2022年9月，柏林夏裡特醫學院等單位的相關研究人員在《Nature Medicine》（IF： 87。2）上發表了題為“Metabolomic profiles predict individual multidisease outcomes”的研究論文，表明代謝組學圖譜可用於多疾病分析，並預測許多常見疾病的風險。

亮點概述：

代謝組學圖譜可告知超出常規臨床預測因素的多種常見疾病的風險。

代謝組學狀態的模型校準和附加預測價值可轉化為潛在的臨床效用。

鑑定了包括2型糖尿病、全因痴呆在內的多種疾病的特異性代謝物圖譜。

研究背景

風險分層是疾病預防的核心。雖然膽固醇等血液代謝物是心血管疾病風險的既定臨床預測因子，但更多的代謝物與常見疾病表型有關。近年來，研究已經將代謝組學特徵與衰老、疾病發作和死亡率聯絡起來，將人類血液代謝組學視為生理狀態的直接反映。

最近的工作表明瞭跨疾病的廣泛代謝基礎，這表明了共同的病因。而代謝組學特徵中包含的這種系統資訊在常見疾病的風險預測中還沒有得到充分考慮。

研究人員開發、訓練和驗證了一個深度殘差多工神經網路，以同時學習24 種疾病的特定疾病代謝組學狀態，包括常見的代謝、血管、呼吸、肌肉骨骼和神經系統疾病和癌症。包含在24維向量中的標量代謝狀態來自於168個迴圈代謝標記物，這些標記物在英國生物銀行人群佇列中約12萬名個體中測量。研究人員透過將其整合到Cox比例風險（CPH）模型中，對所學代謝組狀態進行了廣泛的研究，為各個終點的風險建模，並與臨床預測因子相結合。此外，研究人員從外部驗證了四個獨立佇列的代謝組狀態，並調查了它們的臨床效用。

研究概況

預防的一個關鍵組成部分是識別具有高發病風險的個體，通常處於早期亞臨床階段。為了探究代謝組學狀態是否告知疾病風險，研究人員評估了與觀察期間事件發生率的聯絡。發現疾病特異性代謝組學狀態對除乳腺癌以外的所有研究終點的風險軌跡進行了分層，最顯著的是2型糖尿病（T2D）、腎病和心力衰竭。

此外，該代謝組學資訊可與臨床預測因子相結合，CPH疾病風險模型分析顯示，對於15個終點的10年結果預測，無論有無確定的代謝貢獻，年齡和性別以及代謝組學狀態的組合等於或優於已確定的預測因子。

代謝組學狀態的預測值取決於終點

雖然區分很關鍵，但任何風險模型的臨床效用都取決於校準和選擇適當的干預閾值。英國生物銀行作為世界上最大和最全面的人群佇列之一，使研究人員能夠在廣泛的臨床合理干預閾值上高精度地估計臨床效用。此外，研究人員還計算了決策曲線以評估將代謝組學資訊新增到預測模型的益處。代謝組學狀態為包括T2D、痴呆和心力衰竭在內的八種常見疾病的綜合臨床變數添加了預測資訊。決策曲線分析表明，預測改進具有轉化為廣泛潛在決策閾值的臨床效用。

代謝組學狀態的模型校準和附加預測值轉化為潛在的臨床效用

為了瞭解24種研究疾病背景下的個體代謝物，研究人員調查了全域性代謝物屬性，發現大多數高影響的代謝物與多種疾病有關： 血漿中具有持續高貢獻水平的代謝物包括谷氨醯胺，甘氨酸和酪氨酸，與碳水化合物代謝相關的代謝物、白蛋白、腎功能標誌物肌酐、糖蛋白乙醯化 （GlycA ） 、丙酮和乙醯乙酸。此外還涉及脂肪酸（FA）如亞油酸（LA）和多種脂蛋白成分。對於代謝組學狀態具有高鑑別價值的疾病，預測的代謝物貢獻顯著高於鑑別代謝組學資訊很少的疾病。

最後，研究人員聚焦於 T2D和全因痴呆。發現與碳水化合物代謝相關的代謝物，如葡萄糖和乳酸，在該模型中主導了 T2D 的預測代謝組學狀態。而對於全因痴呆，肌酐、白蛋白和氨基酸谷氨醯胺、亮氨酸和酪氨酸是預測風險的主要因素。

代謝組學狀態分析提供與疾病風險相關的代謝物譜

總之，該研究工作證明了代謝組學圖譜作為一種多疾病分析的潛力和侷限性，可同時告知許多常見疾病的風險。