临床结合基础研究的Cell子刊研究范例: 纵向组学分析妊娠糖尿病(GDM)的分子机制和早期预测

本期解读文献为：

Longitudinal integrative cellfree DNA analysis in gestational diabetes mellitus ，研究于 2024 年 8 月 20 日发表于 《 Cell Reports Medicine 》 期刊 （IF 11.7）：

在本研究中，研究团队通过高通量 cfDNA 测序、脂质组学分析和单细胞转录组数据整合等研究方法，开展了 妊娠糖尿病(GDM) 的分子机制和早期预测研究。研究主要发现了 GDM 与健康孕妇之间 cfDNA 片段特征的明显差异、 GDM 患者 cfDNA 与脂质代谢变化的关联以及通过 PRSS1 基因表达变化反映的 GDM 与胰腺外分泌功能改变之间的联系。

妊娠糖尿病（ GDM ）是妊娠期妇女中日益增长的疾病，影响约六分之一的妊娠，由胰岛素抵抗和孕期胰岛素β细胞功能障碍引起，与长期不良结果（如 2 型糖尿病和心血管疾病）相关。 GDM 在孕期表现多样，提出复杂的临床挑战。尽管在 GDM 的诊断和临床管理方面取得了很大进展，但疾病机制仍然不清楚，且早期条件预测仍然困难。 目前的GDM诊断标准主要基于血糖水平，而遗传因子的动态变化常被忽视。 cfDNA 是母体血浆中的一种循环 DNA 片段，其特征与组织特异性核小体排列有关。最近的研究表明， cfDNA 可能为 GDM 的预测提供新的见解。 cfDNA 最初作为非侵入性产前检测（ NIPT ）方法用于检测胎儿染色体异常，后来发现其包含与组织损伤、基因表达、甲基化水平和其他因素相关的非随机片段。 在 GDM 患者中，与非 GDM 孕妇相比， cfDNA 的胎儿分数较低。研究表明 cfDNA 甲基化和转录组特征有潜力预测不良妊娠结果，但需要更多的研究来表征与 GDM 患者的 cfDNA 特征关联。 需要进一步研究来理解 GDM 患者 cfDNA 特征的生物学意义，探索其在早期诊断和治疗监测中的应用潜力。

Figure 1. 研究设计。

1. 研究人群

研究共纳入 299 名 GDM 患者和 299 名健康孕妇作为发现队列（ Tianjin Birth Cohort, TJBC ）。

验证队列 1 包括 8 名 GDM 患者和 106 名健康对照的前瞻性小队列。验证队列 2 使用了来自 Zhu 等人的 21,813 名中国孕妇的 NIPT 数据，最终纳入 6104 个样本。

2. 数据收集：

从第一孕期到第三孕期收集孕妇的外周血样，进行高深度测序（≥ 603X ）分析 cfDNA 特征，包括片段大小、胎儿分数、基序模式和转录起始位点（ TSS ）得分。

3. cfDNA测序与分析：

使用 fRMA 算法对微阵列数据进行标准化处理。

通过 Cox 比例风险模型选择与 GDM 相关的基因，并构建基于网络的策略来筛选枢纽基因。

4. cfDNA特征分析：

分析 cfDNA 片段大小分布、胎儿分数、端基序模式、 TSS 得分等。利用 SPACE 算法构建基因网络，识别与 GDM 相关的枢纽基因。

5. 生物信息学分析：

对 cfDNA 覆盖区域和 TSS 得分进行分析，以识别与 GDM 相关的基因和通路。

进行基因集富集分析 （ GSEA ） 和基因本体 （ GO ） 分析，以了解 GDM 相关的生物学过程。

6. 脂质组学分析：

从孕妇血浆中提取脂质，并使用液相色谱质谱（ LCMS ）进行无靶向脂质组学分析。

7. 神经网络模型：

开发一个专门的神经网络模型，预测 GDM 的发生，并在两个独立的队列中进行验证。

8. 模型验证：

使用来自不同地区的独立队列对预测模型进行验证，以评估模型的适用性和稳健性。

Figure 2 . 样本收集分析流程。

GDM 患者的 cfDNA 片段特征在孕期内呈现特定的变化模式。 GDM 患者相较于对照组有更高的长片段 cfDNA 比例。胎儿分数在 GDM 患者中始终低于对照组。

Figure 3.  cfDNA物理属性差异。

GDM 患者的 cfDNA 端基序模式和甲基化状态与对照组存在显著差异。 PIK3R1 基因的 TSS 得分在 GDM 患者中显著升高。

Figure 4. TSS得分签名在GDM和对照组之间的差异。

确定了与 GDM 相关的 TSS 得分签名，这些签名可能与早产和脂质代谢有关。通过无监督聚类分析揭示了 GDM 患者在不同孕期的特定人群流动模式。

Figure 5. 脂质代谢与TSS得分签名的关联。

GDM 患者的特定脂质代谢特征与 TSS 得分签名存在相关性。 PRSS1 基因的表达与 GDM 患者的脂质代谢紊乱有关。

Figure 6. 神经网络模型预测GDM和后代BMI。

利用 cfDNA 特征和临床数据构建的神经网络模型能有效预测 GDM 和后代 BMI 。通过特征选择和模型优化，提高了预测模型的准确性和实用性。

1. 早期诊断与风险预测：

研究通过分析孕妇的无细胞 DNA （ cfDNA ），为妊娠糖尿病（ GDM ）的早期诊断和风险预测提供了新的生物标志物。这对于及时识别和干预 GDM 至关重要。

2. 个性化医疗：

通过识别与 GDM 相关的 cfDNA 特征，研究有助于个性化医疗的实施，使得治疗方案能够根据个体的遗传特征进行优化。

3. 病理机制理解：

研究揭示了 GDM 与脂质代谢、胰腺外分泌功能之间的联系，增进了对 GDM 病理机制的理解，为开发新的治疗方法提供了科学依据。

4. 非侵入性检测方法：

利用 cfDNA 进行 GDM 的检测是一种非侵入性方法，相较于传统方法，减少了对孕妇和胎儿的风险。

5. 预防长期并发症：

GDM 与孕妇和子代的长期健康风险有关。通过早期识别和治疗 GDM ，可以减少这些并发症的发生。

生信工程师专门对接

个性化分析方案定制