如果您对临床生信有兴趣，请为green点点关注，生信文献汇持续分享生信文献和思路~如果您需要定制化服务，欢迎扫码联系~
文章标题：Integrated unbiased multiomics defines disease-independent placental clusters in common obstetrical syndromes
中文标题：整合无偏见的多组学鉴定常见产科综合征中与疾病无关的胎盘集群
发表期刊：BMC Medicine
发表时间：2023年9月
影响因子：7.0/Q1
胎盘功能障碍是影响人类妊娠的常见综合征的根本原因，例如子痫前期 （PE）、胎儿生长受限 （FGR） 和自发性早产 （sPTD），但仍然不明确。这些常见但临床上不同的产科综合征具有相似的胎盘组织病理学模式，而每种综合征中的个体表现出不同的分子变化，挑战我们的理解并阻碍我们预防和治疗这些综合征的能力。
研究方法
使用我们广泛的生物样本库，我们确定了患有严重 PE （n = 75）、FGR （n = 40）、FGR 伴高血压疾病 （FGR + HDP;n = 33）、sPTD （n = 72） 和两个无并发症的对照组，足月组 （n = 113） 和无 PE、FGR 或 sPTD 的早产儿 （n = 16）。我们使用胎盘活检进行转录组学、蛋白质组学、代谢组学数据和组织学评估。在常规的成对比较之后，我们部署了一个无偏的、基于 AI 的相似性网络融合 （SNF） 来整合数据类型并识别组学定义的胎盘簇。我们使用贝叶斯模型选择来比较组织病理学特征和疾病状况与 SNF 集群之间的关联。
结果分析
1. 胎盘组学确定了胎盘功能障碍的特征
通过成对比较，我们分析了胎盘多组学数据，包括 RNA（长 RNA 转录物和短 RNA 转录物）、蛋白质和代谢物，以确定六组中差异调节的分析物。
2. SNF 识别临床相关集群
我们采用了SNF ，这是一种机器学习方法，将不同的高通量数据源组合成一个用于聚类的相似性网络。SNF 将我们的队列分为四个集群，它们主要由特定的临床综合征主导。
3. 区分 SNF 簇的关键分析物
为了确定不同 SNF 簇的分子驱动因素，我们测量了每种分析物区分簇的能力的接收者-操作者特征曲线下面积 （AUROC）描述了每个簇的每种数据类型中 AUROC 最高的 10 个分子的表达水平。最引人注目的发现是 PE/FGR 相关分析物参与聚类 III，其中 ENG、瘦素、FLT1 和 FSTL3 位列前 10 位 RNA，后 3 位也在蛋白质的首位。
4. 贝叶斯信息标准评分预测组织病理学
我们将 SNF 聚类模型的贝叶斯信息标准 （BIC） 评分与 6 类疾病组或 4 类疾病组模型进行了比较。大多数组织病理学发现与 SNF 整群模型的相关性优于与任一疾病组模型的相关性。CI 、 DVH 和合胞体结显示出最显着的差异。
5. 通路富集分析、SNF 簇预测和血浆验证
为了进一步了解可能构成 SNF 簇基础的生物途径，我们在 Reactome 知识库 中使用转录组学数据集进行了基因集富集分析 （GSEA），将每个簇与其他三个簇进行比较。
文章小结
组学衍生的 SNF 簇与临床和组织学发现的关联表明，基于 SNF 的多组学方法可用于定义疾病类别，而与临床表型无关。此外，确定共同的分子模式可以指导我们完成客观地重新审视传统产科疾病分类的关键过程，并可能提出更好的诊断工具。这种使用胎盘组织进行的整体方法还可以促进基于血浆的多组学搜索释放的分析物，这些分析物可以实时告知妊娠期间胎盘健康和即将发生的疾病。
