陳 洪綜述，徐紅兵審校

（重慶醫(yī)科大學附屬第一醫(yī)院，重慶400016）

代謝組學在子癇前期中的應用進展

陳 洪綜述，徐紅兵審校

（重慶醫(yī)科大學附屬第一醫(yī)院，重慶400016）

先兆子癇；妊娠并發(fā)癥；代謝組學；子癇前期；生物標志物；綜述

代謝組學是繼基因組學、轉(zhuǎn)錄組學、蛋白質(zhì)組學之后發(fā)展起來的一門組學技術(shù)，也是系統(tǒng)生物學的重要組成部分。代謝組學可以高通量識別、測定生物體受刺激和基因修飾后小分子代謝物的變化[1]，從而幫助人們更好地了解疾病的病理機制，診斷、預后和發(fā)現(xiàn)疾病的標志物[2-4]，目前代謝組學技術(shù)廣泛應用于毒理學研究、藥物研發(fā)、疾病診斷和治療等領域[5-6]，成為近幾年的研究熱點之一。本文就代謝組學的概念及其在子癇前期的應用和進展作一綜述。

1 代謝組學的概念

1999年，英國Nicholson等[7]在核磁共振（NMR）基礎上提出了代謝組學的概念，其從代謝物層面探索生命活動，分析基因表達、轉(zhuǎn)錄、翻譯、蛋白質(zhì)（酶）修飾后的下游產(chǎn)物，真實反應系統(tǒng)（細胞、組織或器官）的生理狀態(tài)或表型，關(guān)注對象是相對分子質(zhì)量小于1×103的小分子代謝物。

2 代謝組學的研究領域和技術(shù)

2.1 代謝組學的研究領域 根據(jù)研究對象和目的不同，F(xiàn)iehn[8]將代謝組學分為4個層次∶（1）代謝物靶標分析，定量測定機體受擾動后某一特定代謝物的變化，分析物較局限；（2）代謝物輪廓分析，對某一類特定代謝物測定，如糖類、氨基酸等，分析其特定代謝途徑，是一種半定量的方法；（3）代謝物指紋分析，對所有代謝物進行定性分析，不針對具體某一組分；（4）代謝物組學分析，在特定條件下對生物樣品中所有代謝物進行定性和定量分析。

2.2 代謝組學分析技術(shù) 代謝組學分析流程[9-10]包括∶實驗設計、樣品采集和預處理、代謝物分離和檢測、數(shù)據(jù)分析及模型建立、分析代謝變化機制。代謝組學研究的常見樣品是血清或血漿、尿液，除此之外，羊水、膽汁、唾液、精液、腦脊液和部分組織也可作為研究樣本。代謝組學常用的技術(shù)平臺有NMR光譜技術(shù)和色譜-質(zhì)譜聯(lián)用技術(shù)。一個精密的實驗設計必須有良好的重復性、穩(wěn)定的樣本回收率和完善的分離分析平臺用于檢測代謝物[11]。常用的NMR有氫離子磁共振（1H-NMR）、碳譜磁共振和磷譜磁共振，其中以1H-NMR應用最為廣泛。應用 NMR技術(shù)[12-13]進行代謝組學研究時，其優(yōu)點是無需樣品進行預處理，實現(xiàn)樣品快速檢測，并且不破壞樣品，可以應用于活體研究；由于NMR光譜復雜，其靈敏度較低。色譜可以對物質(zhì)定性，而質(zhì)譜可以定量，因此聯(lián)合應用色譜-質(zhì)譜技術(shù)對樣品進行檢測具有高敏感度、高分辨率、高特異性的特點[1，14]，較常用的有氣相色譜-質(zhì)譜聯(lián)用（GC-MS）、液相色譜-質(zhì)譜聯(lián)用（LC-MS）和毛細管電泳-質(zhì)譜聯(lián)用（CE-MS）等[15]。GC-MS分析時，需要對樣品進行衍生化，靈敏度高于NMR，但同時也增加了時間成本。LC-MS檢測時樣品無需衍生化，可以實現(xiàn)多樣本同時檢測，相對NMR費時較多。CE-MS具有高分離能力，需要的樣品量少，檢測快速，但是商業(yè)成本較高，保留時間重復性較差。隨著色譜技術(shù)的不斷發(fā)展，高效液相色譜-質(zhì)譜聯(lián)用和超高效液相色譜-質(zhì)譜聯(lián)用（UPLC-MS）技術(shù)得到廣泛應用，大大提高了分離效率、峰容量及靈敏度[16]。對代謝組學技術(shù)檢測到的數(shù)據(jù)進行預處理（除噪、數(shù)據(jù)標準化、缺失值處理），將質(zhì)譜圖轉(zhuǎn)換成數(shù)據(jù)矩陣，最后運用模式識別方法對數(shù)據(jù)進行多變量分析，并建立可視化模型[10，17]。無師監(jiān)督的模式識別方法包括主成分分析、聚類分析等；有師監(jiān)督的模式識別方法包括判別分析、偏最小二乘法分析、偏最小二乘法判別分析、正交校正的偏最小二乘法分析等[1，17-19]。運用模式識別方法尋找差異性代謝物，通過查閱文獻、數(shù)據(jù)庫檢索、比對二級質(zhì)譜、用標準品驗證等手段，對潛在標志物進行定性，從而鑒定出差異性化合物[10，20]。

3 代謝組學與子癇前期

代謝組學是組學研究熱點之一，可以系統(tǒng)地研究體液或組織里代謝物的變化，代謝物的濃度及聯(lián)合多種代謝物可以應用于預測疾病的分類和病程發(fā)展[21]。子癇前期是一種妊娠期特有疾病，隨著代謝組學技術(shù)的不斷發(fā)展，越來越多的學者借助代謝組學技術(shù)對子癇前期展開研究。

3.1 尋找子癇前期的生物標志物 Kenny等[22]在2005年首次應用氣相色譜-飛行時間質(zhì)譜聯(lián)用技術(shù)分析87例子癇前期患者血漿樣本，應用遺傳編程方法處理數(shù)據(jù)，發(fā)現(xiàn)3個代謝峰（峰403、415、427）可以有效地區(qū)分子癇前期和健康對照，敏感度和特異度分別為100%和98%，其中峰403、415呈下降趨勢，可能是該病的保護性因子，而峰427呈上升趨勢，可能與疾病的嚴重程度相關(guān)。Austdal等[23]運用NMR技術(shù)同時對子癇前期患者血清和尿液樣本進行檢測，發(fā)現(xiàn)子癇前期患者的代謝圖譜明顯不同于健康妊娠婦女，從子癇前期患者尿液中鑒定出9個生物標志物，健康妊娠婦女與健康未孕婦女比較有15個差異性代謝物；對血清脂質(zhì)譜進行分析發(fā)現(xiàn)子癇前期患者血清低密度脂蛋白、極低密度脂蛋白濃度明顯升高，而高密度脂蛋白濃度明顯降低，與心血管疾病的危險因子一致[24]。該實驗證明可通過代謝組學方法對子癇前期進行分類，同時也揭示了妊娠和子癇前期可能介導的代謝變化。

3.2 子癇前期的診斷及探索其發(fā)病機制 目前子癇前期的診斷主要基于血壓和蛋白尿?qū)χ匾鞴俚膿p害，其病因尚不明確，可能發(fā)病機制主要有胎盤淺著床、氧化應激、免疫適應不良、炎性反應、血管內(nèi)皮細胞及血管功能障礙等[22]。Turner等[25]利用1H-NMR對子癇前期患者和健康妊娠婦女血漿進行分析，結(jié)果提示芳香族氨基酸（組氨酸、酪氨酸、苯丙氨酸）可以充分區(qū)別子癇前期和健康孕婦。Dunn等[26]應用UPLC-MS分析子癇前期患者和健康妊娠孕婦胎盤絨毛培養(yǎng)基的代謝足跡，該實驗取子癇前期患者和健康妊娠婦女分娩后的胎盤絨毛，分別在1%和6%氧濃度下培養(yǎng)，結(jié)果發(fā)現(xiàn)在相同氧濃度培養(yǎng)下的子癇前期患者和健康妊娠組絨毛代謝足跡不相同，而在常氧濃度（6%）下培養(yǎng)的子癇前期婦女的絨毛和低氧濃度（1%）下健康妊娠婦女的絨毛其代謝足跡相似，主要有三大類代謝物發(fā)生顯著變化，分別是谷氨酸/谷氨酰胺、色氨酸、白三烯/前列腺素，證明了胎盤缺氧在子癇前期發(fā)病機制中的重要作用。De Oliveira等[27]應用基質(zhì)輔助激光解吸電離質(zhì)譜對8例早發(fā)型子癇前期血漿脂質(zhì)代謝指紋進行分析，運用模式識別方法，鑒定出12個脂質(zhì)類差異性代謝物，結(jié)果表明對子癇前期脂質(zhì)代謝指紋分析有助于該病發(fā)病機制的研究。

3.3 應用生物標志物實現(xiàn)子癇前期的早期預測 生物體接受刺激后大量的代謝信息改變出現(xiàn)在臨床癥狀以前，越來越多學者利用代謝組學致力于疾病早期標志物的研究[28]。Kenny等[29]利用UPLC-MS技術(shù)實現(xiàn)對子癇前期的早期預測，通過對子癇前期患者早期（15±1）周血漿的研究，應用多元統(tǒng)計學分析篩選出生物標志物，并應用14個生物標志物對另一地區(qū)孕婦早期（15±1）周血漿進行子癇前期的預測，其結(jié)果顯示預測率可達92%。該實驗為子癇前期提供了一種全新的早期篩查手段。實現(xiàn)對子癇前期的早期預測可為早期臨床干預提供依據(jù)，具有重要的臨床意義，吸引了大量學者對子癇前期早期預測的研究。Bahado-Singh等[30-31]先后實現(xiàn)了應用早孕期血漿代謝物對早發(fā)型子癇前期、晚發(fā)型子癇前期的預測。2012年，該研究小組用NMR技術(shù)對子癇前期患者早孕期間的血漿進行代謝物分析，結(jié)果找到20種差異性代謝物，應用其中4種代謝產(chǎn)物檸檬酸、甘油、羥基甲基丁酸鈣和蛋氨酸對早發(fā)型子癇前期進行預測，其預測率可達75.9%，假陽性率為4.9%，結(jié)合早孕期多普勒超聲子宮動脈的搏動指數(shù)和胎兒頭臀長，可將預測率提高至82.6%，假陽性率降低至1.6%。2013年，該研究小組以NMR技術(shù)通過對30例晚發(fā)型子癇前期患者的早孕期血清進行分析，結(jié)果找到17種有統(tǒng)計學意義的代謝物，其中14種代謝物濃度升高，3種代謝物濃度降低。應用多種差異性代謝物和孕婦基礎信息對晚發(fā)型子癇前期進行預測，靈敏度和特異度分別為76.6%和100.0%。這些研究表明，運用代謝組學技術(shù)早期預測子癇前期是可行的，同時結(jié)合多種手段可提高對該病的預測率，實現(xiàn)對不同類型子癇前期的早期篩查，具有重要的臨床意義。

4 小結(jié)與展望

代謝組學是一種研究生物體低分子代謝物的有效手段，技術(shù)平臺和數(shù)據(jù)處理方法也日趨成熟，許多研究證實了應用代謝組學對子癇前期研究的可行性，為子癇前期提供了分子生物學依據(jù)。由于子癇前期的病因和病理機制不明確，應用代謝組學對子癇前期的研究有著廣闊的前景。代謝組學是基因組學、轉(zhuǎn)錄組學和蛋白質(zhì)組學的最終方向，能提供全面的代謝信息，結(jié)合目前的研究成果來看，代謝組學在對子癇前期的早期診斷和鑒別診斷中起著重要作用，探索子癇前期的發(fā)病機制，有重要的研究價值。以代謝組學為基礎聯(lián)合多種組學技術(shù)，從基因和蛋白質(zhì)層面挖掘差異性代謝物的代謝途徑，從分子水平闡述其發(fā)病機制可能成為子癇前期的研究重點。

[1]Goodacre R，Vaidyanathan S，Dunn WB，et al.Metabolomics by numbers∶acquiring and understanding global metabolite data[J].Trends Biotechnol，2004，22（5）∶245-252.

[2]Lawton KA，Brown MV，Alexander D，et al.Plasma metabolomic biomarker panel to distinguish patients with amyotrophic lateral sclerosis from disease mimics[J].Amyotroph Lateral Scler Frontotemporal Degener，2014，15（5/6）∶362-370.

[3]Langley RJ，Tsalik EL，van Velkinburgh JC，et al.An integrated clinicometabolomic model improves prediction of death in sepsis[J].Sci Transl Med，2013，5（195）∶195ra95.

[4]Lu Y，Wang C，Chen Z，et al.Serum metabolomics for the diagnosis and classification of myasthenia gravis[J].Metabolomics，2012，8（4）∶704-713.

[5]Martin FP，Dumas ME，Wang Y，et al.A top-down systems biology view of microbiome-mammalian metabolic interactions in a mouse model[J].Mol Syst Bio，2007，3∶112.

[6]GowdaGA，DjukovicD.Overviewofmassspectrometry-basedmetabolomics∶opportunities and challenges[J].Methods Mol Biol，2014，1198∶3-12.

[7]Nicholson JK，Lindon JC，Holmes E.′Metabonomics′∶understanding the metabolic responses of living systems to pathophysiological stimuli via multivariate statistical analysis of biological NMR spectroscopic data[J]. Xenobiotica，1999，29（11）∶1181-1189.

[8]Fiehn O.Metabolomics-the link between genotypes and phenotypes[J]. Plant Mol Siol，2002，48（1/2）∶155-171.

[9]Mamas M，Dunn WB，Neyses L，et al.The role of metabolites and metabolomics in clinically applicable biomarkers of disease[J].Arch Toxicol，2011，85（1）∶5-17.

[10]Patti GJ，Yanes O，Siuzdak G.Innovation∶Metabolomics∶the apogee of the omics trilogy[J].Nat Rev Mol Cell Biol，2012，13（4）∶263-269.

[11]Zelena E，Dunn WB，Broadhurst D，et al.Development of a robust and repeatable UPLC-MS method for the long-term metabolomic study of human serum[J].Anal Chem，2009，81（4）∶1357-1364.

[12]Bothwell JH，Griffin JL.An introduction to biological nuclear magnetic resonance spectroscopy[J].Biol Rev Camb Philos Soc，2011，86（2）∶493-510.

[13]Smolinska A，Blanchet L，Buydens LM，et al.NMR and pattern recognition methods in metabolomics∶from data acquisition to biomarker discovery∶a review[J].Anal Chim Acta，2012，750∶82-97.

[14]Kamleh MA，Dow JA，Watson DG.Applications of mass spectrometry in metabolomic studies of animal model and invertebrate systems[J].Brief Funct Genomic Proteomic，2009，8（1）∶28-48.

[15]Fanos V，Atzori L，Makarenko K，et al.Metabolomics application in maternal-fetal medicine[J].Biomed Res Int，2013，2013∶720514.

[16]Gika HG，Theodoridis GA，Plumb RS，et al.Current practice of liquid chromatography-mass spectrometry in metabolomics and metabonomics[J].J Pharm Biomed Anal，2014，87∶12-25.

[17]Goodacre R，Broadhurst D，Smilde AK，et al.Proposed minimum reporting standards for data analysis in metabolomics[J].Metabolomics，2007，3（3）∶231-241.

[18]Okada T，Afendi FM，Altaf-Ul-Amin M，et al.Metabolomics of medicinal plants∶the importance of multivariate analysis of analytical chemistry data[J]. Curr Comput Aided Drug Des，2010，6（3）∶179-196.

[19]Sawada Y，Akiyama K，Sakata A，et al.Widely targeted metabolomics based on large-scale MS/MS data for elucidating metabolite accumulation patterns in plants[J].Plant Cell Physiol，2009，50（1）∶37-47.

[20]Dunn WB，Erban A，Weber RJM，et al.Mass appeal∶metabolite identification in mass spectrometry-focused untargeted metabolomics[J].Metabolomics，2013，9（1）∶44-66.

[21]Lin L，Yu Q，Yan X，et al.Direct infusion mass spectrometry or liquid chromatography mass spectrometry for human metabonomics?A serum metabonomic study of kidney cancer[J].Analyst，2010，135（11）∶2970-2978.

[22]Kenny LC，Dunn WB，Ellis DI，et al.Novel biomarkers for pre-eclampsia detected using metabolomics and machine learning[J].Metabolomics，2005，1（3）∶227-234.

[23]Austdal M，Skr?stad RB，Gundersen AS，et al.Metabolomic biomarkers in serum and urine in women with preeclampsia[J].PloS One，2014，9（3）∶e91923.

[24]Demirci O，Tugrul AS，Dolgun N，et al.Serum lipids level assessed in early pregnancy and risk of pre-eclampsia[J].J Obstet Gynaecol Res，2011，37（10）∶1427-1432.

[25]Turner E，Brewster JA，Simpson NA，et al.Aromatic amino acid biomarkers of preeclampsia-a nuclear magnetic resonance investigation[J].Hypertens Pregnancy，2008，27（3）∶225-235.

[26]Dunn WB，Brown M，Worton SA，et al.Changes in the metabolic footprint of placental explant-conditioned culture medium identifies metabolic disturbances related to hypoxia and pre-eclampsia[J].Placenta，2009，30（11）∶974-980.

[27]De Oliveira L，Camara NO，Bonetti T，et al.Lipid fingerprinting in women with early-onset preeclampsia∶a first look[J].Clin Biochem，2012，45（10/11）∶852-855.

[28]Meads CA，Cnossen JS，Meher S，et al.Methods of prediction and prevention of pre-eclampsia∶systematic reviews of accuracy and effectiveness literature with economic modelling[J].Health Technol Assess，2008，12（6）∶iii-iv.

[29]Kenny LC，Broadhurst DI，Dunn W，et al.Robust early pregnancy prediction of later preeclampsia using metabolomic biomarkers[J].Hypertension，2010，56（4）∶741-749.

[30]Bahado-Singh RO，Akolekar R，Mandal R，et al.Metabolomics and firsttrimester prediction of early-onset preeclampsia[J].J Matern Fetal Neonatal Med，2012，25（10）∶1840-1847.

[31]Bahado-Singh RO，Akolekar R，Mandal R，et al.First-trimester metabolomic detection of late-onset preeclampsia[J].Am J Obstet Gynecol，2013，208（1）∶58.

10.3969/j.issn.1009-5519.2015.13.019

：A

：1009-5519（2015）13-1978-04

∶2015-03-14）

∶陳洪（1988-），女，重慶榮昌人，碩士研究生，主要從事婦產(chǎn)科臨床工作；E-mail∶747226912@qq.com。

∶徐紅兵（E-mail∶xhbyhr2008@sina.com）。