度[16]。對代謝組學技術檢測到的數據進行預處理（除噪、數據標準化、缺失值處理），將質譜圖轉換成數據矩陣，最后運用模式識別方法對數據進行多變量分析，并建立可視化模型[10，17]。無師監督的模式識別方法包括主成分分析、聚類分析等；有師監督的模式識別方法包括判別分析、偏最小二乘法分析、偏最小二乘法判別分析、正交校正的偏最小二乘法分析等[1，17-19]。運用模式識別方法尋找差異性代謝物，通過查閱文獻、數據庫檢索、比對二級質譜、用標準品驗證等手段，對潛在標志物進行定性，從而鑒定出差異性化合物[10，20]。

3 代謝組學與子癇前期

代謝組學是組學研究熱點之一，可以系統地研究體液或組織里代謝物的變化，代謝物的濃度及聯合多種代謝物可以應用于預測疾病的分類和病程發展[21]。子癇前期是一種妊娠期特有疾病，隨著代謝組學技術的不斷發展，越來越多的學者借助代謝組學技術對子癇前期展開研究。

3.1 尋找子癇前期的生物標志物 Kenny等[22]在2005年首次應用氣相色譜-飛行時間質譜聯用技術分析87例子癇前期患者血漿樣本，應用遺傳編程方法處理數據，發現3個代謝峰（峰403、415、427）可以有效地區分子癇前期和健康對照，敏感度和特異度分別為100%和98%，其中峰403、415呈下降趨勢，可能是該病的保護性因子，而峰427呈上升趨勢，可能與疾病的嚴重程度相關。Austdal等[23]運用NMR技術同時對子癇前期患者血清和尿液樣本進行檢測，發現子癇前期患者的代謝圖譜明顯不同于健康妊娠婦女，從子癇前期患者尿液中鑒定出9個生物標志物，健康妊娠婦女與健康未孕婦女比較有15個差異性代謝物；對血清脂質譜進行分析發現子癇前期患者血清低密度脂蛋白、極低密度脂蛋白濃度明顯升高，而高密度脂蛋白濃度明顯降低，與心血管疾病的危險因子一致[24]。該實驗證明可通過代謝組學方法對子癇前期進行分類，同時也揭示了妊娠和子癇前期可能介導的代謝變化。

3.2 子癇前期的診斷及探索其發病機制 目前子癇前期的診斷主要基于血壓和蛋白尿對重要器官的損害，其病因尚不明確，可能發病機制主要有胎盤淺著床、氧化應激、免疫適應不良、炎性反應、血管內皮細胞及血管功能障礙等[22]。Turner等[25]利用1H-NMR對子癇前期患者和健康妊娠婦女血漿進行分析，結果提示芳香族氨基酸（組氨酸、酪氨酸、苯丙氨酸）可以充分區別子癇前期和健康孕婦。Dunn等[26]應用UPLC-MS分析子癇前期患者和健康妊娠孕婦胎盤絨毛培養基的代謝足跡，該實驗取子癇前期患者和健康妊娠婦女分娩后的胎盤絨毛，分別在1%和6%氧濃度下培養，結果發現在相同氧濃度培養下的子癇前期患者和健康妊娠組絨毛代謝足跡不相同，而在常氧濃度（6%）下培養的子癇前期婦女的絨毛和低氧濃度（1%）下健康妊娠婦女的絨毛其代謝足跡相似，主要有三大類代謝物發生顯著變化，分別是谷氨酸/谷氨酰胺、色氨酸、白三烯/前列腺素，證明了胎盤缺氧在子癇前期發病機制中的重要作用。De Oliveira等[27]應用基質輔助激光解吸電離質譜對8例早發型子癇前期血漿脂質代謝指紋進行分析，運用模式識別方法，鑒定出12個脂質類差異性代謝物，結果表明對子癇前期脂質代謝指紋分析有助于該病發病機制的研究。

3.3 應用生物標志物實現子癇前期的早期預測 生物體接受刺激后大量的代謝信息改變出現在臨床癥狀以前，越來越多學者利用代謝組學致力于疾病早期標志物的研究[28]。Kenny等[29]利用UPLC-MS技術實現對子癇前期的早期預測，通過對子癇前期患者早期（15±1）周血漿的研究，應用多元統計學分析篩選出生物標志物，并應用14個生物標志物對另一地區孕婦早期（15±1）周血漿進行子癇前期的預測，其結果顯示預測率可達92%。該實驗為子癇前期提供了一種全新的早期篩查手段。實現對子癇前期的早期預測可為早期臨床干預提供依據，具有重要的臨床意義，吸引了大量學者對子癇前期早期預測的研究。Bahado-Singh等[30-31]先后實現了應用早孕期血漿代謝物對早發型子癇前期、晚發型子癇前期的預測。2012年，該研究小組用NMR技術對子癇前期患者早孕期間的血漿進行代謝物分析，結果找到20種差異性代謝物，應用其中4種代謝產物檸檬酸、甘油、羥基甲基丁酸鈣和蛋氨酸對早發型子癇前期進行預測，其預測率可達75.9%，假陽性率為4.9%，結合早孕期多普勒超聲子宮動脈的搏動指數和胎兒頭臀長，可將預測率提高至82.6%，假陽性率降低至1.6%。2013年，該研究小組以NMR技術通過對30例晚發型子癇前期患者的早孕期血清進行分析，結果找到17種有統計學意義的代謝物，其中14種代謝物濃度升高，3種代謝物濃度降低。應用多種差異性代謝物和孕婦基礎信息對晚發型子癇前期進行預測，靈敏度和特異度分別為76.6%和100.0%。這些研究表明，運用代謝組學技術早期預測子癇前期是可行的，同時結合多種手段可提高對該病的預測率，實現對不同類型子癇前期的早期篩查，具有重要的臨床意義。

4 小結與展望

代謝組學是一種研究生物體低分子代謝物的有效手段，技術平臺和數據處理方法也日趨成熟，許多研究證實了應用代謝組學對子癇前期研究的可行性，為子癇前期提供了分子生物學依據。由于子癇前期的病因和病理機制不明確，應用代謝組學對子癇前期的研究有著廣闊的前景。代謝組學是基因組學、轉錄組學和蛋白質組學的最終方向，能提供全面的代謝信息，結合目前的研究成果來看，代謝組學在對子癇前期的早期診斷和鑒別診斷中起著重要作用，探索子癇前期的發病機制，有重要的研究價值。以代謝組學為基礎聯合多種組學技術，從基因和蛋白質層面挖掘差異性代謝物的代謝途徑，從分子水平闡述其發病機制可能成為子癇前期的研究重點。

[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，Skr?stad 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，Camara 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）

∶陳洪（1988-），女，重慶榮昌人，碩士研究生，主要從事婦產科臨床工作；E-mail∶747226912@qq.com。

∶徐紅兵（E-mail∶xhbyhr2008@sina.com）。