文章标题：The fusion of multi-omics profile and multimodal EEG data contributes to the personalized diagnostic strategy for neurocognitive disorders

发表时间：2024年1月29日

发表期刊：Microbiome

影响因子：16.8

神经认知障碍(Neurocognitive Disorders, NCDs)是一种影响日常生活质量的非传染性疾病，全球患者约有5000万人。而目前的常规诊断方法缺乏明确的生物标志物或令人信服的检查。因此开发针对非传染性疾病的个性化诊断策略成为当务之急。目前多组学研究和蛋白质组学的分析表明，多组学分析在研究非传染性疾病和识别潜在生物标志物方面具有潜力。此外，多模态脑电图(electroencephalography, EEG)可以提供有关大脑活动的时间和顺序的信息，可以更全面地了解大脑功能和连接性，近年来越来越多地用于认知障碍的诊断。基于这些研究基础，研究人员通过严格的匹配队列将患有非传染性疾病的老年人与正常衰老的老年人进行了比较，并在小鼠中进行了粪便微生物群移植(Faecal microbiota transplantation, FMT)验证。最后应用机器学习算法整合多组学和多模态脑电图数据，开发新的预测模型，以准确区分非传染性疾病患者和参与非传染性疾病个性化诊断的参与者。

分别取粪便进行宏基因组和非靶向代谢组学分析，尿液外泌体进行蛋白质组学分析。选择12个月大的雌性小鼠作为模型，在特定的无病原体条件下饲养，粪便微生物群移植之后，进行行为实验，随后进行宏基因组和代谢组学分析。利用肠道微生物群、脑电图特征、代谢组学和临床数据，来训练机器学习模型。

基于脑电功率谱密度分析发现，NCDs组中α和β频带的相对功率谱密度(power spectral density, PSD)显著降低（图1）。基于脑电微观状态分析发现，NA组和NCDs组在微观状态属性上有显著差异（图2）。此外，将年龄作为共变量进行控制的前后，发现微状态转换的概率较高。

图1 NA组和NCDs组中的EEG PSD和EEG微状态分析

图2 NA组和NCDs组的微状态A-D属性统计

宏基因组学结果表明，门水平上两个组中最主要的菌为拟杆菌门、厚壁菌门、放线菌门和变形菌（图3 A）。NCDs组与NA组相比，Kiritimatiellaeota和Lentisphaerae的频率显著减少（图3 B）。NA组和NCDs组之间存在可观察的聚类和明显的趋势，这表明肠道微生物群体的失调与NCDs有关（图3 E）。

图3 NA组和NCDs组的肠道微生物群分析

所有样品中共有1039个操作分类单元（图4 A），其中17个细菌群在NA组中富集，10个细菌群富集在NCDs组。此外，LEfSe(linear discriminant analysis effective size)确定了7种对NCDs特异性的种水平的菌（图4 D）。与NA组相比，NCDs组中与芳香族氨基酸生物合成相关的途径和三羧酸循环（TCA环）相关的通路等显著减少（图4 E）。

图4 种属水平的肠道微生物以及相关的预测菌种的分布

通过蛋白质组学共发现3306个蛋白质，其中2712个可量化（图5 A）。这些蛋白质被定位在细胞质、外细胞空间、核和线粒体等细胞区域中（图5 B）。偏最小二乘法(partial least squares discriminant analyis, PLS-DA)分析表明，NCDs组和NA组间有明显的区分（图5 C）。火山图表明，上调和下调的差异蛋白分别有57和30个（红色表示显著上调，蓝色表示显著下调）。通过代谢功能分析，发现差异表达的蛋白质主要参与氨基酸运输和代谢，以及能量生产和转化，这与宏基因组学分析的预测结果一致（图5 E）。此外，KEGG通路富集分析也证实了这些发现。下调的尿液外泌体蛋白的途径富集分析显示，NCDs组的酪氨酸代谢、色氨酸代谢和丙酮酸代谢减少（图5 F）。相反，与炎症性肠病、膀胱癌、I型糖尿病和长期抑郁症等疾病相关的途径在非传染性疾病组的上调蛋白中富集（图5 G）。

图5 尿液膜细胞的定量蛋白组学分析

基于非靶向代谢组学分析结果发现，正离子和负离子模式下代谢物的PLS-DA分析均表明NA组和NCDs组间存在明显的区分（图6 A-B）。正离子模式中，与NA组相比，均有54个上调及下调的差异代谢物，而负离子模式中，有12个和63个代谢物显著上调和下调（图6 C）。选取了前20个差异代谢物构建热图（图6 D），进一步根据变量投影重要性(Variable importance in the projection, VIP)值进行划分，构建了可变重要性图。在NCDs组中观察到了羟基脂肪酸脂肪酸酯(fatty acid esters of hydroxy fatty acids, FAHFAs)显著减少（图6 E）。对差异代谢产物的所有途径进行KEGG通路分析，结果表明烟酸和烟酰胺代谢、L-色氨酸生物合成、泛酸和辅酶A生物合成、叶酸生物合成、不饱和脂肪酸生物合成、柠檬酸循环、丙酮酸代谢和硫胺素代谢与NCDs相关（图6 F）。

图6 NA组和NCDs组的粪便样本的代谢组学分析

行为实验结果表明，FMT会影响NCDs组模型小鼠的空间学习和记忆（图7）。

图7 使用Y迷宫、新物体识别和Morris水迷宫测试评估FMT下小鼠空间学习和记忆表现能力

为了进一步验证代谢途径，研究人员通过收集和分析不同时间点的粪便颗粒，评估了FMT对肠道微生物群体的影响，通过血清和海马体的靶向代谢组学分析验证发现，柠檬酸、富马酸、琥珀酸、氧戊二酸、丙酮酸和色氨酸的相对含量都发生了显著变化，值得注意的是柠檬酸的相对含量在血清中显著增加，但在海马中显著降低（图8）。

图8 FMT小鼠肠道菌群的宏基因组分析以及血清和海马的代谢组学分析的评估

研究人员使用支持向量机(support vector machine, SVM)构造模型，将个体分类为NA组和NCDs组（图9），用宏基因组、代谢组学和EEG数据三种组合中获得的特征来训练模型。最终，多组学方法达到了准确率为92.69%，精确率为94.44%，召回率为89.47%，AUC值为0.9641（图9 G），同时发现随着组学来源的增加，使用相同数量的特征，模型的性能逐渐提高。

图9 不同组学下的机器学习能力

在这项研究中，揭示了几个关键发现：首先，观察到PSD降低；其次，确定了芳香氨基酸生物合成和三羧酸循环中的干扰。这些干扰与特定微生物水平的增加有关；此外，发现特定代谢产物的水平降低，这些发现共同提供了对非传染性疾病病理生理学潜在特征的见解；最后，机器学习模型的应用大大提高了参与者对非传染性疾病的区分程度。因此，多组学特征和脑电图数据的融合为非传染性疾病患者的个性化诊断提供了特别的前景。