百趣代謝組學(xué)文獻(xiàn)分享，本周分享的文獻(xiàn)題目為OnPLS-Based Multi-Block Data Integration: A Multivariate Approach to Interrogating Biological Interactions in Asthma，是由日本前橋群馬大學(xué)創(chuàng)新研究中心Craig E. Wheelock教授課題組在2018年發(fā)表于Analytical chemistry上的一篇文章。

1代謝組學(xué)文獻(xiàn)分享—研究背景

在后基因組時(shí)代，隨著組學(xué)技術(shù)發(fā)展的日益成熟，多個(gè)不同組學(xué)之間的聯(lián)合分析越來越被科研工作者認(rèn)可接受，以期尋求不同組學(xué)間的內(nèi)在關(guān)系和規(guī)律趨勢(shì)。

代謝組學(xué)文獻(xiàn)分享，基于兩個(gè)不同組學(xué)聯(lián)合分析已有類似O2PLS等建模方法，但在兩個(gè)以上不同組學(xué)聯(lián)合分析的方法尚未發(fā)現(xiàn)。代謝組學(xué)文獻(xiàn)分享，鑒于此，本文采用一種全新的多元變量統(tǒng)計(jì)模型方法——OnPLS去探索在哮喘病人中不同轉(zhuǎn)錄、代謝、脂肪酸、脂類和臨床數(shù)據(jù)間表達(dá)變化關(guān)系和引發(fā)骨密度下降的機(jī)理研究。

2代謝組學(xué)文獻(xiàn)分享—研究方法

樣本來源：臨床樣本（n=22）包括健康組和哮喘組兩種。

六類分析數(shù)據(jù)模塊詳情見下圖：

數(shù)據(jù)分析：代謝組學(xué)文獻(xiàn)分享，結(jié)合MATLAB 2018a和SciPy工具進(jìn)行OnPLS方法統(tǒng)計(jì)建模，以期發(fā)現(xiàn)這六類數(shù)據(jù)間的含量表達(dá)相關(guān)性，通過篩選出強(qiáng)相關(guān)信息找出哮喘病人口服類固醇治療前后這些數(shù)據(jù)的含量變化規(guī)律，為后續(xù)進(jìn)一步闡明哮喘病人的發(fā)病機(jī)制提供有力理論數(shù)據(jù)支撐。

3代謝組學(xué)文獻(xiàn)分享—分析流程

通過使用OnPLS方法對(duì)上述六類數(shù)據(jù)分析模塊進(jìn)行統(tǒng)計(jì)建模，結(jié)合得分圖發(fā)現(xiàn)樣本組間區(qū)分差異，然后再利用MB-VIOP指標(biāo)對(duì)關(guān)鍵變量進(jìn)行篩選，代謝組學(xué)文獻(xiàn)分享，最后使用可視化和弦圖對(duì)引起疾病變化的不同模塊關(guān)鍵變量進(jìn)行直觀展示和關(guān)聯(lián)分析。

4代謝組學(xué)文獻(xiàn)分享—結(jié)果與討論

OnPLS的數(shù)據(jù)結(jié)構(gòu)

globally joint structures：全局多元數(shù)據(jù)間關(guān)系；

locally joint structures：局部多元數(shù)據(jù)間關(guān)系；

unique structures：?jiǎn)蝹€(gè)多元數(shù)據(jù)內(nèi)在關(guān)系；

residual noise structures：系統(tǒng)噪音誤差。

OnPLS模型運(yùn)算參數(shù)表

表2. 模型共產(chǎn)生7個(gè)成分，2個(gè)globally joint成分，5個(gè)locally joint成分。其中，脂肪酸、氧化脂類和鞘脂類累計(jì)貢獻(xiàn)率均超過70%以上，相反，代謝、轉(zhuǎn)錄和臨床數(shù)據(jù)表達(dá)貢獻(xiàn)水平一般。

OnPLS模型相關(guān)性圖

圖為OnPLS模型七個(gè)成分的得分值與臨床指標(biāo)數(shù)據(jù)的spearman相關(guān)系數(shù)。代謝組學(xué)文獻(xiàn)分享，紅色表示正相關(guān)，藍(lán)色表示負(fù)相關(guān)，透明度和圈的大小反應(yīng)相關(guān)程度的強(qiáng)弱，其中，黑色方框標(biāo)記的表示p<0.05，顯著相關(guān)。從圖中可以明顯發(fā)現(xiàn)，除性別與第一成分得分呈現(xiàn)顯著負(fù)相關(guān)外，其它臨床指標(biāo)均與第一成分得分表現(xiàn)為顯著正相關(guān)關(guān)系。

OnPLS模型得分和載荷圖

圖A. 在H-PCA(hierarchical PCA)模型得分圖第一主成分上，正常組和哮喘病組有明顯區(qū)分，而在第二主成分上，不同性別間則呈現(xiàn)出較明顯區(qū)分，同時(shí)對(duì)應(yīng)第一主成分箱線圖也直接表明不同男性患病情況波動(dòng)較大。

圖B. 與之前模型相關(guān)性圖和得分圖結(jié)果趨勢(shì)一致，載荷圖中第一主成分和第二主成分上的相關(guān)變量對(duì)樣本分組貢獻(xiàn)也比較大，脂類物質(zhì)的影響尤為顯著。

MB-VIOP關(guān)鍵變量篩選

圖A中，使用MB-VIOP>1對(duì)第一主成分上的六類不同數(shù)據(jù)篩選處理得出一些關(guān)鍵的變量，其中除轉(zhuǎn)錄組數(shù)據(jù)外，紅色標(biāo)記的變量表示通過卡值差異篩選，考慮到轉(zhuǎn)錄組數(shù)據(jù)量大的原因，本文將第一主成分的轉(zhuǎn)錄組數(shù)據(jù)差異篩選設(shè)定為2。

圖B中，使用MB-VIOP>1對(duì)第二主成分上的五類不同數(shù)據(jù)篩選處理得出一些關(guān)鍵的變量，其中除轉(zhuǎn)錄組數(shù)據(jù)外，紅色標(biāo)記的變量表示通過卡值篩選，為了進(jìn)一步減少轉(zhuǎn)錄組數(shù)據(jù)受疾病-性別因素的影響，本文將第二主成分的轉(zhuǎn)錄組數(shù)據(jù)差異篩選提高到了2.5。

注：MB-VIOP：Multi-block Variable Influence on Orthogonal Projections。

第一主成分上關(guān)鍵變量篩選

紅色：臨床差異信息，灰色：轉(zhuǎn)錄組學(xué)差異信息，綠色：代謝組學(xué)差異信息，黃色：差異鞘脂類，藍(lán)色：差異脂肪酸，橙色：差異氧化脂類，數(shù)字：連接度，黃色連線：正相關(guān)，紫色連線：負(fù)相關(guān)，藍(lán)色節(jié)點(diǎn)：含量在哮喘病人中上升，紅色節(jié)點(diǎn)：含量哮喘病人中下降。

圖A可以發(fā)現(xiàn)，在與影響生理調(diào)節(jié)重要轉(zhuǎn)錄因子NPAS2具有顯著相關(guān)的五個(gè)代謝物中，四個(gè)均屬于神經(jīng)酰胺類，值得注意的是，此前未有這方面的報(bào)道。代謝組學(xué)文獻(xiàn)分享，由此推測(cè)，神經(jīng)酰胺類的物質(zhì)變化可能會(huì)對(duì)發(fā)病產(chǎn)生一定的影響。

第二主成分上關(guān)鍵變量篩選

紅色：臨床差異信息，灰色：轉(zhuǎn)錄組學(xué)差異信息，綠色：代謝組學(xué)差異信息，黃色：差異鞘脂類，橙色：差異氧化脂類，數(shù)字：連接度，黃色連線：正相關(guān)，紫色連線：負(fù)相關(guān)，白色節(jié)點(diǎn)：含量在女性組中上升，黑色節(jié)點(diǎn)：含量男性組中上升。

圖B可以看出，PCDH10和LOC284219與氧化脂類呈現(xiàn)了非常明顯的強(qiáng)相關(guān)性，進(jìn)而推斷這兩個(gè)轉(zhuǎn)錄因子在患病的情況下，對(duì)氧化脂類的代謝具有較大的影響。

5代謝組學(xué)文獻(xiàn)分享—結(jié)論

通過建立OnPLS方法可以有效將多個(gè)不同組學(xué)的聯(lián)合起來進(jìn)行分析。

代謝組學(xué)文獻(xiàn)分享，結(jié)合可視化分析圖表和MB-VIOP指標(biāo)可以實(shí)現(xiàn)幫助找到與疾病發(fā)生密切相關(guān)的一些關(guān)鍵基因，如ATP6，V1G1等，為進(jìn)一步闡明哮喘病人骨密度下降發(fā)病機(jī)理提供強(qiáng)有力的理論支持。

6個(gè)人觀點(diǎn)

本文針對(duì)多個(gè)不同組學(xué)數(shù)據(jù)聯(lián)合分析，提供了比較完整的數(shù)據(jù)分析過程和清晰的關(guān)鍵變量篩選標(biāo)準(zhǔn)。

為了更深入的研究哮喘發(fā)病相關(guān)機(jī)制，文章可考慮從代謝通路，網(wǎng)絡(luò)互作，分子實(shí)驗(yàn)等方法進(jìn)行后續(xù)分析驗(yàn)證。