代谢组思路 | 第3期. 代谢组学思路进阶——预测预后

文摘   教育   2024-12-14 19:00   北京  

在前期系列分享的基础上,相信大家对代谢组学有了一个初步的认识,我们代谢组思路新系列分享旨在带领大家一起洞观代谢组学科研方向和思路,理清代谢组学文章的底层逻辑


我们会通过定期为大家总结代谢组学领域相关文献的形式,帮助大家逐步积累代谢组研究思路方面的相关知识!



代谢组学系列往期回顾:


基础知识

第1期. 2024年了,上车代谢组学还不晚

第2期. 关于代谢组学,你必须了解的事

第3期. 即将发车,快来学习代谢组学基本流程与技术

第4期. 快来学,一文掌握代谢组学上游分析

第5期. 代谢组学多元统计分析,你学会了吗

第6期. 富集分析,代谢组学也要有

第7期. 图解代谢组学,有图有真相

第8期. 有图有真相,代谢组学图解之多组学进阶

第9期. 代谢组学升级到空间层面会发生什么


进阶思路

代谢组思路 | 第1期. 代谢组学基本思路——描绘图谱&寻找新药治疗靶点
代谢组思路 | 第2期. 代谢组学思路从基础到进阶——识别高危患者+预测预后



Introduction 

上期我们介绍了代谢组学进阶分析思路(代谢组思路 | 第2期. 代谢组学思路从基础到进阶——识别高危患者+预测预后)——通过LASSO回归分析识别重度主动脉狭窄心脏重构的循环代谢物特征,本期我们将继续进阶思路的下半部分——该特征与TAVI临床结局相关的生存分析

本期的分享继续以《Metabolic Signatures of Cardiac Dysfunction, Multimorbidity, and Post–Transcatheter Aortic Valve Implantation Death》为主线,从更“细”“专”的角度分析代谢组学在人类主动脉瓣狭窄术后临床结局预后预测的应用场景


本期分享文献—— J Am Heart Assoc
J Am Heart Assoc. 2023 Jul 4;12(13):e029542. 
doi: 10.1161/JAHA.123.029542


TS

01

研究背景与应用场景


接上期研究背景,本期主要聚焦解决:在识别目标代谢物特征后,该特征与TAVI临床结局相关的生存分析。

Cox回归分析(Cox Proportional Hazards Model)也称为Cox比例风险模型,用于分析生存数据,特别是用于评估多个因素对生存时间的影响。这种模型是由英国统计学家David Cox在1972年提出的,因此以他的名字命名。R语言的survival包可支持Cox回归分析。

图片摘要


TS

02

研究设计

队列选择:多中心前瞻性队列研究,包括推导队列(519名接受TAVI的症状性严重AS患者,进行全面临床和超声心动图评估及代谢物分析)、多中心验证队列(286名有血样但无完整超声心动图表型分析的患者)和单中心验证队列(257名接受TAVI的症状性严重AS患者,进行代谢物分析)。


数据收集:患者临床特征(如人口统计学信息、合并症等)、超声心动图数据(12项左心室结构和功能指标)及术前血样进行代谢物谱分析。


统计分析:Cox回归分析


· 目的:评估心脏结构/功能相关的主成分(PC)分数和代谢物分数与全因死亡的关联,以确定这些指标是否可作为TAVI术后死亡风险的预测因子。


· 数据准备:

  • 变量标准化:对PC分数和代谢物分数进行标准化处理,使其适用于Cox模型分析。

  • 确定调整变量:在推导队列和多中心验证队列中,调整年龄、性别、体重指数、糖尿病史、冠状动脉疾病史、心房颤动/扑动史、估计肾小球滤过率、高敏肌钙蛋白和N-末端前体激素B型利钠肽;在单中心验证队列中,调整年龄、性别、体重指数、糖尿病史、冠状动脉疾病史、心房颤动/扑动史、估计肾小球滤过率和B型利钠肽。在敏感性分析中,进一步调整平均主动脉瓣梯度和左心室射血分数。


· 模型构建与分析:

  • 使用Cox比例风险模型进行生存分析,计算风险比(HR)及95%置信区间(CI)。


  • 对代谢物分数的比例风险假设进行检验,使用“cox.zph”函数(R包“survival”)并检查Schoenfeld残差是否存在潜在违反情况,对于可能违反的情况,使用稳健标准误差生成模型。


  • 分别分析代谢物分数和基于表型(PC)的分数与死亡的关联,在推导队列、多中心验证队列和单中心验证队列中依次进行建模和评估。


TS

03

研究结果与应用

3.1 研究结果

  • 代谢物分数与死亡风险的关联
  • 推导队列中:舒张功能(PC3)的代谢物分数在调整前后均与死亡风险显著相关,且调整后关联性依然稳健,而LV体积(PC1)和收缩功能(PC2)的代谢物分数在调整后与死亡风险无显著关联(见表S4)。
  • 多中心验证队列中:舒张功能(PC3)的代谢物分数在调整前后与死亡风险均有显著关联,LV收缩功能(PC2)的代谢物分数在未调整时有显著关联但调整后关联性减弱,LV体积(PC1)的代谢物分数在调整前后与死亡风险均无显著关联(见表S4)。
  • 单中心验证队列中舒张功能(PC3)的代谢物分数在调整前后与死亡风险均显著相关,LV体积(PC1)和收缩功能(PC2)的代谢物分数在调整前后与死亡风险无显著关联(见表S4)。

  • 基于表型(PC)的分数与死亡风险的关联
  • 推导队列中:LV收缩功能(PC2)的基于表型的分数在调整前与死亡风险显著相关但调整后关联性减弱,舒张功能(PC3)的基于表型的分数在调整后与死亡风险无显著关联,LV体积(PC1)的基于表型的分数在调整后与死亡风险呈负相关(见表S4)。

  • 结果的一致性与意义:在三个队列中,舒张功能相关的代谢物分数(PC3)与死亡风险的关联结果具有一定的一致性,均表现出显著的相关性,且在调整多种临床风险因素后仍保持显著,这表明该代谢物分数可能是TAVI术后死亡风险的一个稳定且重要的预测指标。而LV体积和收缩功能相关的指标与死亡风险的关联在不同队列和调整情况下表现不一致,提示其作为预测因子的可靠性相对较低。这些结果强调了代谢物特征,特别是与舒张功能相关的代谢物特征,在评估TAVI术后患者长期预后方面的潜在价值,有助于识别高风险患者,为临床决策提供参考依据。

图4 代谢物评分和表型评分与死亡的相关性


表S4 全因死亡率的Cox模型


  • PC3代谢物评分用于预测预后

  • 生存分析:研究的中位随访时间为1.6年,在0.9到2.8年期间共记录了93个死亡事件。图S9展示了在三个不同的研究队列(多中心衍生队列、多中心验证队列和单中心验证队列)中,基于PC3代谢物得分的三分位数对生存率的Kaplan-Meier估计,用于评估代谢物得分与生存率之间的关系,并检验不同代谢物得分三分位数组之间的生存差异。进一步验证了PC3代谢物得分在不同队列中的预测价值,表明该得分可能作为一个独立的生物标志物,用于预测经导管主动脉瓣植入术后患者的死亡风险。


图S9 在不同队列中验证PC3代谢物评分的预后效用


3.2 临床应用潜力——预测预后

  • Cox回归分析确定与心脏舒张功能相关的代谢物得分(PC3)与经导管主动脉瓣植入术后(TAVI)死亡风险的独立关联。并且通过调整已知的临床风险因素和心脏生物标志物,提供对患者预后的更准确预测。
  • KM生存分析:通过比较不同代谢物得分三分位数组的生存曲线,可以直观地观察到代谢物得分与生存时间的关系,并根据代谢物得分将患者分为不同的风险层级



Summary

总结一下,本期我们以具体文章为例,简要介绍了代谢组学+Cox回归分析、KM生存分析用于关联代谢物分数与死亡风险、构建模型、估计生存概率,从而预测预后


主要方法是:

1. 通过Cox回归分析确定心脏结构/功能相关的代谢物特征与死亡风险以及多病共存之间的关系,进行风险评估与预后预测

2. 通过生存分析进行生存概率估计与预后分层


后期我们将继续带着大家一起从浅入深地接触、理解、掌握代谢组学


这就是本期的全部内容啦,你学会了吗?后续我们将继续开始为大家分享代谢组学相关内容。大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话栏目中提出。希望我们能一起成长,共同进步,让医学科研有迹可循!


参考文献:

1. Perry AS, Zhao S, Murthy V, Gupta DK, Fearon WF, Kim JB, Kapadia S, Kumbhani DJ, Gillam L, Whisenant B, Quader N, Zajarias A, Mallugari RR, Clark DE, Patel JN, Gonzales H, Welt FG, Bavry AA, Coylewright M, Piana RN, Vatterott A, Jackson N, Gerszten RE, Lindman BR, Shah R, Elmariah S. Metabolic Signatures of Cardiac Dysfunction, Multimorbidity, and Post-Transcatheter Aortic Valve Implantation Death. J Am Heart Assoc. 2023 Jul 4;12(13):e029542. doi: 10.1161/JAHA.123.029542


期待已久~|R语言与组学互助交流群来啦!



(欢迎大家入群交流~

若群满,请添加下方微信,备注:“R语言与组学_互助交流群” 


写在最后


“观科研”(点击进一步了解我们吧)是由一群北京协和医学院(清华大学医学部)的博士开创的公众号,初心是让医学科研有迹可循,帮助一线的医学科研人员更快地成长,希望大家支持与关注!

如果大家对分享医学科研知识感兴趣,特别欢迎加入我们,期待与您的相遇相识相知,也非常欢迎大家自主投稿,如果您有需要分享的内容或对我们有任何建议,可通过后台留言、公众号菜单栏“更多—读者的话”栏目进一步了解)或发送邮件至mascu_forever@163.com与我们交流并留下个人联系方式,我们会及时与您联系。

如果您觉得我们长期的干货推送对您的科研工作有所帮助,可以在合适的机会致谢(包括但不限于SCI论文、毕业论文等),格式如下:
 The authors thank the support of Skill Learning from Kaixin Doctor and MASCU (Medical Association with Science, Creativity, and Unity), Inc, Shenzhen, China (mascu_forever@163.com).

【大家的支持,是我们持续更新的动力!


Pay attention!
微信公众号的推送规则发生改变(不再按照时间顺序来显示),如果没有将“观科研”设置为星标,你就可能错失里面的精彩推送。


点击“在看”,可参与讨论哦!


图文:博观
审核:定观
编辑:博观
责编:直观

观科研
让医学科研有迹可循
 最新文章