非靶向代谢组学能够识别缺血性脑卒中的疾病特异性特征

《Metabolomics》：Non-targeted metabolomics can identify disease-specific characteristics of ischemic stroke

缺血性卒中（IS）代谢组学分析结合机器学习（ML）成功识别200个差异代谢物，重点代谢通路包括花生四烯酸代谢和叶酸生物合成，筛选出4个关键生物标志物（Calcitroic acid, Diguanosine tetraphosphate, PC, Deoxycholic acid），构建的XGBoost模型在验证集AUC达0.941。

　　

摘要

引言

缺血性中风（IS）是导致残疾和死亡的主要原因之一。代谢组学结合机器学习（ML）可以用来识别与这种状况相关的潜在生物标志物。

目的

我们旨在利用代谢组学来评估与IS相关的潜在生物标志物和关键代谢途径，并利用ML算法构建预测模型。

方法

我们对786名研究参与者进行了基于非靶向液相色谱-串联质谱技术的血浆分析（发现组IS/对照组=198/198；外部验证组IS患者/对照组=195/195）。目的是通过途径富集分析来识别差异代谢物并研究可能与IS病因相关的代谢途径。特征变量通过最小绝对值收缩选择算子和随机森林算法进行筛选。我们使用XGBoost为这些特征变量构建预测模型，并利用各种评估指标来评估模型性能。随后在独立的外部验证集中对模型进行了验证。

结果

在IS组与对照组之间，检测到了200种差异代谢物。显著的代谢紊乱途径包括花生四烯酸代谢和叶酸生物合成等。进一步研究了四种具有代表性的代谢物，以区分IS组和对照组：钙调酸、二鸟苷四磷酸、PC（P-18:0/P-18:1(9Z)）和脱氧胆酸。XGBoost模型在发现集上的AUC为1.000，在测试集上的AUC为0.992，而外部独立验证集的AUC为0.941。

结论

我们的研究揭示了IS的代谢特征，确定了四种生物标志物，并基于这四种生物标志物开发了一个能够有效区分IS组和对照组的预测模型。

图形摘要

研究流程图：子图A展示了临床队列的相关信息并进行了初步的代谢组学分析，而子图B阐述了机器学习在代谢组学中的应用。