检索历史 清除

摘要目的：排泄延迟是使用大剂量甲氨蝶呤后引起患者多种不良反应（如急性肾损伤等毒性反应）的常见原因之一，严重危害化疗患者生命健康。通过用药过程中监测或用药前发现生物标志物减少排泄延迟，是甲氨蝶呤安全用药研究领域的重要需求。本研究优化甲氨蝶呤检测方法，并首次基于液质代谢组学联合机器学习算法探索甲氨蝶呤排泄延迟儿童患者的标志物；比较排泄延患儿与无排泄延迟患儿之间代谢差异，以期探索代谢紊乱与甲氨蝶呤排泄延迟的关系；筛选潜在的生物标志物帮助临床对排泄延迟发生情况进行预测，制定个体化的用药方案。<br>　　方法：1.样本收集：急性淋巴白血病（ALL）儿童患者采取大剂量甲氨蝶呤化疗方案并及时进行亚叶酸钙解救后48h、72h、96h或更长时间点的血液样本。<br>　　2.治疗药物监测（TDM）：建立全自动二维液相色谱法，检测大剂量甲氨蝶呤化疗后各时间点患儿体内的甲氨蝶呤血药浓度。<br>　　3.代谢组学检测：根据ALL患儿的血药浓度值是否超过正常值（C48h≥1μmol/L、C72h≥0.1-0.2μmol/L）分为排泄延迟组（Y组）与排泄正常组（W组）。使用安捷伦1290超高效液相色谱并串联6545型四级杆飞行时间质谱仪（UPLC/Q-TOF-MS）检测患儿化疗后各个时间点的特征离子。获得代谢物表达矩阵，进行单变量统计分析（t检验）和多变量统计分析（无监督统计：PCA、K-means、Self-Organizing Maps、Hierarchical Cluster Analysis;有监督统计：OPLS-DA），筛选P值小于0.05且VIP大于1的差异代谢物后；通过HMDB在线数据库的二级质谱碎片对差异代谢物进行鉴别；随后进行通路及富集分析；再通过多种机器学习算法（Logistic Regression、Random Forest、K-Nearest Neighbor、Support Vector Machine、EXtreme Gradient Boosting、Light Gradient Boosting Machine、Adaptive Boosting、Gaussian naive bayes）筛选潜在的生物标志物，并对排泄延迟的发生进行建模预测。<br>　　结果：1.样本收集：共纳入41例患者，排泄延迟组11例患者，排泄正常组30例患者。<br>　　2.治疗药物监测方法：本研究建立的全自动二维液相法测定血清中甲氨蝶呤浓度在0.11~5.55μmol/L内与峰面积线性关系良好，标准曲线方程为：Y=73949.9X-2488.05，R2=0.9996。对12例曾在院化疗的患儿进行血药浓度测定，共检测甲氨蝶呤血药浓度78例次，方法学稳定，可用于后续患者分组。<br>　　3.基于代谢组学发现排泄延迟的预测标志物：整合单变量统计分析和多变量统计分析共筛选392个差异代谢物，共鉴定62种代谢物。其中，14个为溶血磷脂酰胆碱类，17个为磷脂酰胆碱类，5个为溶血磷脂酰乙醇胺，其他差异代谢物为氨基酸类、有机酸、胆红素、皮质醇等。有30个代谢物在排泄延迟组中含量显著降低，大部分为磷脂酰胆碱、溶血磷脂酰乙醇胺等脂质。筛选的差异代谢物主要涉及到叶酸代谢、类固醇生物代谢、卟啉代谢、甘油磷脂代谢等途径。通过多种机器学习算法对差异代谢物进行再次筛选的潜在的生物标志物为LysoPC(16:0)和LysoPC(18:0)，后建模验证其训练集、验证集、测试集ROC曲线的AUC的范围是0.712到1，均大于0.7。<br>　　结论：针对ALL患儿采取大剂量甲氨蝶呤化疗方案后发生排泄延迟，TDM仅可用于诊断，而代谢组学可用于预测，并且代谢组学（ROC曲线下面积均＞0.7）的预测效果较好。排泄延迟的发生与叶酸代谢、脂质代谢等多种代谢途径密切相关。因此，筛选出的潜在生物标志物可考虑推广到临床，制定个体化的用药方案。