路易体痴呆和阿尔茨海默病的血浆脂质组学特征鉴别:一种基于靶向质谱和机器 learning 的方法
《Neuropsychiatric Disease and Treatment》:Discriminative Plasma Lipidomic Signatures of Dementia with Lewy Bodies and Alzheimer’s Disease: A Targeted Mass Spectrometry and Machine Learning Approach
【字体:
大
中
小
】
时间:2026年03月11日
来源:Neuropsychiatric Disease and Treatment 2.9
编辑推荐:
摘要
背景:路易体痴呆(DLB)的病情进展更为迅速,预后也比阿尔茨海默病(AD)更差,但临床区分仍然具有挑战性。脂质代谢失调与α-突触核蛋白聚集和神经炎症有关,可能为区分DLB和AD提供特定的生物标志物。
方法:这项横断面研究实施了靶向脂质组学分析,全面检测了50名DL
摘要
背景:路易体痴呆(DLB)的病情进展更为迅速,预后也比阿尔茨海默病(AD)更差,但临床区分仍然具有挑战性。脂质代谢失调与α-突触核蛋白聚集和神经炎症有关,可能为区分DLB和AD提供特定的生物标志物。
方法:这项横断面研究实施了靶向脂质组学分析,全面检测了50名DLB患者和56名AD患者的血浆脂质组。系统地应用了五种机器学习算法——最小绝对收缩和选择算子(LASSO)回归、支持向量机(SVM)、随机森林(RF)、递归特征消除(RFE)和逐步回归——来发现生物标志物。
结果:与AD相比,DLB患者在7个脂质类别和65种特定脂质物种中观察到了显著变化。DLB患者的血浆中鞘脂(总Cer、Hex1Cer、SM)、溶血磷脂(LPC、LPE)和磷脂酸(PA)显著升高,而45种三酰甘油(TG)物种则显著降低。五种机器学习算法均一致将PA(16:0_16:0)和PA(16:0_20:4)识别为DLB和AD之间的核心鉴别因素。LASSO回归模型在测试集中的泛化能力更强(AUC=0.916),选出了由PA物种主导的11种脂质组合,还包括PC(18:0_20:4)、ChE(22:4)、Hex2Cer(d18:1_22:0)和PE物种。
结论:这项首次全面的靶向脂质组学研究揭示了区分DLB和AD的独特血浆脂质特征,表现为鞘脂、溶血磷脂和PA升高,以及TG降低。机器学习识别出11种脂质生物标志物组合,突显了甘油磷脂代谢的显著紊乱。这些发现为DLB的发病机制提供了新的分子见解,并为诊断提供了有前景的工具。
关键词:路易体痴呆;阿尔茨海默病;脂质组学特征;机器学习;生物标志物
引言:
阿尔茨海默病(AD)是导致痴呆的主要原因,正迅速成为21世纪最具成本、致命性和负担性的疾病之一。最新数据显示,到2050年,由AD引起的痴呆发病率将在欧洲翻倍,在全球范围内增加两倍。在美国,65-74岁人群中AD的发病率为5%,75-84岁人群中为13.1%,85岁及以上人群中为33.3%。路易体痴呆(DLB)是仅次于AD的第二大常见的神经退行性痴呆原因,约占社区人群中痴呆诊断的4.2%。流行病学研究表明,DLB患者的平均生存时间仅为3-4年,远低于AD患者的5-10年,表明其临床进程更为激进,预后更差。DLB的核心临床体征包括认知功能波动、自发性帕金森综合征、复杂的视觉幻觉和快速眼动睡眠行为障碍,这些症状严重损害生活质量,增加跌倒风险,导致住院率是AD患者的1.9倍。这些因素给DLB患者及其家庭带来了巨大的社会经济负担。尽管2017年国际路易体痴呆联盟制定的诊断标准提高了DLB的诊断准确性,但临床误诊率仍相对较高。DLB的临床症状与AD有显著重叠,进一步增加了鉴别难度。病理学上,DLB以α-突触核蛋白沉积形成的路易小体为特征,而AD则表现为β-淀粉样蛋白(Aβ)斑块和tau神经纤维缠结。然而,由于生物标志物的重叠,临床区分仍然具有挑战性,因为DLB患者常常同时存在AD病理(Aβ + Tau)。神经病理学上也存在重叠,大多数DLB病例伴有AD病理,使得诊断边界模糊。此外,多巴胺转运蛋白(DAT)单光子发射计算机断层扫描(SPECT)成像和心肌碘-123甲碘苯胍(MIBG)显像可以用于辅助DLB的诊断,但这些方法费用昂贵且可用性有限。脑脊液中α-突触核蛋白的检测仍处于研究阶段,其侵入性限制了临床应用。因此,寻找基于血液的代谢标志物具有重要的临床转化价值。目前尚无基于血液的诊断试剂盒可用于临床区分DLB和AD,迫切需要开发新的生物标志物和方法来满足这一需求。
脂质占脑干干重的50%以上,在维持膜结构、突触功能和能量代谢中起着关键作用。近年来的研究表明,脂质代谢失调与α-突触核蛋白的异常聚集密切相关。作为脂质结合蛋白,α-突触核蛋白的构象变化受膜脂质组成的调控。研究表明,某些脂质(如鞘磷脂和胆固醇)可促进α-突触核蛋白的寡聚化,导致毒性纤维的形成。动物实验确认,脂质代谢相关酶(如葡萄糖脑苷脂酶GBA1)的缺陷会导致溶酶体功能障碍,加速α-突触核蛋白的聚集并引发神经退行性病变。我们之前的非靶向代谢组学研究发现DLB患者存在磷脂酰胆碱和鞘磷脂的代谢紊乱。然而,非靶向方法的半定量性质和相对较低的通量限制了其临床应用。靶向脂质组学利用多重反应监测(MRM)实现皮摩尔级别的定量,特别是对于分析低丰度的鞘脂至关重要。本研究采用靶向LC-MS/MS和多重反应监测技术,实现了包括甘油磷脂和鞘脂在内的多种脂质类别的皮摩尔级别定量,能够更精确和可重复地绘制DLB特异性脂质网络。尽管越来越多的证据表明AD和DLB存在脂质代谢失调,但使用定量、高灵敏度平台的比较性靶向脂质组学研究仍然不足。大多数先前的研究集中在单一疾病上或依赖于准确性和脂质覆盖率有限的非靶向方法。此外,尚未建立基于血液的生物标志物组合来可靠地区分DLB和AD。本研究旨在通过使用靶向质谱结合机器学习定量分析AD和DLB患者的血浆脂质,以识别差异性诊断生物标志物。
材料与方法:
参与者纳入:这项横断面研究于2021年1月至2022年6月期间在首都医科大学宣武医院和广内社区卫生服务中心进行。研究方案获得了宣武医院伦理委员会的批准(编号[2020]097),并遵循赫尔辛基宣言进行。在获得书面知情同意后,共招募了106名参与者(50名DLB患者,56名AD患者)。AD诊断依据美国国家老龄化研究所-阿尔茨海默病协会(NIA-AA)标准进行,包括ATN生物标志物框架(淀粉样蛋白-β [A]、tau [T]、神经退行性病变 [N])。所有DLB患者均符合2017年国际共识标准。可能的DLB患者被排除在研究之外。诊断确认需要三位专门研究神经退行性疾病的神经科医生的一致同意。排除标准包括精神疾病病史(如精神分裂症、双相情感障碍和伴有精神病性特征的重度抑郁障碍)、过量饮酒、自身免疫性疾病、可逆的认知障碍(如B12缺乏和甲状腺功能减退)、有机脑损伤、脑部手术史、长期使用类固醇激素以及可能影响结果的恶性肿瘤。
基线信息和量表评估:系统记录了参与者的基本人口统计特征和共病情况,以支持后续分析。认知功能采用经过验证的工具进行评估:临床痴呆评定(CDR)和蒙特利尔认知评估(MoCA)。所有测试均由认证的神经心理学家按照标准化方案进行,以确保评分者间的一致性。
血浆样本制备:从空腹参与者中采集6毫升静脉血,使用EDTA-K2抗凝管。样本立即离心(3000 g,10分钟,4°C)。血浆样品(500 μL)迅速冷冻在液氮中,并在-80°C下储存直至检测。
脂质提取、处理、色谱分离和质谱检测:脂质提取、样本处理、色谱分离和质谱检测由上海应用蛋白质技术有限公司(中国上海)完成。脂质提取采用甲基叔丁基醚(MTBE)方法。冷冻血浆在4°C下解冻,与200 μL甲醇混合并涡旋。然后加入20 μL同位素标记的内标溶液,接着加入800 μL MTBE。混合物充分摇晃并混合。经过低温超声处理(20分钟)和室温静置(30分钟)后,加入200 μL超纯水,剧烈涡旋,并在4°C下以14,000 rpm离心15分钟以分离各层。有机相在氮气下干燥,加入200 μL 90%异丙醇/丙酮混合物进行复溶。离心后,取上层液体进行检测。
分析使用UHPLC-MS/MS系统(Nexera LC-30A,Shimadzu)进行。反相C18柱(Phenomenex,Kinetex C18,2.1×100 mm,2.6 μm)的温度设置为45°C。对于正相RPLC分离,柱温也设置为45°C。流动相A:70%乙腈+30% H2O+5mM醋酸铵;流动相B:IPA溶液。梯度设置为(0分钟20% B,5分钟60% B,13分钟100% B,13.1–17分钟20% B),流速为0.35 mL/min。整个分析过程中样品保持在10°C。对于HILIC分离,柱温设置为40°C。流动相A:2mM醋酸铵+50%甲醇+50%乙腈;流动相B:2mM醋酸铵+50%乙腈+50%水。梯度设置为(0–3分钟3% B,3–13分钟3%至100% B,13–17分钟100% B,17.1–22分钟3% B),流速为400 μL/min。使用6500+ QTRAP(AB SCIEX)进行正负切换模式检测。ESI正源条件为:源温度400°C;离子源气体1(GS1):50;离子源气体2(GS2):55;帘幕气体(CUR):35;离子喷射电压(IS):+5500 V;ESI负源条件如下:源温度400°C;离子源气体1(GS1):50;离子源气体2(GS2):55;帘幕气体(CUR):35;离子喷射电压(IS):?4500 V。质谱定量数据采集采用MRM方法。
统计分析:所有连续变量均通过Shapiro-Wilk检验进行正态性评估,参数分布使用Student’s t检验分析,非参数分布使用Wilcoxon检验分析。分类变量使用Pearson’s χ2检验进行评估。统计分析在IBM SPSS Statistics(v27.0;Armonk, NY)中进行,显著性阈值设为P < 0.05。靶向脂质组学的质量控制工作流程包括:每10个研究样本注入一个混合 QC 样本以监测仪器稳定性;QC 样本中 CV > 30% 的脂质特征被排除以确保重复性;应用基于 QC 的 robust LOESS 正态化来校正信号漂移和批次效应。PCA 分析显示 QC 样本在校正后没有显著的批次聚集,确认系统误差被有效去除。对于靶向脂质组学数据预处理,所有样本中缺失值超过30%的代谢物被排除在进一步分析之外。对于剩余的代谢物,使用每个代谢物最小检测值的一半进行缺失值插补,这种方法适用于缺失值主要由检测限以下浓度引起的靶向脂质组学数据集(Missing Not At Random, MNAR)。为了调整年龄和性别的显著组间差异,每个脂质特征均对这些变量进行回归,残差作为后续分析的校正值——这是一种在代谢组学中广泛采用的方法,可以在保留生物信号的同时消除人口统计混杂。
目标脂质组学数据使用Simca-P(v16.0.2,Sartorius Stedim Biotech)进行处理。首先通过Pareto缩放对数据进行标准化,然后使用Hotelling T2检验识别异常值。接下来进行模型建立和计算。VIP ≥ 1且adj P < 0.05的代谢物被视为具有统计学意义。最后,使用分层抽样将差异性代谢物数据集随机分为训练集(70%)和测试集(30%)。根据它们的互补优势选择了五种机器学习算法:LASSO(L1正则化,λ通过5倍CV和最小二项偏差调整)、随机森林(mtry通过5倍CV优化,ntree=500)、线性SVM(成本C通过网格搜索+5倍CV优化)、RFE(随机森林基础学习器,最优特征子集通过5倍CV最大化AUC)和逐步回归(基于双向AIC的选择)——所有特征选择和超参数调整仅在训练集中进行,测试集用于最终评估。
DLB和AD患者的基线特征比较:表1展示了DLB组(n=50)和AD组(n=56)的基线特征对比。DLB组的患者年龄显著高于AD组(71.36 ± 6.85岁 vs. 63.42 ± 9.70岁,p < 0.001),男性比例也更高(p = 0.033)。在教育年限、体重指数(BMI)、高血压史、糖尿病史和中风史方面,两组之间没有观察到统计学上的显著差异(所有p > 0.05)。脂质谱分析显示,DLB组的载脂蛋白A1水平较低(1.18 [1.05, 1.41] g/L vs. 1.32 [1.20, 1.46] g/L,p = 0.02),而总胆固醇(TC)、甘油三酯(TG)、高密度脂蛋白(HDL)、低密度脂蛋白(LDL)或载脂蛋白B的水平在两组之间没有显著差异(所有p > 0.05)。认知评估显示,MoCA或CDR评分在两组之间没有显著差异(所有p > 0.05),表明两组的认知障碍程度相当。表1 DLB和AD患者的基线特征。下载CSV显示表格。
为了阐明DLB和AD之间的脂质代谢差异,我们对患者血浆进行了靶向脂质组学分析。鉴于DLB和AD患者在年龄和性别上的差异,我们参考了先前的研究,并使用调整了年龄和性别的脂质组学数据来分析差异性代谢物。共鉴定出7种表现出可重复且统计学上显著改变的脂质类别(图1和补充表1)。首先,检测到鞘脂类物质。DLB患者血浆中的总神经酰胺(Cer)水平显著高于AD组(1966.78 ± 581.99 vs. 1729.93 ± 634.95,P < 0.05),以及己酰神经酰胺(Hex1Cer)(1090.98 ± 368.25 vs. 920.36 ± 269.39,P < 0.01)和鞘磷脂(SM)在DLB组中显著增加(11091.51 ± 1174.36 vs. 10463.44 ± 1178.21,P < 0.01)。这些结果表明,鞘脂代谢的紊乱可能参与了DLB的发病机制。其次,对于甘油磷脂类物质也进行了相关研究。溶血磷脂酰胆碱(LPC)(8157.56 ± 1769.43 vs. 6980.91 ± 1417.24,P < 0.001)和溶血磷脂酰乙醇胺(LPE)(830.93 ± 258.79 vs. 672.92 ± 229.16)在DLB组中显著增加,表明磷脂重塑过程可能受到影响。此外,磷脂酸(PA)在DLB组中增加最为显著(4687.88 ± 997.74 vs. 3581.58 ± 824.06,P < 0.001)。值得注意的是,通过常规临床检测测得的总TG水平在DLB组中呈现下降趋势,但未达到统计学显著性(P = 0.079,表1)。这种差异反映了LC-MS/MS更高的分析精度,该技术可以单独量化每种TG物种,消除游离甘油的干扰,并应用等摩尔响应校正,从而能够更敏感地检测DLB中的真正TG代谢改变。
我们利用多变量统计方法进行的全面脂质组学分析揭示了DLB和AD患者之间的特定脂质分子特征的显著差异。OPLS-DA模型的稳健性通过置换测试得到验证(图2A),表明其具有可靠的预测能力且不会过拟合。PCA(图2B)和OPLS-DA(图2C)分析均显示DLB和AD组之间有明显的分离,表明它们的血浆脂质谱可能存在潜在差异。我们的脂质组学分析识别出65种显著改变的脂质分子物种(补充表2),显示DLB与AD相比存在不同的代谢紊乱。值得注意的是,我们观察到特定鞘脂类如DHCer(d18:0_26:1)和Hex2Cer以及溶血磷脂类如LPC(22:4)和LPE(22:4)的显著升高,同时9种磷脂酸(PA)物种、2种磷脂酰胆碱(PC)物种和4种磷脂酰乙醇胺(PE)物种也显著增加。相反,DLB中的甘油三酯(TG)水平显著低于AD组(102877.82 ± 33,352.15 vs. 138107.90 ± 45,326.40,P < 0.001)。值得注意的是,传统临床检测方法测得的总TG水平在DLB组中虽呈下降趋势,但未达到统计学显著性(P = 0.079,表1)。这种差异反映了LC-MS/MS更高的分析精度,该技术能够单独量化每种TG物种,消除游离甘油的干扰,并应用等摩尔响应校正,从而能够更敏感地检测DLB中的真实TG代谢改变。
机器学习用于筛选DLB和AD之间的差异代谢标志物,我们采用了五种不同的特征选择方法:LASSO回归、逐步回归、随机森林(RF)、递归特征消除(RFE)和线性支持向量机(SVM)。这些不同算法选择的特征之间存在显著的一致性(图3A),强调了所识别标志物的一致性和潜在的生物学相关性。选定特征的数量因方法的不同而异(图3B)。RFE保留的特征数量最多(n=15),其次是SVM(n=14),LASSO回归(n=11)和逐步回归(n=7),RF的选择最为保守(n=5)。每种机器学习方法选定的完整特征列表详见补充表3。值得注意的是,两种磷脂酰胆碱物种PA(16:0_16:0)和PA(16:0_20:4)被所有五种方法一致选中(图3C)。这一一致性的识别强烈表明这些特定的磷脂分子在区分DLB和AD的发病机制中起着关键作用,提示它们作为疾病分类的核心生物标志物。
对五种机器学习模型的综合评估显示,在训练队列中表现出良好的性能,所有模型的AUC值都较高(范围:0.954–1.000;图3D)。然而,对测试集性能的深入分析揭示了其在泛化能力上的显著差异。在评估的方法中,LASSO回归在测试集中的诊断效果最好,实现了最高的AUC(0.916)。这一性能超过了逐步回归(测试AUC=0.741)、线性SVM(测试AUC=0.780)、RF(测试AUC=0.859)和RFE(测试AUC=0.865),表明它在区分能力和对抗过拟合的稳健性之间取得了最佳平衡(图3E)。LASSO回归的选择进一步得到了其内在正则化机制的支持,该机制同时进行特征选择和系数收缩,以提高模型的泛化能力。使用这种优化方法,我们识别出11种高度区分性的脂质分子,包括六种磷脂酸[PA(16:0_16:0)、PA(16:0_20:4)、PA(18:0_20:4)、PA(18:1_20:4)、PA(18:1_22:4)、PA(18:2_20:2)]、一种磷脂酰胆碱[PC(18:0_20:4)]、一种胆固醇酯[ChE(22:4)]和两种磷脂酰乙醇胺[PE(16:0_14:0)、PE(P-18:1_20:5)]。这些分子特征主要由PA物种主导,表明它们在区分DLB和AD的发病机制中起着关键作用。
本研究首次使用靶向脂质组学技术提供了区分DLB和AD的血浆脂质组学特征的全面描述。我们的分析揭示了与DLB发病机制相关的潜在脂质代谢改变,共有7类脂质发生变化,65种脂质与AD相比有显著差异。这些脂质主要集中于鞘脂代谢、溶血磷脂/磷脂酰胆碱类等。我们使用了多种机器学习方法筛选变量,最终LASSO回归方法确定了一组最佳的血浆差异代谢物,可以有效地区分DLB和AD。鞘脂是构成细胞膜的重要组成部分,调控着细胞膜结构、信号转导、细胞识别和细胞凋亡等关键过程。鞘脂代谢的紊乱与多种神经精神疾病的发病机制密切相关,如AD、PD、脑损伤等。我们的脂质组学分析显示,DLB患者中的神经酰胺(Cer)、己糖基神经酰胺(Hex1Cer)和鞘磷脂(SM)水平显著升高。动物实验表明,Cer可以通过诱导小胶质细胞焦亡来促进AD的进展,并且还可以稳定BACE-1以促进Aβ的生成和积累,而Cer的水平可以显著改善大鼠的认知障碍。临床研究表明,血清中高水平的神经酰胺与海马体积减少和AD风险增加有关。一项针对AD的靶向血浆代谢组学研究还发现,SM脂质类别与临床痴呆评分(CDR)之间存在强相关性,表明SM的代谢变化与AD的发病机制密切相关。另一项关于AD的血浆脂质组学研究揭示了AD患者中HexCer代谢物的显著变化,并将其纳入AD的诊断模型。先前的非靶向代谢组学研究显示,DLB患者中的己糖基神经酰胺(HexCer)水平高于AD患者。这些共同发现表明,鞘脂代谢紊乱可能是神经退行性疾病的促成因素,DLB的代谢紊乱程度比AD更为严重。
DLB中鞘脂代谢紊乱的可能发病机制包括以下因素:首先,Cer是细胞膜的重要组成部分,可以调节免疫细胞激活、炎症、氧化应激、代谢和细胞死亡等。升高的Cer可能会加剧炎症反应,诱导线粒体功能障碍,促进α-突触核蛋白的聚集,从而加重DLB的神经退行性变。SM也是细胞膜的主要成分,其水解会产生大量的神经酰胺,两者通常呈正相关。升高的SM本身也可能影响膜流动性和信号转导以及载脂蛋白功能。研究发现,SM诱导的神经细胞处理会导致ATP结合盒亚家族A5(ABCA5)转运蛋白(一组在大脑中转运脂质的蛋白质)和α-Syn的过表达,支持SM在PD中的作用。此外,DLB和PD往往具有类似的病理基础,即α-Syn的积累。因此,SM可能通过直接促进α-Syn的积累和间接产生Cer来促进DLB的发生。总体上,这些发现表明鞘脂代谢紊乱,特别是Cer和SM的紊乱,构成了区分DLB和AD的独特病理特征。在DLB中,LPC、LPE和PA的水平显著高于AD。先前的研究表明,血清LPE在区分AD患者和认知正常对照组中具有诊断价值,并显示出从MCI发展到AD的预测价值。与我们的研究一致,对AD患者死后脑组织的研究显示LPE和PA的水平显著升高,而LPC水平与Aβ沉积显著正相关。一项初步的小样本研究进一步表明,血浆LPC可能作为区分AD和DLB的生物标志物。这些结果强调了LPC、LPE和PA代谢紊乱在DLB和AD发病机制中的重要作用,DLB中的紊乱程度比AD更为严重。LPC和LPE是磷脂酶A2(PLA2)水解磷脂酰胆碱(PC)和磷脂酰乙醇胺(PE)的产物,在DLB血浆中的水平显著升高,表明PLA2活性可能增强。LPC/LPE具有强烈的促炎和促凋亡特性,研究显示LPC可触发内皮细胞凋亡,包括脑微血管内皮细胞(BMECs),破坏血脑屏障的完整性,并增加血管通透性。LPC/LPE通过激活G蛋白偶联受体(如GPR4)促进炎症因子和单核细胞浸润及胶质细胞激活,加剧神经炎症。DLB常伴随着更早和更明显的自主功能障碍和血管损伤,如体位性低血压,而LPC/LPE的血管毒性——表现为内皮细胞凋亡和血管扩张受损——可能在这种情况下加剧。LPC/LPE在Lands循环的磷脂重塑中起重要作用,它们的积累可能表明膜磷脂周转加速,可能是对细胞应激、膜损伤或炎症状态的补偿反应。PA是所有甘油磷脂和甘油三酯生物合成的关键中间体,具有重要的信号传导功能。升高的PA可能是由磷脂酶D(PLD)激活产生的。多不饱和脂肪酸(PA)参与调控多种生理过程,包括AKT信号通路的激活、细胞增殖、囊泡运输和炎症反应。研究表明,PA水平的升高可能通过促进炎症信号通路进一步加剧由LPC/LPE引起的神经炎症。因此,LPC/LPE和PA的显著升高是DLB(弥漫性路易体痴呆)血浆脂质谱中最突出的特征之一。这些变化既可能是DLB的致病因素,也可能是潜在的生物标志物,尤其与α-突触核蛋白聚集和小胶质细胞激活等过程密切相关,从而将DLB与阿尔茨海默病(AD)区分开来。此外,本研究结合了五种机器学习算法系统地筛选出用于DLB和AD鉴别诊断的关键脂质生物标志物。其中,PA(16:0_16:0)和PA(16:0_20:4)被所有算法所识别,证实了它们在疾病分类中的核心作用。基于脂质网络的诊断工具应兼顾生物学意义。LASSO回归方法在测试集和验证集中的泛化能力最强,其性能明显优于容易过拟合的模型(如SVM)。该模型的建立为通过非侵入性、操作简便且成本效益高的血浆脂质代谢物水平有效区分DLB和AD提供了可靠工具。
本研究的主要优势如下:首先,基于我们团队的先前研究,首次对DLB和AD患者进行了靶向脂质组学检测,以确定能够区分这两种神经退行性疾病的特定代谢特征;其次,通过多种机器学习方法选出一组最佳的差异代谢物作为生物标志物,可以有效地区分AD和DLB。研究的局限性包括:未进行事先的功效计算来确定所需样本量;单中心设计和样本量较小,无法进行有意义的亚组分析(如按年龄或性别划分)以评估潜在的效应修饰;其次,未系统收集关于血脂异常史和降脂药物使用情况的数据。由于这些因素可能直接影响血浆脂质谱,因此它们的缺失可能是潜在的混杂因素。未来的前瞻性研究应纳入详细的代谢和药物使用史,以准确表征DLB和AD之间的脂质代谢差异。此外,脂质组学生物标志物研究中的常见瓶颈包括实验间差异、数据标准化不足以及缺乏独立的验证队列。
尽管我们采取了严格的质量控制措施(包括混合质量控制样本、基于CV的过滤和LOESS标准化)以最小化技术变异,但在解释我们的发现时仍需考虑这些固有限制。未来需要更多中心、更具多样性的参与者进行研究,以验证和完善所提出的脂质谱。选定的差异代谢物需要通过动物实验进一步验证,以明确它们在疾病发生和发展中的因果关系,并深入阐明特定脂质分子在DLB相关病理学中的作用机制(如α-突触核蛋白聚集和神经炎症)。由于缺乏神经病理学确认作为金标准,我们无法为患者提供明确的分子病理分期,因此无法根据疾病持续时间进行分层。鉴于晚期DLB患者常伴有AD病理,我们方法在该人群中的诊断效果可能受到混合病理的影响。未来需要在具有详细临床病理特征和纵向随访的独立队列中进行验证,以评估我们方法的阶段特异性性能。
本研究通过将血浆脂质组学与机器学习算法相结合,系统地揭示了DLB和AD之间的代谢差异。与AD患者相比,DLB患者表现出特征性的脂质谱,即鞘脂(Cer、SM)显著升高,以及溶血磷脂(LPC/LPE)和PA等物质的显著上调。这项研究不仅提供了一个新的生物标志物组合用于DLB和AD的鉴别,还从代谢角度重建了对DLB病理机制的理解,为开发针对代谢途径的诊断策略和治疗干预措施奠定了基础。然而,在临床应用之前,仍需进行外部验证、工作流程标准化和机制研究。未来的研究应优先考虑纵向验证和与其他生物标志物的整合,以提高诊断精度和疾病监测。
伦理批准与参与同意
本研究涉及人类参与者的所有程序均获得了宣武医院伦理委员会的批准(批准号[2020]097),并遵循《赫尔辛基宣言》进行。所有参与者或其家属均已经获得了知情同意。
发表同意
不适用。本手稿中呈现的所有数据均经过严格审查并彻底匿名处理,去除了所有直接或间接的个人识别信息,以保护参与者隐私,确保没有任何个人可以被识别。
作者贡献
所有作者对本研究的工作都做出了重要贡献,无论是概念提出、研究设计、数据收集、分析解释还是这些领域的其他方面;参与了文章的起草、修订或批判性审查;批准了最终发表版本;并同意文章提交的期刊;并对工作的所有方面负责。
利益冲突声明
不存在利益冲突。
数据共享声明
数据可在合理请求下从相应作者处获取。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号