Page 124 - 中国全科医学2022-08

http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn ·1017·

表 2 肠道代谢物及其在哮喘发展中的作用机制 有监督学习和无监督学习。在有监督学习中，机器学习算法
Table 2 Roles of intestinal metabolites involved in the pathogenesis of 的目标是从已知分组的训练数据集推算得出疾病的类别，属
childhood asthma
于分类算法，其功能是预测；相反，在无监督学习中，目标
代谢物 机制
是从“未标记”的样本推断可能的集合，属于聚类算法，其
短链脂肪酸： 直接激活 G 蛋白偶联受体（如 GPR41、GPR43、
乙酸盐、丙酸 GRP109A），抑制组蛋白脱乙酰基酶，作为能量 功能是降维，对样本间差异较小的特征不敏感。
盐、丁酸盐 底物 ［62］ ；换行诱导 T 调节细胞分化，减少嗜酸粒 此外，哮喘是一种复杂而异质的疾病，可分为不同的表
细胞运输和存活 ［55］ ，以及促进黏膜抗体产生 ［63］
型及内型，相同表型的患者，对同一药物的反应不尽相同。
多不饱和脂肪 增加短链脂肪酸的产生，被人体肠道微生物代谢
酸：o me g a -3 产生共轭亚油酸（CLA）和 12，13- 二羟基 -9- 精确的内型是通过特定的生物标志物将病理生物学机制和可
脂肪酸（二十 十八烯酸（12，13-diHOME）。换行免疫失衡情 见特性联系起来，其有望将哮喘细分为不同亚型并为个性化
碳五烯酸和 况下，补充 CLA 能减少肿瘤坏死因子（TNF）-α、 治疗方案开辟道路。多组学数据为超越临床表型的内分型提
二十二碳六烯 干 扰 素（IFN）-γ 和 白 介 素（IL）-5 的 产 生 以
酸 ）、omega-6 及嗜酸粒细胞来源神经毒素的释放 ［64］ ；12， 供了机会，特别是与上述机器学习聚类算法结合使用时。将
脂肪酸（亚油 13-diHOME 可激活树突状细胞中的 PPARγ 调控 多组学数据与聚类算法结合使用，可以识别同质的哮喘内型，
酸及其代谢物 基因的表达，并减少体外的抗炎细胞因子分泌和
花生四烯酸） Treg 细胞数量，从而增加肺部炎症 ［65］ 这些内型可能对特定的、个性化的治疗方案做出相似反应。
胆汁酸：胆酸、 熊去氧胆酸通过连接树突状细胞的法尼醇 X 受体 随着代谢组学技术的发展，不再将代谢物视为下游产物，
鹅脱氧胆酸、 （FXR），促进 IL-12 的产生，促进树突状细胞的 代谢物除了是饮食、环境、遗传、微生物共同作用的结果，
脱氧胆酸、石 迁移，减少肺部嗜酸性气道炎症 ［66］ ；鹅去氧胆酸
胆酸、熊去氧 通过阻断炎性细胞浸润，从而抑制 Th2 细胞因子 其还能调控基因表达、RNA代谢和蛋白质活性，在哮喘的发生、
胆酸 IL-4、IL-5、IL-13 的分泌 ［67］ 发展中发挥作用。通过对血液、呼出气、粪便、尿液等样本
色氨酸：犬尿 吲哚胺 2，3- 双加氧酶 -1 代谢色氨酸产生犬尿氨 的检测，代谢组学可提供生物标志物的筛选、发病机制的阐释、
氨 酸、5- 羟 色 酸衍生物，通过降低色氨酸的利用率 ［68］ 和促进 T
胺、褪黑激素、 调节细胞来减轻 T 细胞炎症 ［69］ ；色氨酸衍生物可 疾病的预测与分度、呼吸道炎症的监测。此外，随着系统生
吲哚、吲哚酸、 以激活芳香烃受体 ［70］ ，刺激 ILC3 细胞产生 IL-22 物学的发展，运用多组学融合手段对疾病进行更加全面地研
粪臭素、色胺 并抑制 ILC2 功能，促进耐受性树突状细胞 ［71］ 、
Th17 和 T 调节细胞分化 ［72］ 究也逐渐成为趋势。未来，将基因组学、转录组学、蛋白质
鞘 脂：1- 磷 酸 1- 磷酸鞘氨醇与 T 细胞表面 S1P 受体结合，控制 组学、代谢组学、微生物组学和生物信息学结合，有利于为
鞘 氨 醇、1- 磷 T 细胞从淋巴结进入血液 ［73］ ；从头合成鞘脂的减 儿童哮喘的研究提供可信度更高的数据，并有望借此区分不
酸神经酰胺 少会降低细胞内镁含量并影响平滑肌收缩力 ［74］
同哮喘亚型，实现精准医疗和个体化治疗。
影响，例如性别 ［11］ 、年龄 ［12］ 、BMI ［13］ 、饮食 ［14］ 、吸烟、 作者贡献：黄宇戈、罗连响进行文章的构思与设计，文
药物 ［15］ 、体力活动、并发症等；其次，代谢组学研究过程相 章的可行性分析；吴锐剑进行文献的收集、整理，以及撰写
关操作，例如样品收集时间 ［85］ 、收集程序、前处理 ［86］ 、存储 ［34］ 、 论文；黄宇戈进行文章的质量控制及最终文章的修改，对文
冻融 ［87］ 、提取程序 ［88］ 、稀释、分析方法等，也会对结果造 章整体负责，监督管理。
成影响，所以，规范的操作可以减少偏差，增加结果的可靠性； 本文无利益冲突。
最后，在数据处理过程中，由于变量数常大于样本数量，所 本文文献检索策略：
以数据会过度拟合，从而导致错误。为解决过度拟合的问题， 检索 Pubmed 数据库，检索时间为建库至 2020 年 12 月。
就需要足够的样本量，使用内部交叉验证或 Bootstrapping 算 纳入标准：（1）以检索式metabolomics AND asthma AND （child
法对模型进行校准，并在独立的外部样本中对结果进行验证。 OR children）检索相关文献；（2）尽量以近 10 年文献作
4 代谢组学的发展方向 为参考文献。排除标准：（1）重复文献；（2）与“代谢
遗传、调控和环境刺激在生物系统中触发了广泛的输 组学”“儿童”无关文献；（3）存在研究设计缺陷，质量
入 - 输出级联，疾病的发病机制需要在这种广泛的生物学系 差的文献。
统背景下进行验证。代谢组学是整合来自各种组学研究（基
参考文献
因组、转录组、蛋白质组、代谢组和微生物组）的数据，可
［1］BATEMAN E D，HURD S S，BARNES P J，et al. Global
能会为在复杂的生物系统背景下理解疾病的发展过程提供更
strategy for asthma management and prevention：GINA executive
大的机会 ［89］ 。尽管单个组学研究得到了大量可访问的数据，
summary［J］. Eur Respir J，2008，31（1）：143-178. DOI：
但是通过组学整合来识别新的生物机制尚未达到预期，原因
10.1183/09031936.00138707.
是高度异构数据整合困难，以及目前所谓的大数据集与使用 ［2］ASHER I，PEARCE N. Global burden of asthma among
无监督学习方法有效工作所需的数据集相比仍然很小，并且 children［J］. Int J Tuberc Lung Dis，2014，18（11）：1269-
难以达到所需的精度 ［90］ 。为了在多组学数据中实现高信息含 1278. DOI：10.5588/ijtld.14.0170.
量，仍需要遵守相关标准，并以高度系统化的方式进行实验。 ［3］BEASLEY R，SEMPRINI A，MITCHELL E A. Risk factors for
其次，通过基于人工智能的机器学习方法，从数据中学 asthma：is prevention possible?［J］. Lancet，2015，386（9998）：
习复杂的功能关系，而无需先验证假设。机器学习模型的原 1075-1085. DOI：10.1016/s0140-6736（15）00156-7.
理是在一个生物数据集上训练，然后使用检测到的模式来预 ［4］全国儿科哮喘协作组，中国疾病预防控制中心环境与健康相关
测另一个。机器学习在典型的生物学应用中分为两大类，即 产品安全所 . 第三次中国城市儿童哮喘流行病学调查［J］. 中