《International Journal of Molecular Sciences》:Exhaled Breath Analysis for Detection of Interstitial Lung Diseases Using Real-Time PTR-TOF-MS
编辑推荐:
专业术语翻译摘要部分:
间质性肺疾病(interstitial lung diseases,ILDs)是一组异质性弥漫性肺实质疾病,需要准确的非侵入性诊断方法。本研究评估了实时质子转移反应飞行时间质谱(proton-transfer-reaction tim
专业术语翻译摘要部分:
间质性肺疾病(interstitial lung diseases,ILDs)是一组异质性弥漫性肺实质疾病,需要准确的非侵入性诊断方法。本研究评估了实时质子转移反应飞行时间质谱(proton-transfer-reaction time-of-flight mass spectrometry,PTR-TOF-MS)结合机器学习用于基于呼出气的ILD检测与分型。共纳入251例ILD患者和251例健康对照,在正常平静呼吸和用力呼气过程中分析挥发性有机物(volatile organic compounds,VOCs)。ILD队列包含多种临床异质性ILD亚型。采用重复蒙特卡洛交叉验证评估梯度提升模型,并进行了年龄和性别匹配验证、ILD亚型分类以及核典型相关分析(kernel canonical correlation analysis,KCCA)。纳入VOCs和人口统计学变量的模型在正常呼吸和用力呼吸中分别取得0.900和0.897的AUC,而仅含VOCs的模型仍保持良好的判别能力(AUC分别为0.874和0.875)。四个VOC相关离子(m/z 55.03859、63.01996、90.95284和107.0886)被可重复地识别。各ILD亚型之间的区分能力中等,IPF的AUC最高(0.709)。KCCA显示,在两种呼吸条件下,VOC特征与临床功能损伤之间存在显著关联。这些发现支持PTR-TOF-MS呼气分析作为一种有前景的ILD无创检测方法,而亚型分类和疾病严重程度评估仍需进一步独立验证。
论文解读文章:
间质性肺疾病(interstitial lung diseases,ILDs)是一组包含200余种弥漫性肺实质疾病的异质性疾病群,以不同程度的肺部炎症和纤维化为特征,尽管病因多样,但共同导致肺泡-毛细血管膜进行性破坏、气体交换受损、肺功能下降,并常进展为不可逆的肺纤维化。临床常见的ILD亚型包括特发性肺纤维化(idiopathic pulmonary fibrosis,IPF)、结缔组织病相关ILD(connective tissue disease-associated ILD,CTD-ILD)、慢性过敏性肺炎(chronic hypersensitivity pneumonitis,CHP)、特发性非特异性间质性肺炎(idiopathic nonspecific interstitial pneumonia,iNSIP)和肺结节病等。目前ILD的诊断依赖多学科综合评估,包括临床病史、高分辨率计算机断层扫描(high-resolution computed tomography,HRCT)、肺功能检查、血清学检查、支气管肺泡灌洗,部分病例需外科肺活检。然而HRCT影像判读在早期或影像重叠时存在困难,侵入性检查在老年或重症患者中风险较高且并非总可行。因此,亟需快速、无创的生物标志物用于支持ILD检测和诊断分层。呼气中挥发性有机物(volatile organic compounds,VOCs)分析作为无创检测方法,可反映氧化应激、脂质过氧化、线粒体功能障碍、炎症信号及微生物代谢等内源性生化过程。既往研究显示哮喘、慢阻肺、囊性纤维化、肺癌及部分ILD患者的呼气VOC谱存在改变,但呼气组学向临床转化仍受方法学异质性、样本量小和外部验证不足限制。实时质子转移反应飞行时间质谱(proton-transfer-reaction time-of-flight mass spectrometry,PTR-TOF-MS)无需色谱分离和复杂样品制备即可直接实时分析呼出气,具有高灵敏度、快速采集和同时检测数百个VOC相关离子的优势。既往多数研究样本量小、聚焦单一病种或仅研究单一呼吸方式,呼吸方式对诊断性能和生物标志物重复性的影响尚未充分探索。机器学习方法可同时分析大量相关的VOCs,通过多变量算法识别复杂代谢特征,有助于反映慢性肺病潜在病理生理,但年龄、性别、BMI和吸烟史等人口统计学变量可能影响呼气代谢组谱并混淆疾病分类。此外,区分不同ILD亚型是更大临床挑战,不同亚型在免疫激活、细胞外基质重构、上皮损伤及氧化应激等方面的差异可能反映在呼气代谢特征中。基于此,研究人员开展本研究,旨在评估基于正常平静呼吸和用力呼气两种方式的实时PTR-TOF-MS结合机器学习对ILD的诊断性能,评估人口统计学混杂因素影响,识别可重复的VOC生物标志物,并表征主要ILD亚型的疾病特异性呼气特征。
研究人员开展了一项观察性横断面研究,在Sechenov大学(俄罗斯莫斯科)于2024年9月至2025年7月招募了251例ILD患者和251名健康对照。ILD队列包含多种临床异质性亚型,其中慢性过敏性肺炎(CHP,n=69)、结缔组织病相关ILD(CTD-ILD,n=28)、特发性非特异性间质性肺炎(iNSIP,n=31)、特发性肺纤维化(IPF,n=30)和肺结节病(n=39)共197例纳入亚型特异性分析,其余54例为少见或异质性ILD诊断,仅纳入总体ILD与对照分析。健康对照无已知慢性呼吸系统疾病,经标准化评估和肺功能测试确认。所有受试者在清晨空腹条件下,分别于正常平静呼吸和用力呼气过程中使用实时PTR-TOF-MS(PTR-TOF 1000,Ionicon,因斯布鲁克,奥地利)在线采集呼气样本,质谱m/z范围为10-685,以H3O+为试剂离子。原始数据经自定义Python流程处理,包括谱图重校准、呼吸相位识别(基于m/z 37.038水簇离子和内源性呼气化合物)、呼气末谱图平均、峰检测、谱峰对齐、特征提取,并将信号强度归一化至[D2O+H3O]+簇离子后用于统计分析。
研究结果显示,主要分析中,基于正常平静呼吸和用力呼气分别构建四个机器学习模型(VOCs加人口统计学变量与仅VOCs),采用蒙特卡洛交叉验证(100次独立重复,相同分层训练/测试划分,每个训练折内仅选择前10%预测因子)。VOCs加人口统计学变量模型在用力呼气模型中AUC为0.897(95% CI: 0.818–0.945),正常平静呼吸模型AUC为0.900(95% CI: 0.842–0.954);仅VOC模型在两种呼吸方式下AUC分别为0.875和0.874。由于所有模型使用相同的训练/测试划分,配对AUC差异的中位数置信区间均包含零,提示两种呼吸方式无显著优劣差异。在年龄和性别匹配队列(171例ILD和171例对照)中,仅VOC模型仍保持良好判别性能,用力呼气AUC为0.879(95% CI: 0.789–0.932),正常平静呼吸AUC为0.882(95% CI: 0.812–0.934),且重复选择的特征(m/z 90.95284、63.01996、107.0886和55.03859)与原始队列高度重叠,表明ILD相关呼气VOC特征的判别能力并非主要由年龄或性别差异驱动。描述性比较显示,m/z 55.03859、90.95284和107.0886在ILD患者中归一化丰度较对照组升高,而m/z 63.01996在ILD患者中降低,该趋势在两种呼吸方式中一致。
在亚型特异性分析中,研究人员对五个主要ILD亚型(CHP、CTD-ILD、iNSIP、IPF和结节病)分别建立一对其余(one-versus-rest,OvR)梯度提升模型,排除健康对照,采用100次重复分层随机重采样(70:30训练/测试划分)进行类平衡和特征选择。结果显示各ILD亚型间区分能力中等,正常平静呼吸下仅VOC模型的各亚型AUC介于0.522至0.654之间;纳入人口统计学协变量后,IPF的AUC最高(0.709),结节病次之(0.695)。特征稳定性方面,正常平静呼吸模型中m/z 61.03344、71.05558和129.08270在至少50%迭代中被选择;用力呼气模型中m/z 57.06920、61.03344、71.05558和107.08864在仅VOC模型中被稳定选择,但纳入人口统计学变量后无VOC特征达到50%选择阈值,而年龄和性别分别被频繁选择。研究还发现,m/z 61.03344和m/z 71.05558在IPF中丰度最高、结节病中最低,m/z 143.13285在IPF和iNSIP中降低但CTD-ILD和结节病中升高,m/z 57.06920在IPF中最高、结节病中最低,m/z 107.08864在CHP中最高、CTD-ILD中最低,提示不同ILD亚型存在疾病特异性代谢特征。
核典型相关分析(kernel canonical correlation analysis,KCCA)中,研究人员使用在所有六个分类模型(四个主要模型和两个匹配队列模型)中均被稳定选择(频率≥50%)的四个VOC离子(m/z 90.95284、63.01996、107.0886和55.03859),以FVC z评分、DLCO z评分和改良医学研究委员会(mMRC)呼吸困难评分为临床功能变量,纳入238例临床数据完整的ILD患者。正常平静呼吸和用力呼气中第一典型变量对均显示VOC特征与临床功能损伤显著相关(正常呼吸r=0.510,R2=0.260,Holm校正p=0.020;用力呼气r=0.495,R2=0.245,Holm校正p=0.012),而第二、第三典型变量对经多重比较校正后均不显著;冗余指数较低(正常呼吸0.060,用力呼气0.030),表明VOC典型变量仅解释了临床功能变量集的一小部分方差。
讨论部分指出,实时PTR-TOF-MS结合机器学习可准确区分ILD患者与健康个体;正常平静呼吸和用力呼气诊断性能相当,但不同呼吸方式可能影响VOC信号的生理来源和组成,用力呼气增加呼气流量并混合近端和远端气道气体,可能稀释肺泡释放的代谢物,而平静呼气末采样更能稳定代表外周肺气体交换,与ILD主要病变部位相关,尽管未转化为诊断准确性的优势。去除人口统计学变量后VOC模型性能保持良好,且年龄性别匹配验证进一步支持VOC特征的稳健性。研究中识别出的四个可重复VOC相关离子中,m/z 55.03859可能为烯烃或醛类片段,反映脂质过氧化和膜降解;m/z 107.08864可能为烷基取代芳香族化合物或脂质衍生代谢物,参与氧化应激和炎症组织损伤;m/z 63.01996可能为二甲基硫醚(dimethyl sulfide,DMS),其降低提示含硫代谢通路或氧化还原稳态改变。但由于缺乏色谱分离和化学验证,所有化合物注释均为推测性。ILD亚型区分方面,呼气代谢组学在区分ILD与健康对照方面明显更有效,但区分各亚型能力有限,可能因为多种亚型均存在纤维化(HRCT显示IPF纤维化比例100%、CTD-ILD 96.4%、iNSIP 93.5%、CHP 82.6%),已建立的纤维化状态代谢活性低于活动性炎症,且年龄和性别频繁被选择提示亚型特异性VOC特征需谨慎解读。KCCA显示呼气代谢特征与临床严重程度存在显著但中等的多变量关联,可能反映与常规严重程度指标互补的信息。
研究结论部分翻译为:本研究表明,实时PTR-TOF-MS结合机器学习分析提供了一种有前景的无创方法,可利用呼出气检测间质性肺疾病。正常平静呼吸和用力呼气在区分ILD患者与健康对照方面均表现出良好的诊断性能,且这一性能在仅VOC模型和年龄性别匹配队列中基本保持,支持所识别的ILD相关呼气特征的稳健性。多个VOC相关离子在多种呼吸方式和分析方法中被可重复选择,凸显其作为ILD候选呼气生物标志物的潜力。相比之下,各ILD亚型之间的区分能力中等,表明其呼气代谢组谱存在大量重叠,亚型特异性VOC特征需要进一步验证。稳健VOC特征与临床功能损伤之间存在显著但中等的多变量关联,进一步提示呼气代谢组学捕获了与常规疾病严重程度指标互补的ILD生物学和临床相关信息。总体而言,这些发现支持实时呼气分析作为快速无创的ILD检测工具的潜力,而其在疾病表型和严重程度评估中的作用仍处于探索阶段。未来需要开展包含外部验证、VOC身份色谱确认、纵向随访和治疗分层分析的多中心前瞻性研究,才能实现向常规临床实践的转化。外部独立队列验证对于确立该方法的临床效用和普适性至关重要。