文章信息：
中心实验室科研团队发表
发表时间2024年7月
Q3/IF4.5

核心速览

       本研究通过靶向代谢组学分析和机器学习方法，识别出与系统性红斑狼疮（SLE）早期诊断和疾病活动度评估相关的新型生物标志物。

研究发现
       本研究通过高通量靶向代谢组学和机器学习技术，成功识别了8个用于SLE诊断的潜在生物标志物和2个用于区分SLE不同活动度的生物标志物。这些标志物在SLE的早期诊断和疾病活动度评估中具有潜在的应用价值。

临床意义
       这些发现为SLE的临床诊断和日常疾病管理提供了新的工具，有助于提高SLE的诊断准确率和治疗效果，减少不必要的检查和医疗成本。

文章摘要
背景：系统性红斑狼疮（SLE）的早期诊断以及疾病活动度进展的评估仍是一项巨大挑战。靶向代谢组学在识别 SLE 新生物标志物方面具有巨大潜力。
方法：采用 HM400 高通量靶向代谢组学技术对 44 名健康参与者和 89 名 SLE 患者的血清进行分析。通过七种学习模型的机器学习（ML）并多次迭代训练模型，以竞争方式选出两个最佳预测模型，并通过酶联免疫吸附测定（ELISA）对 90 名 SLE 患者进行独立验证。
结果：本研究在初发 SLE 患者与健康参与者之间检测到 146 种差异代谢物，其中大部分为有机酸、氨基酸和胆汁酸，并通过机器学习与统计学交叉验证（曲线下面积 [AUC] > 0.95）发现 8 种潜在生物标志物，这些标志物与临床指标呈显著正相关。此外，我们还鉴定并验证了 2 种用于 SLE 分类的潜在生物标志物（P < 0.05，AUC > 0.775；N-甲基-L-谷氨酸、L-2-氨基丁酸）与系统性红斑狼疮疾病活动指数显著相关。这些差异代谢物主要参与代谢途径、氨基酸生物合成、2-氧代羧酸代谢等途径。
结论：本研究表明三羧酸循环可能与系统性红斑狼疮药物治疗有关。我们确定了 8 种诊断模型生物标志物和 2 种可用于识别初始系统性红斑狼疮并区分不同活动程度的生物标志物，这将促进系统性红斑狼疮诊断和评估新工具的发展。

全文链接
Liang J, Han Z, Feng J, Xie F, Luo W, Chen H, He J. Targeted metabolomics combined with machine learning to identify and validate new biomarkers for early SLE diagnosis and disease activity. Clin Immunol. 2024 Jul;264:110235. doi: 10.1016/j.clim.2024.110235. Epub 2024 May 6. PMID: 38710348.