烟雾病（MMD）是一种罕见的脑血管疾病，其诊断依赖于传统的数字减影血管造影（DSA）检查，但该方法具有侵入性和高成本，导致诊断延迟，影响治疗时机和患者预后。早期诊断和个性化治疗方案对于改善患者预后至关重要，然而目前缺乏有效的生物标志物用于早期诊断。
2025 年5月14日，中国人民解放军总医院与西安第九医院研究团队在《Journal of Neuroinflammation》(IF=9.3)期刊上发表了一篇题为“Multi-omic serum analysis reveals ferroptosis pathways and diagnostic molecular signatures associated with Moyamoya diseases”的研究文章。该研究利用蛋白质组学和代谢组学技术，从60多份烟雾病患者发病初期的血清样本中鉴定出1700多个特征，揭示了铁死亡（ferroptosis）通路在烟雾病中的失调，并通过机器学习筛选出高诊断价值的生物标志物组合，其诊断能力显著优于以往研究，为烟雾病的早期诊断提供了新的策略。
样本信息
样本来源：发病初期的烟雾病患者血清样本与健康对照组样本；
实验设计：发现队列（HC=30/MMD=30），独立队列（HC=13/MMD=17）。
实验技术
血清蛋白质组学、非靶代谢组学、靶向代谢组、ELISA
研究亮点
1.发现铁死亡通路与烟雾病的关联：研究揭示了铁死亡通路在烟雾病患者中的显著失调，为理解烟雾病的发病机制提供了新的视角。
2.高诊断能力的生物标志物组合：通过机器学习筛选出的生物标志物组合在诊断烟雾病方面表现出显著优于以往研究的诊断能力，为早期诊断提供了有力工具。
3.多组学数据整合分析：整合蛋白质组学和代谢组学数据，全面揭示了烟雾病患者血清中的分子变化，为发现新的生物标志物和治疗靶点提供了丰富的信息。
研究结果
一、血清多组学识别用于预测MMD的高置信度生物标志物
本研究通过整合蛋白质组学和代谢组学分析，系统地表征了MMD患者的分子变化。研究发现，MMD患者血清中存在755种差异表达的蛋白质和1029种代谢物，通过无监督聚类分析确认了患者与对照组之间的显著分子失调。通过随机森林机器学习算法筛选出蛋白质Q5NV69（V1-13蛋白）和代谢物如尿嘧啶（Com_8547_pos）等为高置信度的生物标志物，其ROC分析AUC值分别达到0.9489和约0.96，显示出较高的诊断效用。
图1 确定预测MMD的高置信度生物标志物
通过KEGG富集分析，揭示了MMD发病机制中涉及胆固醇代谢、铁死亡、PPAR信号传导等多系统的通路扰动，表明其病理生理复杂性超出了传统炎症/免疫机制。此外，研究通过整合蛋白质组学和代谢组学标志物，显著提高了MMD的诊断准确性，并识别出多个核心调控模块和更广泛的通路扰动，包括代谢重编程和神经血管串扰，进一步突显了组合生物标志物策略在解析MMD多面性病理生理学中的重要价值。
图2 双组学整合分析
二、使用WGCNA鉴定MMD相关模块
为了系统地表征MMD引起的血清蛋白质组和代谢组变化，对60例患者样本应用了加权基因共表达网络分析（WGCNA）。
蛋白质组分析识别出601种高变异性蛋白，聚类为8个共表达模块。其中，黄色模块与疾病关联性最强（相关系数0.64，P<0.01）。该模块中的A5YAK2（载脂蛋白C-IV）、A2NYQ9（抗叶酸结合蛋白）和A0A125U0V1（MS-F1重链可变区）等蛋白权重较高，与MMD表型密切相关。差异分析揭示了117种上调蛋白和62种下调蛋白，其中33种蛋白在差异分析和WGCNA分析中均被识别，表明其在MMD发病和进展中的重要作用。KEGG富集分析揭示这些蛋白与多个生物学过程相关，包括溶酶体功能、HIF-1信号通路、TGF-β信号通路、PPAR信号通路、胆固醇代谢和铁死亡等，强调了代谢紊乱在MMD中的重要性。
图3 蛋白质组学数据的WGCNA分析
代谢组分析识别出781种高变异性代谢物，聚类为12个共表达模块，其中红色模块与MMD的相关性最强。网络分析显示，Hesperetin、4-[1-(fur-2-oyl) pyrazol-5-yl]-5-methyl-1-phenylpyrazole和3-[(methoxycarbonyl)amino]-2,2,3-trimethylbutanoic acid等代谢物与MMD表型显著相关。同时发现97种上调和79种下调代谢物，其中28种代谢物在差异分析和WGCNA分析中均被识别，表明其在MMD发病和进展中的重要作用。KEGG分析将这些代谢物与Foxo信号通路、铁死亡、嘌呤代谢等生物学过程相关联，提示它们在MMD的病理生理过程中具有重要价值。
图4 代谢组学数据的WGCNA分析
三、整合多组学功能分析
通过整合多组学分析揭示了铁死亡通路在MMD中的关键作用。研究识别出三种与铁死亡通路相关的分子：转铁蛋白（TFRC）和L-谷氨酸水平显著增加，而尿嘧啶水平降低。此外，通过功能蛋白关联网络分析，研究进一步确认了TFRC在MMD中的核心地位，并发现MMD血清中的TF、APOA2、SAA4、APOC4、APOM和ORM1等六种蛋白对铁死亡信号通路有显著影响。这些蛋白不仅与急性期炎症反应和脂质代谢相关，还参与胆固醇代谢、铁死亡和HIF信号通路。
图5 基于富集途径的一体化多组学分析
研究通过相关性分析探讨了代谢组学与蛋白质组学之间的调控关系，发现许多差异代谢物与蛋白之间存在显著正相关。尽管尿嘧啶未出现在调控网络中，但其与某些蛋白的中等相关性仍值得关注。通过增加网络分析的阈值，研究优化了调控网络，识别出更紧密连接的分子对。这些结果表明，代谢物和蛋白之间的相互作用可能在MMD的发病机制中发挥重要作用。
图6 基于相关性分析的综合多组学分析
四、铁死亡相关蛋白质和代谢物的验证以及通过随机森林识别的独立队列验证
本研究通过独立队列（HC=13/MMD=17）验证了铁死亡相关的蛋白和代谢物在MMD中的作用。多组学分析发现，转铁蛋白和L-谷氨酸水平显著升高，而尿嘧啶水平降低。在独立队列中，转铁蛋白受体1（TfR1）和L-谷氨酸水平在MMD患者中显著高于对照组，与发现队列结果一致。此外，通过机器学习识别的生物标志物（如Tβ4、尿嘧啶、3-羟基癸酸和甘油-3-磷酸）也在独立队列中得到验证。
ROC分析显示，六种标志物表现出不同的诊断性能，其中TfR1表现出最高的区分能力（AUC=81.90），其次是甘油-3-磷酸（AUC=77.86）、L-谷氨酸（AUC=77.38）、尿嘧啶（AUC=75.11）、3-羟基癸酸（AUC=75.34）和Tβ4（AUC=74.21）。这些结果表明，TfR1是最有力的候选标志物，其他标志物也表现出中等到较强的区分能力，共同强调了它们在诊断应用中的潜在价值。
图7 验证与铁死亡相关的蛋白质和代谢物，并通过独立队列的随机森林鉴定
研究结论
研究通过整合蛋白质组学和代谢组学数据，成功识别了与烟雾病（MMD）相关的生物标志物，这些标志物在疾病早期诊断中显示出优异的潜力。
研究揭示了铁死亡（ferroptosis）通路在MMD患者中的显著破坏，表明该通路可能在疾病进展中起关键作用。
通过独立队列验证，研究确认了这些生物标志物的诊断可靠性，为MMD的早期诊断和治疗提供了新的方向。
青莲百奥体液蛋白组解决方案
青莲百奥针对血液蛋白质组研究瓶颈，基于“蛋白冠”及Vorman效应，独家推出专利产品低丰度蛋白富集磁珠试剂盒（MagicOmics DMB），搭配自动化样本前处理机器人，极大地优化精简样本前处理流程。针对队列标志物筛选、风险预测、患者分型分析需求，青莲百奥独家推出疾病标志物筛选、预后标志物筛选、分子分型高级分析报告。步骤虽繁必不敢省人工，试剂虽贵必不敢减物力，青莲百奥助您在科研的海洋中乘风破浪。
参考文献
[1] Guo Q, Xie M, Wang X, et al. Multi-omic serum analysis reveals ferroptosis pathways and diagnostic molecular signatures associated with Moyamoya diseases[J]. J Neuroinflammation. 2025 Apr 29;22(1):123. doi: 10.1186/s12974-025-03446-y.
