掃碼聯系客服
代謝組與基因組的碰撞——不懂生信也可以復制的MR分析思路
代謝產物在表型調節中發揮重要作用，但代謝產物與腫瘤之間的因果關系尚未得到充分研究，作者通過孟德爾隨機化（MR）研究來研究代謝產物與各種癌癥之間的因果關系。整合了代謝組學和基因組學，以探索癌癥發生的危險因素。在臨床實踐中，是否可以將具有因果關系的代謝物作為生物標志物來區分癌癥高風險患者，這一點值得探討。需要更詳細的研究來闡明機制途徑。
今天再分享一篇在前人研究的基礎上，推陳出新的文章“（遺傳決定的代謝產物對肺癌、乳腺癌、卵巢癌和膠質瘤等癌癥的因果影響：一項孟德爾隨機化研究Causal effects of genetically determined metabolites on cancers included lung, breast, ovarian cancer, and glioma: a Mendelian randomization study ）”，于2022/7/11發表在Transl Lung Cancer Res上~
這一類的文章，均為思路簡潔，可復制性強，新手小白也可以學！只要緊追熱點，跟緊數據庫中的更新數據，打開思路，聯系臨床即可！同時，作者和的研究結果也可以作為我們研究其他癌癥研究的基礎，可以結合轉化和臨床研究來解釋代謝產物如何誘導癌癥的發展以及它們在相關疾病發病機制中的作用。
下面是原文，學習起來吧~
一、背景
代謝產物是影響腫瘤發生的關鍵因素之一。例如，肝激酶B1（LKB1）突變型肺癌具有核苷酸代謝缺陷，導致對脫氧胸苷酸激酶抑制的超敏反應。N-乙酰天門冬氨酸在促進腫瘤生長中起著重要作用。2-羥基戊二酸在膠質瘤中異常升高。然而，關于代謝產物與腫瘤之間的因果關系的研究并不全面。
由于代謝組學的敏感性，可以檢測到生物行為的細微變化，從而深入了解各種生理狀態和異常過程以及合并疾病的機制。但生物標志物驗證的最大挑戰之一是克服由于遺傳因素和環境暴露的差異導致的個體間代謝物差異。鑒定代謝產物及其生物學作用是至關重要的一步。在這些條件下，許多研究表明代謝組學在癌癥研究中具有巨大潛力。
孟德爾隨機化（MR）是一種基于GWAS匯總數據的通用方法，以遺傳變異作為工具變量（IV）評估暴露與結果之間的因果關系。換句話說，GWAS的基因變異可用于模擬隨機對照比較，以驗證各種因素之間的因果關系。此外，GWAS已擴展到代謝概況。
作者使用雙樣本MR方法來檢測基因決定的代謝型（GDMs）對肺癌（LC）、乳腺癌（BC）、卵巢癌（OC）和膠質瘤的因果效應影響。
二、方法
1.代謝產物GWAS的遺傳變異
經過嚴格的質量控制，486種代謝產物被用于遺傳分析，其中309種已知代謝產物和177種未知代謝產物。309種已知代謝產物被進一步分為8個廣泛的代謝類別（氨基酸、碳水化合物、輔因子和維生素、能量、脂質、核苷酸、肽和異種代謝）。流程圖如圖1。
圖1流程圖
2.工具變量的選擇標準
一開始，從486種血清代謝物中選擇SNP采用統一標準。我們選擇了匯總統計中列出的SNPs，這些SNPs通過了質量控制，P＜1×10-5，該松弛統計閾值通常在MR研究中實施，以說明當少數全基因組顯著SNPs可用于暴露時的更大變化。
聚類程序通過連鎖不平衡（LD）分析完成，以較低的P值作為獨立的工具。此外，接下來的步驟是評估這些工具變量是否足夠強大，以通過兩個參數預測因果效應：解釋的遺傳變異（R2）和F統計。根據公式F=R2（n?k?1）/（1?R2）k（n是樣本量，k代表SNPs的數量），計算與相應代謝產物暴露相關的前者和F統計，以避免儀器偏倚（表S1）。
廣泛地說，F統計量大于10被作為選擇強工具變量的典型閾值。將篩選出每種小于10的代謝物的F統計。
癌癥GWAS的遺傳變異
為了評估代謝產物與四種癌癥之間的潛在因果關系，納入了來自不同聯合體的四種癌癥GWAS匯總統計數據。根據癌癥類型對不同人群的整合源自以下聯合體：國際肺癌協會聯合會（ILCCO），肺癌[包括11348例病例和15861例對照，組織學上可分為肺腺癌（LAC）和鱗狀細胞癌]，乳腺癌協會聯合會（BCAC），針對乳腺癌（包括122977例病例和105974例對照，分為ER陽性乳腺癌和ER陰性乳腺癌），卵巢癌協會聯合（OCAC）針對卵巢癌（包括25509例病例和40941例對照）。關于膠質瘤的GWAS包括14個隊列、3個病例對照研究和1個基于人群的病例研究（包括6811例病例）（表S2）。
表S2
3.MR統計分析
MR的原理如圖S1所示。使用逆方差加權（IVW）方法估計代謝物與四種原發性癌癥之間的因果關系。然后，我們使用Bonferroni校正，使用P<1.02×10?4（0.05/486）的多重測試調整閾值。敏感性分析：采用加權中值、MR Egger和留一法進行敏感性分析，并檢驗第二種假設。通過MR Egger回歸和MR-PRESSO全局檢驗檢測到水平多效性的存在。最后，利用可用數據進一步探討了亞組分析。
圖S1 MR分析流程
4.代謝途徑分析
使用基于web的MetaboAnalyst 5.0軟件對識別的代謝產物進行代謝途徑分析。所有代謝產物在PIFW<0.05時通過IVW鑒定。當使用途徑分析模塊來探測可能參與四種主要癌癥生物學過程的潛在途徑時，共有49條來自兩個代謝產物集合庫的人血清代謝途徑，包括來自小分子途徑數據庫（SMPDB）和KEGG數據庫的44個代謝產物集，僅來自KEGG庫的4個代謝產物。
三、結果
1.研究概況
使用GWAS匯總統計數據進行了兩樣本MR分析，以評估人類血清代謝物對四種原發性癌癥的因果影響。流程圖如圖1。工具變量在其各自表型中的解釋率為0.01%至9.37%。遺傳預測因子有效性檢驗的最小F統計量為17.21，這說明486個代謝型的所有工具變量都足夠可信（F統計量>10）。
2.代謝產物對癌癥的因果效應
通過使用遺傳變異作為代理變量，鑒定出202個顯著的致病關系特征。7-α-羥基-3-氧代-4-膽甾醇酸酯、γ-谷氨酰異亮氨酸、1-油酰基甘油磷酸膽堿、γ-Gutamylyleucine是肺癌卵巢癌、乳腺癌和膠質瘤危險因素；假尿苷、2-甲基丁酰基肉堿、2-甲酰丁酰基肉堿、甘氨酰纈氨酸是對肺癌、卵巢癌、乳腺癌的保護因素，和膠質瘤（表1）。
表1
不同類型癌癥的已知和未知代謝產物之間的所有重要致病關系特征如圖2所示。結果顯示，2-甲基丁酰肉堿降低了肺癌、乳腺癌和卵巢癌的發病率，但與膠質瘤的較高死亡率相關（表2）。
表2
圖S2
3.敏感性和多效性分析
為了避免MR研究的水平多效性，進行了敏感性和多效性分析（表3）。
甲基丁酰基肉堿對乳腺癌和肺癌具有多效性（圖3）。通過所有敏感分析（P<0.05）的四個提示性關聯特征：亮氨酸對肺癌的影響、3-脫氫肉堿對乳腺癌的影響、布洛芬對卵巢癌的影響，亮氨酸對卵巢癌的影響。
表3敏感性和多效性分析
圖3
圖2 不同類型癌癥的代謝產物之間的致病關系
表2
4.肺癌和乳腺癌的亞組分析
在ILCCO和BCAC獲得的暴露中，肺癌分為腺癌和鱗狀細胞癌；乳腺癌分為ER陽性癌和ER陰性癌。在Bonferroni校正下，2-甲基丁酰肉堿對LAC（ORIVW=0.60；95%可信區間：0.48–0.70；PIFW=1.14×，但在ER陰性乳腺癌（ORIVW=1.06；95%CI:0.88–1.26；PIFW=0.55）和鱗狀細胞肺癌（SCLC）（ORIVW=0.78；95%CI=0.63–0.98；PIFW=0.03）中，這些結果可能為不同腫瘤的生物發生機制提供潛在證據。值得注意的是，當進行兩次額外的MR測試時，2-甲基丁酰基肉堿和LAC之間的因果關系是可靠的（加權中值=0.007，PMR Egger=0.019）。表S20和S21中列出了解釋2-甲基丁酰肉堿與兩種癌癥之間關系的這些遺傳變異。敏感性分析結果一致，見表S22-S24。
5.代謝途徑分析
代謝途徑分析確定了四種癌癥中的四種代謝途徑（P<0.05）。結果表明，“維生素B6代謝（P=0.028）和丁酸代謝（P=0.047）”通路可能參與肺癌的發生。“氨酰tRNA生物合成（P=0.006）和苯丙氨酸、酪氨酸和色氨酸生物合成（P=0.033）”途徑可能與LAC相關（表S25）。
四、討論和小結
這項MR研究使用標準IVW和替代加權中值MR Egger方法提供了人類血清代謝物對四種原發性癌癥的潛在因果影響。使用遺傳變異作為工具變量，觀察到137種與癌癥風險相關的代謝產物。
這篇文章可以學習的優勢之處在于，這項研究是第一項將代謝組學與基因組學相結合的MR研究，以檢測血清代謝產物與癌癥的因果關系。其次，作者所選擇代謝產物與癌癥之間因果關系的方法是值得借鑒的！全文清晰且嚴謹，用了包括IVW、加權中值和MR Egger在內的多種方法，并且，實施了嚴格的Bonferroni校正。
總之，這一項MR研究確定了132種可能對癌癥進展有因果影響的代謝物。有趣的是，38種代謝產物對不止一種癌癥有因果影響，這意味著不同癌癥之間存在一些重疊的代謝途徑。作者和的研究結果也可以作為其他癌癥研究的基礎，并結合轉化和臨床研究來解釋代謝產物如何誘導癌癥的發展以及它們在相關疾病發病機制中的作用。
思路擴展
小編認為泛癌是孟德爾分析較為高階的應用，但是思路簡單，不需要設計過于復雜的研究方案，完全可以用臨床醫生的思路來尋找問題！解決方案也類似于前瞻性隊列研究的思維方式,簡直不要太方便！
近期，涌現了非常多的癌癥相關的孟德爾分析的高分文章，范圍廣泛，創新點多，但大多沒有特別深入！新手小白只需要抓住某一具體的研究熱點，使用已經整理好的數據，做進一步的探究，即可輕松搞定一篇質量中上等的文章！常用的暴露因素和泛癌結局指標已經在上一篇文章中做好了總結!
熱點寫一篇，就少一篇！趁著新鮮，抓緊時間，趁著現在快速上車吧~
