论文部分内容阅读
背景肥胖是一种多因素引起的慢性代谢性疾病,遗传因素起着很重要的作用。目前关于肥胖的系统性研究大多专注于单组学或两个组学:如基因组学、转录组学或代谢组学,虽然对肥胖相关研究有帮助,但其潜在的生物学机制或内在作用网络目前尚不明确,且缺乏对于女性特定人群的研究。随着高通量技术如全基因组测序（whole genome sequencing,WGS）、转录组测序（RNA-Sequencing,RNA-Seq）、全基因组简化甲基化测序（reduced-representation bisulfite sequencing,RRBS）以及液相色谱-质谱联用技术（liquid chromatography-mass spectrometry,LC-MS）等的快速发展,为多组学数据检测提供了可能,包括:基因组学、转录组学、表观组学以及代谢组学等。因此,越来越多的学者开始整合多组学研究,这为阐释复杂疾病的生物学机制提供了新视角。由于目前肥胖的多组学整合分析还很少,且外周血单核细胞（peripheral blood monocytes,PBMs）和肥胖易患性之间的特殊关联一直被用作转录组学和表观组学标志物研究的替代组织。所以,本研究拟采用PBMs作为示例细胞,率先整合美国高加索女性肥胖的多组学数据（基因组学、转录组学、表观组学和代谢组学）以揭示肥胖潜在的生物学机制。目的1.探讨超重/肥胖组和体重正常组各组学之间的差异生物标志物:差异表达基因（differentially expressed genes,DEGs）、差异甲基化区域（differentially methylated regions,DMRs）与差异累积代谢物（differentially accumulated metabolites,DAMs）。2.探讨研究对象的转录组学、表观组学与代谢组学之间的相关性,以及转录组学、表观组学与代谢组学与基因组学之间的遗传关联,即识别各组学的数量性状位点（quantitative trait loci,QTL）:表达 QTL（expression QTL,eQTL）、甲基化 QTL（methylation QTL,meQTL）与代谢物 QTL（metabolites QTL,metaQTL）位点。3.探讨研究对象转录组学、表观组学与代谢组学之间潜在的因果效应生物标志物以及中介效应通路。方法1.本研究根据WHO对于肥胖的定义,按照超重/肥胖组和体重正常组1:1对照设计招募研究对象。提取研究对象的全血DNA、外周血单核细胞DNA、RNA以及血清生物样本,然后分别采用WGS、RRBS、RNA-seq与LC-MS技术获得基因组学、表观组学（PBMs）、转录组学（PBMs）与代谢组学数据。2.对于 RNA-Seq 数据,采用差异表达分析（differentially expression analysis,DEA）识别超重/肥胖组和体重正常组之间的DEGs,其次采用多尺度嵌入式基因共表达网络分析（Multiscale Embedded Gene Co-expression Network Analysis,MEGENA）进一步识别与肥胖相关的共表达基因模块与核心DEGs。对于RRBS数据,采用Logistic回归识别超重/肥胖组和体重正常组之间的DMRs。对于LC-MS数据,采用偏最小二乘回归判别分析（partial least squares regression-discriminant analysis,PLS-DA）与 Logistic 回 归两种方法识别超重/肥胖组和体重正常组之间的DAMs。3.基于单组学分析得到标志物对应的组学数据,首先,采用Spearman秩相关分析探讨不同组学之间的相关性;其次,采用QTL分析获得各组学的eQTL、meQTL与metaQTL数据。再者,采用双向孟德尔随机化（Mendelian Randomization,MR）方法识别各组学之间潜在的因果效应生物标志物。本研究中的MR方法主要包括,逆方差加权分析（inverse-variance-weighted method,IVW）、简单中值法（simple median method）和加权中值法（weighted median method）。4.基于各组学间的因果效应生物标志物,采用网络MR方法识别可能存在的中介效应通路。结果1.本研究共纳入104名研究对象,其中超重/肥胖组52人,体重正常组52人。2.对于RNA-Seq数据,本研究识别了 214个DEGs（矫正P值<0.01）,隶属于17个基因模块,包括8个核心DEGs,且其中6个基因在以前的研究中被报道与肥胖相关,其余两个为新发现的与肥胖相关的基因:LUZP6和PLCB2;对于RRBS数据,本研究共识别了 95个DMRs,被注释到距离转录起始位点最近的67个基因上;采用更严格的阈值标准时,识别了 14个DMRs,注释到12个临近的基因。其中有6个被以往肥胖相关遗传学研究证实,其余6个为本研究新发现的基因:PACRG,LINC00494,KLHL4,DTX1,VCX3A和 VSTM1。对于LC-MS数据,本研究共识别了 12个DAMs,其中有十个代谢物已经报道过与肥胖及其相关性状存在关联,另外两个则为新发现的与肥胖相关的代谢物:Indole-3-acetate 和 N-methyl-D-aspartic acid。3.本研究识别了各组学之间的相关性,QTL分析识别了与核心DEGs、DMRs 和 DAMs 相关的 3560 个 eQTL、734 个 meQTL 和 9055 个 metaQTL 位点。双向MR分析识别了核心DEGs和DMRs、DMRs和DAMs以及核心DEGs和DMRs之间潜在因果效应生物标志物分别7对、40对和42对。4.通 过 网 络 MR 分 析,本 研 究 共 识 别 了IsobutyrylcamitineANO66.110721178,Plasmenyl-LysoPEANO66.110721178,3-（2-Hydroxyphenyl）PropanoateANO66.110721178 等 18 个存在中介效应的因果效应通路,其中包含了 20个生物标志物,且以往研究发现其中17个标志物与肥胖及其相关性状存在关联,其余3个为新发现（甲基化区域6.163743051注释的基因PACRG-AS1,Indole-3-acetate 和 N-methyl-D-aspartic acid）。结论1.单组学分析可以有效识别与肥胖相关的DEGs、DMRs以及DAMs,对了解肥胖特定组学分子机制非常重要。2.本研究联合应用QTL与MR方法于肥胖的多组学数据,识别了不同组学之间的相关性,以及潜在的因果效应,发现了IsobutyrylcarnitineANO66.110721178,Plasmenyl-LysoPEANO66.110721178 等18个可能存在中介效应的因果效应通路,其中共包含了 20个生物标志物,且研究发现其中的17个标志物与肥胖及其相关疾病之间存在关联性,剩下的3个则为新发现的标志物,为肥胖未来的生物学实验研究提供了靶点标志物,更为未来临床的精细定位以及靶向治疗提供坚实的理论基础。