上海百趣代谢组学技术研究中心刘志鹏高级研究员与中山大学孙逸仙纪念医院任萌主任内分泌课题组合作，选取纵向研究队列中糖尿病前期人群跟踪5年前后313个志愿者的血清样本（其中跟踪5年后发展为Ⅱ型糖尿病的153人，5年后仍为糖尿病前期的160人），基于LC-MS非靶向代谢组学技术平台和生物信息学技术，完成了中国糖尿病前期人群发展成Ⅱ型糖尿病的潜在生物代谢标记物研究[1]（图1A）。
国际糖尿病联合会发布的指南显示，中国是世界上糖尿病患者最多的国家；据统计，我国有1.139亿成年人患糖尿病，占全球糖尿病患者的24%，其中糖尿病前期占到35.7% [2,3]。糖尿病前期是糖尿病发病前的过渡阶段，是介于正常血糖与糖尿病之间的高血糖状态，糖尿病前期与心血管疾病、微血管病变和肿瘤等疾病的风险增加相关[4-7]。事实上通过调节生活方式能使血糖降低至正常状态，因此糖尿病前期的诊断尤为重要，但目前仍缺乏糖尿病前期的诊断方法[8]。
如表1所示，对已有的检测收录的临床指标统计分析发现，两基线组中除Glu120、HbA1c和尿白蛋白有显著差异外，其他指标无明显变化；跟踪5年前后的临床数据结果表明，发展为Ⅱ型糖尿病组的Glu0、Glu120、BMI、WC、waist-hip ratio和HbA1c相较于对应的基线样本显著升高；此外，Ⅱ型糖尿病风险因素中，LDL-C、 TC和尿白蛋白在两组间也有显著差异，虽然GGT也显著差异，但在两组中的含量均在正常范围。
表1. 两基线组临床指标统计结果
对发展为糖尿病的153个志愿者5年前后的血清样本进行非靶代谢组学分析，PERMANOVA分析和多变量统计分析发现两组间代谢物存在显著差异（Q-value < 0.05）；对代谢物轮廓谱和临床数据的PERMANOVA分析发现，LDL-C和TC与代谢物有一定关联（P-value < 0.05, Q-value > 0.05），年龄和Glu0在女性中与血清代谢轮廓谱弱相关，吸烟行为与男性血清代谢物轮廓谱弱相关。结合单变量统计分析同时校正两组间显著相关的临床指标（Age、BMI、WC、waist-hip ratio、urine albumin、HDL-C、LDL-C、TC、GGT、Glu0、Glu120、HbA1C）后，发现了101个可能与糖尿病发展显著相关的差异代谢物（图1B）；进一步的代谢通路拓扑结构MetPA分析发现（图1C），氨基酸代谢和脂质代谢相关的代谢通路与糖尿病发展密切相关。那么哪些代谢物和临床指标是与Ⅱ型糖尿病发生相关的潜在风险因素呢？通过多元逻辑回归校正上述差异显著临床指标，分析发现有20个与Ⅱ型糖尿病发生显著正相关的独立风险因素，如inosine、carvacrol、Glu0和Glu120（图1D）。
为研究发现糖尿病前期人群发展成Ⅱ型糖尿病的潜在生物代谢标记物，从发展成糖尿病的5年前后153个人群按照3：2比例进行随机筛选，构建成训练集（91糖尿病前期患者+91糖尿病患者）和测试集（62个糖尿病前期患者+62糖尿病患者），首先用随机森林模型从两组间差异显著的临床指标中（不考虑Glu0、Glu120、HbA1C和年龄）筛选得到3个重要指标（BMI、waist-hip ratio和WC，图2A&D），以得到的3个临床指标建模，随机森林模型在验证集中的AUC为55.79%（95%CI: 49.38-62.19%，图2B），同时选取跟踪5年后仍为糖尿病前期的160个基线样本进行预测，发现临床指标的预测效果不理想（图2C）；同时也加入了临床上的5个传统临床指标（DBP、SBP、TG、LDL和TyG（=LN〔fasting TG(mg/dl)*Glu0(mg/dl)/2〕））建立模型，随机森林模型的AUC=71.87% (95% CI: 62.79%-80.94%)有所提高（图2E&F）。随后 ，随机森林模型从101个差异代谢物中筛选得到13个重要代谢物（图2G&J，如Insine(-)、Carvacrol(-)、PC(P-17:0/0:0(+))等），预测模型的AUC达到95.68% (95% CI: 92.61-98.75%)（图2H），能较好的预测新的样本（图2I）。最后将3个临床指标和11个代谢物合并建模，模型的预测效果AUC=98.10% (95% CI: 96.29-99.91%)稍有提高（图2K&L）。
本文通过非靶代谢组技术和生物信息技术，对中国糖尿病前期队列样本进行分析，发现了13个在Ⅱ型糖尿病发生发展过程中有重要作用的代谢物，同时也能大大提高Ⅱ型糖尿病的诊断能力。总之，这些结果表明在糖尿病前期到糖尿病的发展过程中，血清代谢谱出现了复杂性的变化。
1. Ren M, Lin Dz, Liu ZP, Sun K, Wang C, Lao Gj, Fan Yq, Wang Xy, Liu J, Du J, Zhu Gb, Wang Jh and Yan L. Potential Novel Serum Metabolic Markers Associated With Progression of Prediabetes to Overt Diabetes in a Chinese Population. Front. Endocrinol, 2022; 12:745214.
2. Wang L, Gao P, Zhang M, Huang Z, Zhang D, Deng Q, Li Y, Zhao Z, Qin X, Jin D, Zhou M, Tang X, Hu Y, Wang L. Prevalence and Ethnic Pattern of Diabetes and Prediabetes in China in 2013. JAMA, 2017;317(24):2515-2523.
3. Ligthart S, van Herpt TTW, Leening MJG, Kavousi M, Hofman A, Stricker BHC, van Hoek M, Sijbrands EJG, Franco OH, Dehghan A. Lifetime risk of developing impaired glucose metabolism and eventual progression from prediabetes to type 2 diabetes: a prospective cohort study. Lancet Diabetes Endocrinol, 2016;4(1):44-51.
4. Newgard CB, An J, Bain JR, Muehlbauer MJ, Stevens RD, Lien LF, Haqq AM, Shah SH, Arlotto M, Slentz CA, Rochon J, Gallup D, Ilkayeva O, Wenner BR, Yancy WS, Eisenson H, Musante G, Surwit RS, Millington DS, Butler MD, Svetkey LP. A branched-chain amino acid-related metabolic signature that differentiates obese and lean humans and contributes to insulin resistance. Cell Metab, 2009;9(4):311-326.
5. Würtz P, Mäkinen V-P, Soininen P, Kangas AJ, Tukiainen T, Kettunen J, Savolainen MJ, Tammelin T, Viikari JS, Rönnemaa T, Kähönen M, Lehtimäki T, Ripatti S, Raitakari OT, Järvelin M-R, Ala-Korpela M. Metabolic signatures of insulin resistance in 7,098 young adults.Diabetes, 2012;61(6):1372-1380.
6. Wopereis S, Rubingh CM, van Erk MJ, Verheij ER, van Vliet T, Cnubben NHP, Smilde AK, van der Greef J, van Ommen B, Hendriks HFJ. Metabolic profiling of the response to an oral glucose tolerance test detects subtle metabolic changes. PLoS ONE, 2009;4(2):e4525.
7. Suhre K, Meisinger C, Doering A, Altmaier E, Belcredi P, Gieger C, Chang D, Milburn MV, Gall WE, Weinberger KM, Mewes H-W, de Angelis MH, Wichmann HE, Kronenberg F, Adamski J, Illig T. Metabolic Footprint of Diabetes: A Multiplatform Metabolomics Study in an Epidemiological Setting. PLoS ONE, 2010;5(11).
8. Peters AL, Davidson MB, Schriger DL, Hasselblad V. A clinical approach for the diagnosis of diabetes mellitus: an analysis using glycosylated hemoglobin levels. Meta-analysis Research Group on the Diagnosis of Diabetes Using Glycated Hemoglobin Levels. JAMA, 1996;276(15):1246-1252.
