Nowe badanie w czasopiśmie Medycyna natury analizuje podłużne i przekrojowe zmiany analitów krwi związane ze zmianami wskaźnika masy ciała (BMI).

Badanie: Multiomiczne sygnatury wskaźnika masy ciała identyfikują heterogeniczne fenotypy zdrowotne i reakcje na interwencję dotyczącą stylu życia. Źródło obrazu: jivacore / Shutterstock.com

Skutki zdrowotne otyłości

Częstość występowania otyłości wzrasta w ciągu ostatnich czterdziestu lat wśród nastolatków, dorosłych i dzieci na całym świecie. W kilku badaniach wykazano, że otyłość jest głównym czynnikiem ryzyka wielu chorób przewlekłych, takich jak zespół metaboliczny (MetS), cukrzyca typu 2 (T2DM), choroby sercowo-naczyniowe (CVD) i niektóre rodzaje raka.

Nawet 5% utrata masy ciała wśród osób otyłych może poprawić zdrowie metaboliczne i sercowo-naczyniowe, a także zmniejszyć ryzyko chorób przewlekłych związanych z otyłością. Jednak doniesiono, że fizjologiczne objawy otyłości różnią się znacznie u poszczególnych osób.

Jak mierzy się otyłość?

Kwantyfikacja otyłości odbywa się za pomocą antropometrycznego BMI, czyli masy ciała podzielonej przez kwadrat wzrostu. BMI jest zwykle używany do pierwotnego rozpoznania otyłości, a także do oceny skuteczności interwencji dotyczących stylu życia.

Istnieją jednak pewne ograniczenia w używaniu BMI jako miary zdrowia. Na przykład BMI może powodować błędną klasyfikację osób z wysokim stosunkiem masy mięśniowej do tkanki tłuszczowej jako osób z otyłością i błędną ocenę metabolicznej poprawy zdrowia po wysiłku.

Badania omiczne wykazały, że profile omiczne krwi mogą dostarczać informacji na temat kilku warunków zdrowotnych człowieka. Zgłoszono, że model uczenia maszynowego, który został przeszkolony do przewidywania BMI na podstawie 49 metabolitów krwi związanych z BMI, zapewnia lepsze pomiary kliniczne związane z otyłością w porównaniu z genetyczną predyspozycją do wysokiego BMI lub obserwowanego BMI.

Inny model BMI oparty na metabolomice krwi również wykazał różnice między osobami z ostrym zespołem wieńcowym lub bez niego. Sugeruje to, że multi-omiczne profilowanie krwi może pomóc wypełnić lukę między BMI a heterogenicznymi stanami fizjologicznymi.

O badaniu

Obecne badanie polegało na rekrutacji osób, które uczestniczyły w programie wellness przez firmę komercyjną w latach 2015-2019. Do obecnego badania włączono osoby, które ukończyły 18 lat, mieszkają w dowolnym stanie USA z wyjątkiem Nowego Jorku i nie w ciąży.

Uczestnicy zostali włączeni, jeśli ich zestawy danych zawierały wszystkie główne pomiary omiczne, informacje genetyczne i pomiar BMI w ciągu 1,5 miesiąca od pierwszego pobrania krwi. Zewnętrzna kohorta została uzyskana od uczestników, którzy uczestniczyli w rejestrze TwinsUK i przeszli dwie lub więcej wizyt klinicznych w celu pobrania próbek biologicznych w latach 1992-2022. Tylko uczestnicy, których zbiory danych zawierały wszystkie pomiary dla metabolomiki, standardowe pomiary kliniczne związane z otyłością i BMI zostały włączone do aktualne badanie.

Od uczestników pobrano próbki krwi obwodowej, śliny i kału w celu analizy pochodzenia genetycznego, pomiaru omiki krwi i wygenerowania danych dotyczących mikrobiomu jelitowego. Zbierano również informacje na temat wzrostu, masy ciała, ciśnienia krwi, obwodu talii i codziennej aktywności fizycznej.

W przypadku uczestników TwinsUK przeprowadzono analizę metabolomiki krwi, BMI, danych dotyczących mikrobiomu jelitowego i BMI wizyt wyjściowych. Modele uczenia maszynowego zostały przeszkolone w przewidywaniu bazowego BMI dla każdej z platform omicznych, w tym proteomiki, metabolomiki i laboratorium klinicznego, lub w połączeniu z BMI opartym na laboratoriach klinicznych (ChemBMI), BMI opartym na proteomice (ProtBMI), metabolomice- oparte na BMI (MetBMI) i połączone modele BMI oparte na omicznych (CombiBMI). Wygenerowano kolejne dziesięć dopasowanych rzadkich modeli przy użyciu algorytmu najmniejszego bezwzględnego skurczu i operatora selekcji (LASSO) dla każdej kategorii omicznej.

Następnie dokonano klasyfikacji zdrowia każdego uczestnika w oparciu o międzynarodowe standardy Światowej Organizacji Zdrowia (WHO) dotyczące wartości granicznych BMI. Wygenerowano również modele mikrobiomu jelitowego do klasyfikacji otyłości. Oceny zmian podłużnych dokonano w zmierzonych i wywnioskowanych na podstawie omicznej wskaźnikach BMI. Na koniec przeprowadzono analizę sieci korelacji analitów w osoczu.

Wyniki badań

W badaniu wzięło udział łącznie 1277 osób dorosłych, z których większość była rasy białej, kobiet w średnim wieku. Częstość występowania BMI na początku badania była podobna w klasach zdrowych, z nadwagą i otyłych.

Modele zachowały 30 białek, 62 metabolity, 20 klinicznych testów laboratoryjnych, a także 132 anality. Model CombiBMI okazał się najlepszy w przewidywaniu BMI.

Badanie kohorty TwinsUK wykazało, że metabolomika krwi lepiej rejestruje BMI w porównaniu ze standardowymi pomiarami klinicznymi. Warto zauważyć, że BMI wywnioskowane na podstawie omiki zachowało cechy klasycznego BMI.

Białka były najsilniejszymi predyktorami w modelu CombiBMI. Dokładniej, białko wiążące kwasy tłuszczowe 4 (FABP4), adrenomedulina (ADM) i leptyna (LEP) były pozytywnymi regulatorami, podczas gdy zaawansowany receptor specyficzny dla produktu końcowego glikozylacji (AGER) i białko wiążące insulinopodobny czynnik wzrostu 1 ( IGFBP1) były negatywnymi regulatorami.

Wskaźnik błędnej klasyfikacji BMI wywnioskowanego z omiki wynosił około 30% we wszystkich klasach BMI i kategoriach omicznych. Niedopasowane grupy o normalnej klasie BMI charakteryzowały się wyższymi wartościami markerów dodatnio związanych z BMI i niższymi wartościami markerów negatywnie związanych z BMI, podczas gdy w niedopasowanej grupie otyłej klasy BMI zaobserwowano odwrotną sytuację. Model BMI oparty na omice uchwycił również cechy otyłości, w tym otyłość brzuszną.

Klasa MetBMI odzwierciedlała różnorodność bakteryjną lepiej niż standardowa klasa BMI i miała silniejsze powiązania z cechami mikrobiomu jelitowego. Interwencje dotyczące stylu życia obniżyły ogólną ocenę BMI w całej kohorcie, gdzie spadek MetBMI był najwyższy, a ProtBMI najmniejszy.

W sumie 100 par korelacji analit-analit zostało znacząco zmodyfikowanych przez wyjściowy MetBMI. Wśród nich 27 par korelacji analit-analit zostało znacząco zmodyfikowanych przez dni w programie i pochodziły głównie z metabolitów.

Jedną z takich zmiennych w czasie par była homoarginina i fenylomleczan (PLA). Pozytywny związek między homoargininą a PLA zaobserwowano w grupie otyłych MetBMI na początku badania, który uległ osłabieniu w trakcie interwencji.

Wnioski

Obecne badanie pokazuje znaczenie profilowania multiomicznego krwi dla medycyny prewencyjnej i predykcyjnej. Ponadto odkrycia te pokazują, że multiomiczna charakterystyka otyłości może być przydatna do charakteryzowania zdrowia metabolicznego, a także do określania celów zarządzania zdrowiem.

Ograniczenia

Badanie ma pewne ograniczenia. Po pierwsze, anality zatrzymane w modelach opartych na omice mogą nie mieć związku przyczynowego z fenotypami otyłości. Po drugie, w badaniu nie zmierzono wszystkich biomolekuł we krwi.

Dodatkowym ograniczeniem jest to, że obecne badanie nie było w stanie ocenić skuteczności interwencji dotyczącej stylu życia. Wniosków z badania również nie można uogólniać.