《Journal of Diabetes and its Complications》:Lipidomic profiles and their relationship to incident diabetic retinopathy in type 2 diabetes: The Fremantle Diabetes Study Phase II
编辑推荐:
研究人员旨在探讨社区2型糖尿病(T2D)患者血浆脂质组学特征与新发或进展性糖尿病视网膜病变(DR)的关系。研究对象来自Fremantle糖尿病研究II期(FDS2)纵向队列,对基线血浆样本进行了靶向脂质组学分析,涵盖20个脂质亚类。通过4至6年随访的连续视网膜
研究人员旨在探讨社区2型糖尿病(T2D)患者血浆脂质组学特征与新发或进展性糖尿病视网膜病变(DR)的关系。研究对象来自Fremantle糖尿病研究II期(FDS2)纵向队列,对基线血浆样本进行了靶向脂质组学分析,涵盖20个脂质亚类。通过4至6年随访的连续视网膜影像评估新发或恶化DR及偶发DR。研究发现,在新发或恶化DR模型中,ln(胆固醇酯20:4)呈负相关(OR=0.39),ln(二高-γ-亚麻酸)(OR=1.83)和ln(溶血磷脂酰甘油18:1)(OR=3.37)呈正相关;在偶发DR模型中,ln(二高-γ-亚麻酸)(OR=4.40)和ln(溶血磷脂酰甘油18:0)(OR=7.15)呈正相关,ln(磷脂酰胆碱18:0/20:3)呈负相关(OR=0.26)。将上述脂质标志物加入传统危险因素模型后,似然比检验显著改善,校准更佳,并显著提高了偶发DR中度风险人群的净重分类改善(NRI=28.3%)。结论认为,血浆脂质标志物可能有助于DR的风险预测并提供病理机制见解,但研究属探索性,需在其他纵向队列中验证。
糖尿病视网膜病变(DR)是2型糖尿病(T2D)常见的微血管并发症,也是成人致盲的主要原因。早期诊断和及时治疗依赖于严格控制血糖、血压和血脂,然而这些传统可改变危险因素虽有预后价值,却难以可靠识别将来发生或加重DR的个体。常规视网膜成像联合机器学习虽可有效早期筛查,但在许多国家资源不足,因此需要一种易于实施的基线检测方法,以准确识别高危人群。脂质组学(lipidomics)能够全面分析生物体液中的脂质种类,为发现糖尿病微血管并发症的生物标志物及探讨其发病机制提供了有力工具。目前有关脂质组学与DR关系的研究多为横断面,预测性纵向研究仅有一项人群研究和两项孟德尔随机化研究,且结果受环境因素影响而不一致,故需在不同人群中进一步验证。
研究人员基于Fremantle糖尿病研究II期(FDS2)——一项澳大利亚社区纵向观察性队列——对762例T2D患者基线血浆样本进行靶向脂质组学分析,覆盖20个脂质亚类,并通过连续视网膜影像随访4至6年,评估新发或恶化DR以及偶发DR。结果发现,五种脂质部分与DR结局独立相关,加入传统危险因素模型后可改善风险预测,并可能提供病理生理机制的新见解。该研究的结论是,血浆脂质标志物有助于DR风险分层,但其增量价值有限,需在独立队列中验证。
技术方法方面,研究对象来自FDS2,该队列于2008至2011年从澳大利亚弗里曼特尔港周边城区招募1551例T2D患者,本研究纳入其中762例有基线血脂及DR随访资料者。采用液相色谱-质谱联用(LC-MS)靶向脂质组学,以稳定同位素标记内标进行定量,检测20个脂质亚类。数据分析采用多因素logistic回归(反向条件变量选择),先建立基于传统危险因素的最简约模型(Model 1),再将经Mann-Whitney U检验P<0.05的脂质指标加入为Model 2。模型比较使用似然比检验(LRT)、Hosmer-Lemeshow拟合优度检验、受试者工作特征曲线下面积(AUROC)及净重分类改善(NRI)。通过Benjamini-Hochberg错误发现率控制多重检验,但探索性分析中维持常规显著性水平。
结果部分,(1)参与者特征:762例参与者中,252例(33.1%)基线已有DR,其中38例(15.1%)为中重度非增殖期或更差;510例基线无DR者中,35例在随访期间发生偶发DR(占7.1%)。与未纳入者相比,纳入者更年轻且糖尿病病程更短。(2)脂质标志物的独立关联:多因素logistic回归显示,在任意新发或恶化DR模型中,传统独立危险因素包括较高的收缩压、糖化血红蛋白(HbA1c)和尿白蛋白肌酐比(uACR)以及更强化降糖治疗。当加入单变量分析中P<0.05的脂质后,ln(胆固醇酯20:4)呈负相关(OR=0.39,P<0.001),ln(二高-γ-亚麻酸)呈正相关(OR=1.83,P=0.029),ln(溶血磷脂酰甘油18:1)呈正相关(OR=3.37,P=0.002),且似然比检验高度显著(P=0.000021)。在偶发DR模型中,仅较高HbA1c是传统独立因素;加入脂质后,ln(二高-γ-亚麻酸)(OR=4.40,P=0.002)、ln(溶血磷脂酰甘油18:0)(OR=7.15,P<0.001)为正相关,ln(磷脂酰胆碱18:0/20:3)为负相关(OR=0.26,P=0.017),LRT P=0.000012。(3)模型预测性能:对于新发或恶化DR,Model 1的AUROC为0.73(95%CI 0.68-0.78),Model 2为0.76(95%CI 0.71-0.80),差异无统计学意义(P=0.498);但在中度风险切点(10%)时,Model 2的总NRI增益为5.7%(P=0.043),校准明显改善(Hosmer-Lemeshow P从0.018变为0.515)。对于偶发DR,Model 1的AUROC为0.64,Model 2为0.76(P=0.086),NRI增益达28.3%(P=0.002)。提示脂质标志物主要改善了偶发DR中度风险人群的重分类。
讨论部分,研究人员认为,胆固醇酯20:4的负相关可能与15-脂氧合酶活性升高使其代谢为15-HETE而促进DR有关;二高-γ-亚麻酸与肥胖、胰岛素抵抗和炎症相关,可能增加DR风险;溶血磷脂酰甘油可能反映内皮功能障碍和异常血管生成;磷脂酰胆碱18:0/20:3可能具有抗炎特性。研究的主要局限包括多重检验所致的潜在假阳性、参与者的选择偏倚(较年轻且病程较短)以及未评估黄斑水肿,故该研究属于探索性分析,需外部验证。
结论翻译:本研究确定的五种脂质成分在其他纵向研究中未见报告,提示不同人群的遗传和/或生活方式因素可能影响脂质组及其病理生理后果。这些候选脂质在多变量模型中均与DR存在看似合理的关联,且模型中包含成熟的传统危险因素证明了其有效性。将血脂水平加入预测模型,在识别中度风险的新发DR患者方面至多提供了适度贡献。然而,本研究应视为探索性研究,需其他纵向研究数据加以确认。