Infectious Diseases & Immunity：税光厚和王福生团队系统分析了COVID-19 代谢紊乱特征和通路扰动
2021年6月，中科脂典、中国人民解放军总医院第五医学中心、中科院遗传发育所的相关研究人员在《Infectious Diseases & Immunity》上发表了题为“Systematic Discovery and Pathway Analyses of Metabolic Disturbance in COVID-19”的研究论文，揭示了与COVID-19发病机制和宿主免疫应答有关的关键代谢产物及其相关的生物学和医学概念，将有助于筛选潜在的预后生物标志物和发现治疗靶点。
发现了100多种与COVID-19疾病相关的代谢物，其中许多与疾病的严重程度相关。 将不同的代谢物与生化反应、代谢途径和生物医学网状术语联系起来，提供了疾病发病机制和宿主反应的背景知识。 一组代谢物被发现能够区分COVID-19患者和健康对照组，另一组代谢物能区分轻度和重度病例。
由严重急性呼吸道冠状病毒2型（SARS-CoV-2）引起的2019年冠状病毒病（COVID-19），截至2021年4月18日，全球已感染1.41亿多人，夺走300多万人的生命。病毒感染的临床表现多种多样，包括无症状感染、发烧、咳嗽、呼吸困难等，甚至死亡。除了病毒的毒力，疾病的严重程度还取决于宿主因素，如对感染的免疫反应。揭示病毒致病机制和免疫异常的根本机制，对于指导临床治疗是非常重要的。 多种组学技术，包括基因组学、转录组学、蛋白质组学、代谢组学和脂质组学，已经成功地应用于获得病毒与宿主系统相互作用的全面视图。据报道，由各种病毒引起的感染会改变宿主的代谢特征，即使在恢复多年后也是如此。多项代谢组学研究已确定柠檬酸循环（TCA循环）中的苹果酸和尿素循环中的氨甲酰磷酸酯、鞘脂代谢途径中的1-磷酸鞘氨醇（S1P）、色氨酸-烟酰胺途径中的犬尿氨酸和胞嘧啶代谢与COVID-19有关。
在这项研究中，研究人员对26名健康对照者和50名患有轻度、中度和重度疾病的COVID-19患者的血浆进行了非靶向高分辨率质谱分析，系统地研究了与COVID-19发病机制相关的关键差异代谢物和代谢途径。
研究参与者、样本收集程序和分析工作流程的示意图
研究人员在LC-MS平台上采用内标法对404种代谢物进行了人工注释和定量，其中358种代谢物被纳入分析。主成分分析（PCA）显示了疾病状态和血浆代谢组的第二个主成分之间的强关联，占总方差的12.63%。此外，轻中度病例比重度病例更接近对照组。与PCA类似，分层聚类分析也实现了健康对照组和COVID-19患者较好的聚集，并揭示了共同调节代谢物的不同模式。OPLSDA进一步证实，COVID-19病例可以很好地与健康对照组区分开来，具有良好的预测普适性。Welch t检验鉴定出75种下调代谢产物和45种上调代谢产物，并显示在火山图中，进一步分析表明它们富含嘌呤代谢。许多重要的代谢物也分布在其他途径，如鞘脂代谢、柠檬酸循环、天冬氨酸代谢、精氨酸和脯氨酸代谢、Warburg效应和色氨酸代谢（下表）。
与健康对照相比，COVID-19 患者的整体代谢紊乱
先前已有研究比较了研究队列的基线特征，包括年龄、性别和BMI，显示年龄和BMI与疾病严重程度之间存在正相关关系。为了解释潜在的混杂因素，研究人员用两个线性模型，调整了年龄、性别，构建BMI来比较健康对照组和COVID-19患者，以及健康对照组和不同疾病严重程度患者之间的差异。结果发现，31种代谢物被鉴定与疾病状态以及疾病严重程度有关。其中21种代谢物在患者体内表达下调，与轻、中度组相比，重度组也表达下调；而10种代谢物在患者中增加，并且在中度组中也高于轻度组。在COVID-19患者中，总共有125种代谢物下调，30种代谢物上调。
使用线性模型的微分分析
接下来，研究人员用MetPA鉴定了一条类固醇激素生物合成途径，该途径富集了线性模型中的差异代谢物。结果发现，重度组醛固酮、皮质醇和雄酮葡萄糖醛酸均低于轻度组和中度组。在健康对照组和患者的比较中，类固醇激素生物合成途径也是最显著富集途径之一。此外，尽管鞘脂代谢、TCA循环和嘌呤代谢等途径的P值不显著（P>0.05），但仍有大量代谢物在这些途径中受到差异调节，表明这些途径在很大程度上受疾病的影响。研究人员根据注释代谢物的KEGG IDs将其映射到KEGG RPAIR反应底物产物数据库，发现COVID-19患者的大多数代谢物表达下调，节点大小表示代谢物的绝对对数倍变化，根据其节点大小，很容易地确定鞘氨醇、1-磷酸鞘氨醇和S1P是最显著下调的代谢物。此外，来自TCA循环途径的代谢物，如富马酸、琥珀酸、L-苹果酸和柠檬酸也被下调。
在无向网络中整合代谢组学数据和 KEGG 反应信息
研究人员对来自线性模型的差异代谢物使用Metab2MeSH (http://metab2mesh.ncibi.org) 数据库通过MeSH术语进一步注释。下图显示了每个比较的数据库和富集术语。更多MeSH术语显着丰富了轻度和重度患者比较的差异代谢物，例如“生殖器疾病，女性”，“睡眠障碍，内在”，“慢性疾病”等。对于健康对照和患者的比较，“水电解质失衡”、“肿瘤病毒感染”、“Lesch-Nyhan 综合征”是富集度前三名的术语。
基于每个比较的差异代谢物（线性模型的 FDR < 0.05）对 MeSH 项进行富集分析
随后，研究人员从50名COVID-19患者中鉴定出共同调节的代谢物，并使用Spearman相关法评估其与临床指标的相关性。通过加权基因相关网络分析（WGCNA）鉴定了9个模块。在这些模块中，蓝绿色模块与总胆红素、血红蛋白和白蛋白呈正相关。黄色模块与C-反应蛋白、乳酸脱氢酶和白细胞介素-6呈负相关，灰色模块与血清肌酐呈正相关。黑色模块与血清铁蛋白呈正相关，棕色模块与症状的出现呈负相关。个体代谢物与临床指标的相关性如下图C所示。例如，蓝绿色模块中的短肽，如“Arg-Trp-Cys-His”、“Asp-Phe”、“Met-Glu-Ser”、“Phe-Asp”和“Pro-Asp-Val”，与血红蛋白、总胆红素和白蛋白正相关。
加权相关网络分析和与临床指标的相关性
为了发现潜在的代谢物生物标记物，能够区分健康对照组和COVID-19患者，以及更严重的患者和较轻的患者，研究人员建立了一个保守的分类模型，包括外部验证和随机置换。随机森林（RF）模型能够很好地对对照和患者进行分类（中值 AUC：1.000），而置换数据的中值AUC为 0.600（图 7B）。与置换数据的AUC中值0.583相比，该模型还能够以中等准确度（AUC中值0.750）对轻度、中度和重度病例进行分类。由于置换后的数据与原始数据具有相同的AUC（P=0.600），因此不能很好地将重度患者与轻中度患者分开。下图B列出了从相应RF模型中获得的变量重要性最高的前十个代谢物。
发现 COVID-19 的潜在代谢物生物标志物
综上所述，这项研究的结果表明，血浆代谢物与 COVID-19 疾病状态和严重程度相关，并强调了与 COVID-19 发病机制中代谢改变相关的关键途径。
