科研人员发现频发与偶发痛风患者的血清代谢组差异

近日，《关节炎与风湿病》（Arthritis & Rheumatology）在线发表了中国科学院上海营养与健康研究所尹慧勇研究组撰写的题为Metabolomics and Machine Learning Identify Metabolic Differences and Potential Biomarkers for Frequent versus Infrequent Gout Flares的最新研究成果，揭示了频发与偶发型痛风患者的血清代谢图谱，并建立了痛风频繁发作的预警模型。

痛风是常见的炎症性关节疾病，其病因主要是由尿酸代谢异常、尿酸盐晶体沉积在关节或关节周围组织中引起的急性炎症反应。越来越多的证据表明，痛风与高血压、糖尿病、肥胖症、心脑血管疾病和慢性肾脏疾病等密切相关。

痛风的发作通常持续7至14天，并自行消退，然后进入无症状间歇期，直到下一次发作。无症状间歇期的持续时间在患者中个体差异很大，部分患者持续1到2年，而部分患者只持续几个月。2016年欧洲风湿病联盟和2020年美国风湿病协会发布的痛风管理临床指南，对每年痛风发作次数≤1次的患者临床诊断为偶发型痛风（Infrequent Gout Flares，InGF），每年痛风发作次数≥2次的患者为频发型痛风（Frequent Gout Flares，FrGF）。指南建议，针对频发与偶发患者应采取不同的临床治疗策略，特别是降尿酸药物的使用以及尿酸的目标值。然而，由于目前临床上缺乏对痛风发作频率的早期预测，现在欧美和我国的痛风临床实践中对于频发和偶发患者的诊断只能基于患者已发病的频率。如果仅凭临床经验对痛风频发与偶发患者采取指南的建议，或导致部分患者特别是首次诊断的患者治疗不足或过度。因此，建立痛风频发与偶发的早期风险预测，可以及时准确地根据不同痛风患者的发病机制，实现痛风患者的精准治疗，具有重要的临床意义。

代谢组学是一种定性与定量分析特定生物系统中所有代谢物的组学技术，可以在系统生物学层面研究代谢通路失调，逐渐成为研究代谢性疾病必备的研究工具。尹慧勇课题组长期聚焦代谢组学技术前沿技术研发，与青岛大学附属医院教授李长贵团队长期合作，在科技部精准学项目的资助下研究高尿酸与痛风的精准医学策略。前期研究已利用代谢组学技术结合机器学习系统性揭示了痛风与高尿酸患者代谢差异，并首次建立了高尿酸发展为痛风的风险预测模型。

本研究利用两个独立痛风病人临床队列，在发现集队列中纳入了163例偶发与239例频发型痛风患者，收集血清并进行非靶向代谢组学分析。研究通过通路富集和代谢网络分析，首次发现了嘌呤代谢、咖啡因代谢、氨基酸代谢等通路的紊乱和其中的相互作用可能与痛风的发作频率相关。利用机器学习算法，研究在非靶向代谢组学数据中筛选出25种预测能力强、可信度高、定量稳定性高的代谢物作为生物标志物，建立并优化精确定量的靶向代谢组学方法。研究在独立的验证集队列中纳入97偶发和139例频发痛风患者。基于靶向代谢组学数据中的六种代谢物作为生物标志物建立预测模型。该模型在发现集和验证集中AUROC分别达到0.88和0.67。该研究为临床上频发与偶发痛风患者的治疗策略奠定了理论基础，并为痛风频繁发作提供了预测模型。

研究工作得到国家重点研发计划、国家自然科学基金等的支持。营养与健康研究所公共技术平台为研究工作提供了技术支撑。相关研究工作已申请中国专利和国际专利。

利用代谢组学与机器学习研究频发与偶发痛风患者的血清代谢组差异并研发痛风频发风险预测模型