大家好，今天跟大家分享一篇题为NMR and MS reveal characteristic metabolome atlas and optimize esophageal squamous cell carcinoma early detection（核磁共振和质谱揭示特征代谢组图谱，优化食管鳞状细胞癌早期检测）代谢变化先于恶性组织学变化。然而，目前尚不清楚食管鳞状细胞癌(ESCC)组织和生物液中是否存在可检测的特征代谢组以进行早期诊断。
01
研究背景
代谢变化先于恶性组织学。然而，目前尚不清楚食管鳞状细胞癌 （ESCC） 组织和生物体液中是否存在可检测的特征性代谢组以进行早期诊断。在这里，我们利用机器学习和 WGCNA，对来自三家医院的 560 名参与者的 1,153 个匹配的 ESCC 组织、正常粘膜、术前和术后一周的血清和尿液进行基于 NMR 和 MS 的代谢组学。
事实证明，“丙氨酸、天冬氨酸和谷氨酸代谢”的畸变在整个 ESCC 进化过程中普遍存在，通过 NMR 和 MS 一致识别，并反映在发现和验证集中的 16 个血清和 10 个尿液代谢特征中。任何五种血清或尿液代谢物的基于 NMR 的简化面板均优于临床血清学肿瘤标志物（AUC = 0.984 和 0.930），并且可有效区分测试集中的早期 ESCC（血清准确度 = 0.994，尿液准确度 = 0.879）。
总的来说，基于 NMR 的生物流体筛选可以揭示 ESCC 的特征性代谢事件，并且可用于早期检测 （ChiCTR2300073613）。
见图一
整体研究设计的架构。
图一
共有来自三个中心的 560 名参与者参与了这项研究。收集组织、血清和尿液标本并进行1基于 H-NMR 和 MS 的代谢组学分析，然后进行模式识别、机器学习和 WGCNA 分析。
见图二
基于基于 NMR 的代谢组学的 ESCC 患者的组织代谢组学景观。
图二
A-C OPLS-DA 评分图1ESCC 患者不同阶段的 H-NMR 组织波谱。红色：ESCC 肿瘤;蓝色：正常粘膜;黄色：早期 ESCC 组织;橙色：晚期 ESCC 组织。
D-F 通过排列分析对相应模型进行统计验证（200 次）。x 轴表示置换检验的置换保留率，右上角的点表示 R2（浅蓝色）和 Q2（深蓝色）值（当置换保留率为 1 时）。R2衡量拟合优度，而 Q2测量模型的预测能力。浅蓝色圆点代表 R2从排列测试中获得的值，而深蓝色点表示 Q2从 permutation test 获得的值。两条虚线表示 R 的回归线2和 Q2分别。
G-I 代谢途径分析。相对中介中心性是路径拓扑分析的选定节点重要性度量。所有路径都表示为气泡。每个气泡的颜色和大小分别对应于其 p 值和通路影响值。通常，地图右侧的气泡具有较高的权重，而顶部的气泡具有较小的 p 值。用于代谢途径分析的精确 p 值在 Source Data 中提供，无需调整。
J 基于同一批次样本的多火山图，显示了不同组间差异代谢物的比较（肿瘤与正常;早期 ESCC 与正常;早期 ESCC 与高级 ESCC）。P 值通过双侧 t 检验确定，无调整。p < 0.05 的代谢物在图上显示为实心圆圈，而 p > 0.05 的代谢物未显示。一个日志10对每个显著差异代谢物的 p 值进行转化，以可视化它们的显著性水平。
K ESCC 进化中主要代谢途径紊乱的统计分析。大于 0.1 且 p < 0.05 的通路影响用作统计显着性的临界值。（A、D、G、左面板）ESCC 与正常粘膜患者;（B、E、H、中图）早期 ESCC 与正常粘膜患者;和 （C， F， I， 右图） 早期 ESCC 与晚期 -ESCC 患者。源数据作为 源数据 文件提供。
见图三对早期 ESCC 组织样本进行基于质谱的靶向定量分析证实了 NMR 结果。
图三
A 量化代谢物类别的饼图。颜色表示不同的复合超类;着色遵循每个饼图的图例逆时针方向。
B 对早期 ESCC 组织样本与正常对照进行火山图分析。P 值通过双侧 t 检验确定，无调整。差异表达的代谢物分别用蓝点 （相对于正常对照下调） 和红点 （相对于正常对照上调） 表示。灰色圆点表示没有显著差异。
C 早期 ESCC 组织样本中最富集的 KEGG 通路的树状图。相对中介中心性是路径拓扑分析的选定节点重要性度量。每个方块代表一个代谢途径;正方形大小表示拓扑分析中的影响因子;方块的颜色表示富集分析的 p 值;颜色越深，富集越显著。
D 通过基于 NMR 和基于 MS 的代谢组学分析的关键差异代谢物的 O2PLS 负载图。NMR 和 MS 检测到的早期 ESCC 组织中排名前 30 位的代谢物分别用紫色和蓝色标记。源数据作为 源数据 文件提供。
见图四
ESCC 患者手术前后血清和尿液代谢的变化。
图四
A-L OPLS-DA 评分图1实验组之间的 H-NMR 血清光谱 （A-C） 和尿液光谱 （G-I）。红色：术前;黄色：术后;蓝色：健康对照 （HC）。ESCC 患者血清 （D-F） 和尿液 （J-L） 中区分代谢物的代谢途径分析。相对中介中心性是路径拓扑分析的选定节点重要性度量。源数据中提供了用于代谢途径分析的精确 p 值，无需调整。
（A、D、G、J，左面板）术前组 vs. 健康组;（B、E、H、K、中板）术前组 vs. 术后组;和 （C， F， I， L， 右图） 术后组与健康组。
M、N Mantel 试验量化了早期 ESCC 患者组织代谢组与血清代谢组以及尿液代谢组之间的相关性程度。将组织概况中丙氨酸、天冬氨酸和谷氨酸代谢途径或精氨酸和脯氨酸代谢途径中的关键代谢物 （潜在生物标志物） 分别与血清和尿液差异代谢物进行比较。Mantel 统计数据在图的右侧区域提供。网络热图显示了主要组织生物标志物和生物流体代谢物之间的相关性（边缘颜色表示统计显着性（p 值由双侧 t 检验确定，没有调整进行比较），边缘宽度对应于相应距离相关性的 Mantel r 统计量;框中的颜色渐变表示 Pearson 相关系数）。源数据作为 源数据 文件提供。
见图五WGCNA 分析、代谢酶表达和关键代谢途径的差异分析揭示了所涉及的机制。
图五
A 早期 ESCC 组织与正常粘膜：WGCNA 簇树状图将差异代谢物分组为由树状图分支切割定义的不同代谢物模块（具有不同的颜色）。绿松石色、蓝色和棕色是肿瘤与正常组织之间相关性最强的模块。
B 早期 ESCC 组织与正常粘膜：散点图显示代谢物模块隶属评分与性状之间的相关性。绿松石色、蓝色或棕色色调表示每个模块的目标代谢物。
C 早期 ESCC 组织与正常粘膜：绿松石模块中代谢物的功能富集分析。选择的途径富集分析方法是 Globaltest。点图总结了在富集分析过程中鉴定出的最显著代谢物集。每个代谢物集的点的大小表示富集率，颜色表示 p 值。
D 术前与术后血清组：唯一关键的 WGCNA 模块中的枢纽代谢物，特异性于 ESCC 患者食管切除术前后的代谢变化。
E 差异表达 （log2FC） 使用丙氨酸、天冬氨酸和谷氨酸代谢途径中主要代谢酶的 FC），使用 TCGA-ESCA 数据（红色，n = 182 个生物学独立性肿瘤样本）和 GTEx 数据（蓝色，n = 666 个生物学独立性正常样本）。在箱形图中，中央黑线表示数据中位数，而垂直线对应于上四分位数和下四分位数。数据以平均值±平均值的标准误差 （SEM） 表示。采用 Mann-Whitney U 检验 （Wilcoxon 秩和检验） 进行比较，得到 p 值。
F 丙氨酸、天冬氨酸和谷氨酸代谢途径总结，包括代谢物、酶和转运蛋白（蓝色：下调;红色：上调）。源数据作为 源数据 文件提供。
见图六
血清和尿液代谢物生物标志物的内部验证。
图六
A、B STAMP 分析表明 ESCC 之间血清 （A） 和尿液 （B） 代谢物生物标志物的表达差异（n = 54 个生物学独立的血清样本;n = 54 个生物学独立性尿液样本）和 HC 组（n = 87 个生物学独立血清样本;n = 39 个生物学独立的尿液样本）。结果分为两部分：1） 左侧条形图：红色条形代表 ESCC 组，蓝色条形代表 HC 组。每个条形的长度表示 expression 的比例。条形上的黑线表示均值的标准误 （SEM）。2） 右侧点图：当差异代谢物在 ESCC 组中的丰度高于 HC 组时，它由虚线右侧的红点表示。相反，如果 ESCC 组中的代谢物表达低于 HC 组，则虚线左侧用蓝点标记。点与中心虚线的距离表示差异的大小 （95% CI）。右侧的纵轴显示差值的 p 值（无比较调整的双侧 Welch t 检验，FDR 调整），从小到大排列。源数据中提供了两组中代谢物特征的平均值、标准差 （SD） 和 SEM。95% CI：95% 置信区间。验证集中区分 ESCC 和 HC 的 16 个血清 （C、D） 和 10 个尿液 （E、F） 代谢特征的 ROC 曲线的 C-F AUC。来自交叉验证的血清 （G） 或尿液 （I） 关节模型（红色）的 G-N ROC 曲线和 AUC，在 30% 保持测试数据集（蓝色）上运行。使用基于血清 （H） 或尿液 （J） AUC 的最佳分类器预测每个样本的类别概率（交叉验证的平均值）。具有不同血清 （K） 或尿液 （M） 特征数量的 SVM 模型的预测准确性。图像显示了每个样本在 100 次交叉验证中的预测类概率的平均值。由于该算法使用平衡的子采样方法，因此分类边界位于中心（x = 0.5，虚线）。ROC 曲线显示 5 种血清 （L） 或 5 种尿液 （N） 代谢物 （AUC 值最低） 结合 ESCC 的 logistic 回归模型的疗效。CV 交叉验证。源数据作为 源数据 文件提供。
02
研究结论
总之，我们的研究结果表明，ESCC 组织和生物流体中存在 NMR 可检测的特征代谢组学，生物流体中显着的代谢特征可以忠实地反映 ESCC 组织中的代谢组学特征。基于 NMR 的简化血清或尿液代谢分类器在检测 ESCC 方面表现出高准确性和 SP，无论疾病的组织学阶段如何，因此可以用作潜在的无创 ESCC 早期筛查工具。展望未来，我们计划使用食管癌前病变和随访数据扩展数据集，以构建代谢时间表，同时还整合来自食管不同解剖部位的代谢数据来构建 ESCC 的时空代谢组学。此外，我们将进行综合的多组学分析，包括代谢组、蛋白质组和微生物组，以阐明代谢物的来源和功能机制。这项工作正在进行中。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
01
研究背景
代谢变化先于恶性组织学。然而，目前尚不清楚食管鳞状细胞癌 （ESCC） 组织和生物体液中是否存在可检测的特征性代谢组以进行早期诊断。在这里，我们利用机器学习和 WGCNA，对来自三家医院的 560 名参与者的 1,153 个匹配的 ESCC 组织、正常粘膜、术前和术后一周的血清和尿液进行基于 NMR 和 MS 的代谢组学。
事实证明，“丙氨酸、天冬氨酸和谷氨酸代谢”的畸变在整个 ESCC 进化过程中普遍存在，通过 NMR 和 MS 一致识别，并反映在发现和验证集中的 16 个血清和 10 个尿液代谢特征中。任何五种血清或尿液代谢物的基于 NMR 的简化面板均优于临床血清学肿瘤标志物（AUC = 0.984 和 0.930），并且可有效区分测试集中的早期 ESCC（血清准确度 = 0.994，尿液准确度 = 0.879）。
总的来说，基于 NMR 的生物流体筛选可以揭示 ESCC 的特征性代谢事件，并且可用于早期检测 （ChiCTR2300073613）。
见图一
整体研究设计的架构。
图一
共有来自三个中心的 560 名参与者参与了这项研究。收集组织、血清和尿液标本并进行1基于 H-NMR 和 MS 的代谢组学分析，然后进行模式识别、机器学习和 WGCNA 分析。
见图二
基于基于 NMR 的代谢组学的 ESCC 患者的组织代谢组学景观。
图二
A-C OPLS-DA 评分图1ESCC 患者不同阶段的 H-NMR 组织波谱。红色：ESCC 肿瘤;蓝色：正常粘膜;黄色：早期 ESCC 组织;橙色：晚期 ESCC 组织。
D-F 通过排列分析对相应模型进行统计验证（200 次）。x 轴表示置换检验的置换保留率，右上角的点表示 R2（浅蓝色）和 Q2（深蓝色）值（当置换保留率为 1 时）。R2衡量拟合优度，而 Q2测量模型的预测能力。浅蓝色圆点代表 R2从排列测试中获得的值，而深蓝色点表示 Q2从 permutation test 获得的值。两条虚线表示 R 的回归线2和 Q2分别。
G-I 代谢途径分析。相对中介中心性是路径拓扑分析的选定节点重要性度量。所有路径都表示为气泡。每个气泡的颜色和大小分别对应于其 p 值和通路影响值。通常，地图右侧的气泡具有较高的权重，而顶部的气泡具有较小的 p 值。用于代谢途径分析的精确 p 值在 Source Data 中提供，无需调整。
J 基于同一批次样本的多火山图，显示了不同组间差异代谢物的比较（肿瘤与正常;早期 ESCC 与正常;早期 ESCC 与高级 ESCC）。P 值通过双侧 t 检验确定，无调整。p < 0.05 的代谢物在图上显示为实心圆圈，而 p > 0.05 的代谢物未显示。一个日志10对每个显著差异代谢物的 p 值进行转化，以可视化它们的显著性水平。
K ESCC 进化中主要代谢途径紊乱的统计分析。大于 0.1 且 p < 0.05 的通路影响用作统计显着性的临界值。（A、D、G、左面板）ESCC 与正常粘膜患者;（B、E、H、中图）早期 ESCC 与正常粘膜患者;和 （C， F， I， 右图） 早期 ESCC 与晚期 -ESCC 患者。源数据作为 源数据 文件提供。
见图三对早期 ESCC 组织样本进行基于质谱的靶向定量分析证实了 NMR 结果。
图三
A 量化代谢物类别的饼图。颜色表示不同的复合超类;着色遵循每个饼图的图例逆时针方向。
B 对早期 ESCC 组织样本与正常对照进行火山图分析。P 值通过双侧 t 检验确定，无调整。差异表达的代谢物分别用蓝点 （相对于正常对照下调） 和红点 （相对于正常对照上调） 表示。灰色圆点表示没有显著差异。
C 早期 ESCC 组织样本中最富集的 KEGG 通路的树状图。相对中介中心性是路径拓扑分析的选定节点重要性度量。每个方块代表一个代谢途径;正方形大小表示拓扑分析中的影响因子;方块的颜色表示富集分析的 p 值;颜色越深，富集越显著。
D 通过基于 NMR 和基于 MS 的代谢组学分析的关键差异代谢物的 O2PLS 负载图。NMR 和 MS 检测到的早期 ESCC 组织中排名前 30 位的代谢物分别用紫色和蓝色标记。源数据作为 源数据 文件提供。
见图四
ESCC 患者手术前后血清和尿液代谢的变化。
图四
A-L OPLS-DA 评分图1实验组之间的 H-NMR 血清光谱 （A-C） 和尿液光谱 （G-I）。红色：术前;黄色：术后;蓝色：健康对照 （HC）。ESCC 患者血清 （D-F） 和尿液 （J-L） 中区分代谢物的代谢途径分析。相对中介中心性是路径拓扑分析的选定节点重要性度量。源数据中提供了用于代谢途径分析的精确 p 值，无需调整。
（A、D、G、J，左面板）术前组 vs. 健康组;（B、E、H、K、中板）术前组 vs. 术后组;和 （C， F， I， L， 右图） 术后组与健康组。
M、N Mantel 试验量化了早期 ESCC 患者组织代谢组与血清代谢组以及尿液代谢组之间的相关性程度。将组织概况中丙氨酸、天冬氨酸和谷氨酸代谢途径或精氨酸和脯氨酸代谢途径中的关键代谢物 （潜在生物标志物） 分别与血清和尿液差异代谢物进行比较。Mantel 统计数据在图的右侧区域提供。网络热图显示了主要组织生物标志物和生物流体代谢物之间的相关性（边缘颜色表示统计显着性（p 值由双侧 t 检验确定，没有调整进行比较），边缘宽度对应于相应距离相关性的 Mantel r 统计量;框中的颜色渐变表示 Pearson 相关系数）。源数据作为 源数据 文件提供。
见图五WGCNA 分析、代谢酶表达和关键代谢途径的差异分析揭示了所涉及的机制。
图五
A 早期 ESCC 组织与正常粘膜：WGCNA 簇树状图将差异代谢物分组为由树状图分支切割定义的不同代谢物模块（具有不同的颜色）。绿松石色、蓝色和棕色是肿瘤与正常组织之间相关性最强的模块。
B 早期 ESCC 组织与正常粘膜：散点图显示代谢物模块隶属评分与性状之间的相关性。绿松石色、蓝色或棕色色调表示每个模块的目标代谢物。
C 早期 ESCC 组织与正常粘膜：绿松石模块中代谢物的功能富集分析。选择的途径富集分析方法是 Globaltest。点图总结了在富集分析过程中鉴定出的最显著代谢物集。每个代谢物集的点的大小表示富集率，颜色表示 p 值。
D 术前与术后血清组：唯一关键的 WGCNA 模块中的枢纽代谢物，特异性于 ESCC 患者食管切除术前后的代谢变化。
E 差异表达 （log2FC） 使用丙氨酸、天冬氨酸和谷氨酸代谢途径中主要代谢酶的 FC），使用 TCGA-ESCA 数据（红色，n = 182 个生物学独立性肿瘤样本）和 GTEx 数据（蓝色，n = 666 个生物学独立性正常样本）。在箱形图中，中央黑线表示数据中位数，而垂直线对应于上四分位数和下四分位数。数据以平均值±平均值的标准误差 （SEM） 表示。采用 Mann-Whitney U 检验 （Wilcoxon 秩和检验） 进行比较，得到 p 值。
F 丙氨酸、天冬氨酸和谷氨酸代谢途径总结，包括代谢物、酶和转运蛋白（蓝色：下调;红色：上调）。源数据作为 源数据 文件提供。
见图六
血清和尿液代谢物生物标志物的内部验证。
图六
A、B STAMP 分析表明 ESCC 之间血清 （A） 和尿液 （B） 代谢物生物标志物的表达差异（n = 54 个生物学独立的血清样本;n = 54 个生物学独立性尿液样本）和 HC 组（n = 87 个生物学独立血清样本;n = 39 个生物学独立的尿液样本）。结果分为两部分：1） 左侧条形图：红色条形代表 ESCC 组，蓝色条形代表 HC 组。每个条形的长度表示 expression 的比例。条形上的黑线表示均值的标准误 （SEM）。2） 右侧点图：当差异代谢物在 ESCC 组中的丰度高于 HC 组时，它由虚线右侧的红点表示。相反，如果 ESCC 组中的代谢物表达低于 HC 组，则虚线左侧用蓝点标记。点与中心虚线的距离表示差异的大小 （95% CI）。右侧的纵轴显示差值的 p 值（无比较调整的双侧 Welch t 检验，FDR 调整），从小到大排列。源数据中提供了两组中代谢物特征的平均值、标准差 （SD） 和 SEM。95% CI：95% 置信区间。验证集中区分 ESCC 和 HC 的 16 个血清 （C、D） 和 10 个尿液 （E、F） 代谢特征的 ROC 曲线的 C-F AUC。来自交叉验证的血清 （G） 或尿液 （I） 关节模型（红色）的 G-N ROC 曲线和 AUC，在 30% 保持测试数据集（蓝色）上运行。使用基于血清 （H） 或尿液 （J） AUC 的最佳分类器预测每个样本的类别概率（交叉验证的平均值）。具有不同血清 （K） 或尿液 （M） 特征数量的 SVM 模型的预测准确性。图像显示了每个样本在 100 次交叉验证中的预测类概率的平均值。由于该算法使用平衡的子采样方法，因此分类边界位于中心（x = 0.5，虚线）。ROC 曲线显示 5 种血清 （L） 或 5 种尿液 （N） 代谢物 （AUC 值最低） 结合 ESCC 的 logistic 回归模型的疗效。CV 交叉验证。源数据作为 源数据 文件提供。
02
研究结论
总之，我们的研究结果表明，ESCC 组织和生物流体中存在 NMR 可检测的特征代谢组学，生物流体中显着的代谢特征可以忠实地反映 ESCC 组织中的代谢组学特征。基于 NMR 的简化血清或尿液代谢分类器在检测 ESCC 方面表现出高准确性和 SP，无论疾病的组织学阶段如何，因此可以用作潜在的无创 ESCC 早期筛查工具。展望未来，我们计划使用食管癌前病变和随访数据扩展数据集，以构建代谢时间表，同时还整合来自食管不同解剖部位的代谢数据来构建 ESCC 的时空代谢组学。此外，我们将进行综合的多组学分析，包括代谢组、蛋白质组和微生物组，以阐明代谢物的来源和功能机制。这项工作正在进行中。
好了，今天的文献解读就到这儿来，我们下期再见！如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
