发现队列中肌苷与血脂参数的横断面关联分析
评估血浆肌苷与TC、LDL-C、HDL-C、log-TG、TC/HDL-C的关联
基于BHS 2013-2016随访的1121名参与者，使用多变量线性回归，调整年龄、性别、种族、教育、体力活动、吸烟、饮酒、BMI、降脂药物使用；并进行了按性别的交互作用和分层分析。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
双种族社区队列中血浆肌苷与血脂参数的关联
Associations of plasma inosine with lipid parameters in a biracial community cohort
实验完整度
高包含两个独立证据层级：BHS横断面队列（n=1121）和ProBP随机交叉对照试验（n=78），并进行了纵向关联验证及介导分析、通路富集分析。
主要模型
Bogalusa心脏研究队列人群（n=1121） ProBP试验人群（n=78）
重点核对
BHS样本量1121，ProBP样本量78 ProBP干预为大豆蛋白、牛奶蛋白、碳水化合物各40g/天，持续8周，3周洗脱期 模型调整协变量：年龄、性别、种族、教育、体力活动、吸烟、饮酒、BMI、降脂药物使用 多重检验校正：Bonferroni校正alpha=7.78E-05 MSS使用弹性网回归，70:30训练测试拆分，10折交叉验证，bootstrap(10次)选择稳定代谢物
摘要
背景：肌苷已被研究作为运动员表现、炎症和神经系统疾病的膳食补充剂。最近一项在高胆固醇血症大鼠模型中的研究表明其具有治疗动脉粥样硬化的潜力。目的：本研究旨在探讨血浆肌苷与血脂参数之间的关联，并发现潜在的介导途径。方法：我们分析了来自1,121名双种族队列参与者的血浆样本中的肌苷和886种已知代谢物。线性回归模型评估了肌苷与总胆固醇（TC）、低密度脂蛋白胆固醇（LDL-C）、高密度脂蛋白胆固醇（HDL-C）、对数转换甘油三酯（log-TG）以及TC/HDL-C比值（TC/HDL-C）的关联，并调整了相关协变量。显著发现在78名来自蛋白质与血压（ProBP）研究的成年人中重复，这是一项交叉随机对照试验，通过测试大豆蛋白、牛奶蛋白和碳水化合物膳食补充后肌苷变化与血脂变化之间的纵向关联。对于重复的关联，我们采用了两种互补的方法来识别潜在的介导物，用于富集分析。结果：在发现队列中，肌苷与HDL-C呈正相关（β = 1.77，95%置信区间[CI]：0.003至3.54），与TC/HDL-C（β = −0.24，95% CI：−0.41至−0.08）和log-TG（β = −0.08，95% CI：−0.15至−0.02）呈负相关。这些结果在大豆蛋白干预后的ProBP研究中得到重复，肌苷变化导致HDL-C升高（β = 1.82，95% CI：0.36至3.27），TC/HDL-C（β = −0.14，95% CI：−0.28至−0.002）和TG（β = −12.79，95% CI：−21.00至−4.58）降低。性别分层分析显示，女性中的关联比男性更显著，尤其是HDL-C。确定了六个代谢物和29条高置信度的富集通路。结论：在人类中，肌苷与更好的HDL-C、TC/HDL-C和log-TG谱相关，且对女性HDL-C的影响更显著。ProBP试验在ClinicalTrials.gov注册为NCT00107744。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 血浆肌苷水平与血脂参数（TC、LDL-C、HDL-C、log-TG、TC/HDL-C）是否相关，且是否由特定代谢物和通路介导？
- 核心机制
- 肌苷可能通过影响谷氨酸、N-硬脂酰鞘氨醇、癸二酸、纤维蛋白肽B等代谢物，以及胃饥饿素、肽激素代谢、不饱和脂肪酸生物合成等通路，改善血脂谱，尤其在女性中更显著。
- 主要证据
- BHS横断面关联（β=1.77，p<0.05）和ProBP大豆蛋白干预纵向关联（β=1.82，p<0.05）表明肌苷升高与HDL-C升高、TC/HDL-C和TG降低相关；性别分层女性关联更强；六种代谢物介导和29条高置信度通路支持。
- 研究意义
- 研究首次在一般成年人群中揭示肌苷与HDL-C、TC/HDL-C和TG的关联，提示肌苷可能作为血脂异常的潜在非药物干预候选，尤其对女性，未来需要充分把握度的试验验证。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
独立队列中纵向关联的重复验证
验证BHS中发现的肌苷-血脂关联是否在ProBP干预试验中重复
在ProBP试验（78人）中，检测大豆蛋白、牛奶蛋白、碳水化合物三种干预后肌苷变化与血脂变化的关系，使用线性回归，调整与BHS相同协变量（除降脂药物）。
单一代谢物介导分析
识别介导肌苷-血脂关联的单个代谢物
对886种已知代谢物，使用SAS PROC CAUSALMED进行单一代谢物介导分析，调整协变量，并用主成分分析估计有效检验数目，采用Bonferroni校正。
基于代谢物签名评分的介导分析
捕捉相关代谢物的联合效应，构建介导评分
使用弹性网回归构建代谢物签名评分（MSS），以单个介导分析中P<0.1的代谢物为候选，采用70:30训练-测试拆分，10折交叉验证，bootstrap重采样选择稳定代谢物，计算MSS，并评估其预测性能和介导效应。
通路富集分析
识别介导肌苷-血脂关联的生物学通路
使用MetaboAnalyst 6.0对单一代谢物分析中名义显著（P<0.05）和MSS中的代谢物进行通路富集，FDR<0.05视为显著，高置信度通路定义为两种方法均显著。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证样本或模型特征
验证分子表达变化
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 代谢组学检测 | 超高效液相色谱-串联质谱 | Metabolon Inc | -- |
| 血脂检测 | 日立902生化分析仪 | Roche Diagnostics | -- |
| 统计分析 | SAS 9.4软件 | SAS Institute Inc. | -- |
| 通路富集分析 | MetaboAnalyst 6.0软件 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 发现队列（BHS） | 样本量1121，调整协变量包括年龄、性别、种族、教育、体力活动、吸烟、饮酒、BMI、降脂药物使用；显著性阈值P<0.05，交互P<0.1。 阅读提示：见Methods 2.1.1、2.4、3.1.1 |
| 重复队列（ProBP） | 样本量78；干预为大豆蛋白、牛奶蛋白、碳水化合物各40g/天，持续8周，洗脱期3周；纵向关联模型调整协变量同BHS但排除降脂药物。 阅读提示：见Methods 2.1.2、3.1.2 |
| 代谢物检测与预处理 | 代谢物缺失率≤50%时，缺失值用最小观测值的一半插补；缺失率50-80%分为三分类；数据进行最佳正态变换。 阅读提示：见Methods 2.3 |
| 单一代谢物介导分析 | 886种已知代谢物；主成分分析得到643个主成分解释99.5%方差；Bonferroni校正alpha=7.78E-05。 阅读提示：见Methods 3.2.1 |
| MSS构建与介导分析 | 候选代谢物数量（HDL:151, TC/HDL:114, log-TG:195）；训练集70%，测试集30%；10折交叉验证；bootstrap 10次，保留≥30%非零系数代谢物。 阅读提示：见Methods 3.2.2 |