Метаболомные исследования с позиции персонализированной медицины

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Одна из важнейших задач современной медицины заключается в распознавании заболеваний на доклинической стадии, а также в оценке их рисков развития и возможной их профилактике. Это диктует необходимость применения новых, современных технологии, направленных на ранее выявление биомаркеров, и определение новых терапевтических мишеней.

Цель. Обобщить имеющиеся данные о метаболомных исследованиях, применяемых в медицине.

Материал и методы. Проведен анализ основных зарубежных и отечественных источников по базам данных PubMed/Medline, РИНЦ/elibrary за последние 5 лет.

Результаты. Метаболомика представляет собой быстро развивающийся метод научных исследований, используемый в биомедицине с целью детальной иллюстрации происходящих патологических механизмов и разработки новых биомаркеров заболеваний. Аналитические подходы, применяемые для изучения метаболома, по своей специфичности и чувствительности не уступают генетическим исследованиям. Наряду с этим, возможность одновременного количественного определения нескольких тысяч метаболитов в образцах делает метаболомику методом, ориентированным на персонализированную медицину.

Полный текст

Доступ закрыт

Об авторах

Михаил Александрович Пальцев

Московский государственный университет им. М.В. Ломоносова

Автор, ответственный за переписку.
Email: mpaltzev@gmail.com
ORCID iD: 0000-0002-5737-5706

Директор Центра иммунологии и молекулярной биомедицины. Биологический факультет. ФГБОУ ВО «Московский государственный университет им. М.В. Ломоносова». Академик РАН, доктор медицинских наук, профессор.

Россия, 119234, Москва, Ленинские горы, д. 1

Оксана Юрьевна Зольникова

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)

Email: ks.med@mail.ru
ORCID iD: 0000-0002-6701-789X

доктор медицинских наук, профессор кафедры пропедевтики внутренних болезней, гастроэнтерологии и гепатологии Первого Московского государственного медицинского университета им. И.М. Сеченова (Сеченовский университет)

Россия, 119991, Москва, ул. Трубецкая, 8/2

Список литературы

  1. Zhou J., Zhong L. Applications of liquid chromatography-mass spectrometry based metabolomics in predictive and personalized medicine. Front. Mol. Biosci. 2022; 9: 1049016. doi: 10.3389/fmolb.2022.1049016
  2. Sheikhy A, Fallahzadeh A, Aghaei Meybodi HR, Hasanzad M, Tajdini M, Hosseini K. Personalized medicine in cardiovascular disease: review of literature. J. Diabetes Metab Disord. 2021; 20 (2): 1793–805. doi: 10.1007/s40200-021-00840-0
  3. Masoodi M., Gastaldelli A., Hyötyläinen T., Arretxe E., Alonso C., Gaggini M., Brosnan J., Anstee Q.M., Millet O., Ortiz P., Mato J.M., Dufour J.F., Orešič M. Metabolomics and lipidomics in NAFLD: biomarkers and non-invasive diagnostic tests. Nat Rev Gastroenterol Hepatol. 2021; 18 (12): 835–56. doi: 10.1038/s41575-021-00502-9
  4. Guiot J., Vaidyanathan A., Deprez L., Zerka F., Danthine D., Frix A.N., Lambin P., Bottari F., Tsoutzidis N., Miraglio B., Walsh S., Vos W., Hustinx R., Ferreira M., Lovinfosse P., Leijenaar R.T.H. A review in radiomics: Making personalized medicine a reality via routine imaging. Med Res Rev. 2022; 42 (1): 426–40. doi: 10.1002/med.21846.
  5. Zygulska A.L., Pierzchalski P. Novel Diagnostic Biomarkers in Colorectal Cancer. Int J. Mol. Sci. 2022; 23 (2): 852. doi: 10.3390/ijms23020852.
  6. Vellekoop H., Versteegh M., Huygens S., Corro Ramos I., Szilberhorn L., Zelei T., Nagy B., Tsiachristas A., Koleva-Kolarova R., Wordsworth S., Rutten-van Mölken M. HEcoPerMed consortium. The Net Benefit of Personalized Medicine: A Systematic Literature Review and Regression Analysis. Value Health. 2022; 25 (8): 1428–38. doi: 10.1016/j.jval.2022.01.006
  7. Li R., Li L., Xu Y., Yang J. Machine learning meets omics: applications and perspectives. Brief Bioinform. 2022; 23 (1): bbab460. doi: 10.1093/bib/bbab460.
  8. Braig Z.V. Personalized medicine: From diagnostic to adaptive. Biomed J. 2022; 45 (1): 132–42. doi: 10.1016/j.bj.2019.05.004
  9. Hassan M., Awan F.M., Naz A., deAndrés-Galiana E.J., Alvarez O., Cernea A., Fernández-Brillet L., Fernández-Martinez J.L., Kloczkowski A. Innovations in Genomics and Big Data Analytics for Personalized Medicine and Health Care: A Review. Int. J. Mol. Sci. 2022; 23 (9): 4645. doi: 10.3390/ijms23094645.
  10. Luengo O., Galvan-Blasco P., Cardona V. Molecular diagnosis contribution for personalized medicine. Curr Opin Allergy Clin. Immunol. 2022; 22 (3): 175–80. doi: 10.1097/ACI.0000000000000822.
  11. Crosby D., Bhatia S., Brindle K.M., Coussens L.M., Dive C., Emberton M. Early detection of cancer. Science 2022; 375 (6586): eaay9040. doi: 10.1126/science.aay9040
  12. Yuan Y., Zhao Z., Xue L., Wang G., Song H., Pang R. Identification of diagnostic markers and lipid dysregulation in oesophageal squamous cell carcinoma through lipidomic analysis and machine learning. Br. J. Cancer. 2021; 125 (3): 351–7. doi: 10.1038/s41416-021-01395-w
  13. Wang G., Yao H., Gong Y., Lu Z., Pang R., Li Y. Metabolic detection and systems analyses of pancreatic ductal adenocarcinoma through machine learning, lipidomics, and multi-omics. Sci. Adv. 2021; 7 (52): eabh2724. doi: 10.1126/sciadv.abh2724
  14. Wang G., Qiu M., Xing X., Zhou J., Yao H., Li M. Lung cancer scRNA-seq and lipidomics reveal aberrant lipid metabolism for early-stage diagnosis. Sci. Transl. Med. 2022; 14 (630): eabk2756. doi: 10.1126/scitranslmed.abk2756.
  15. Zhou J., Ji N., Wang G., Zhang Y., Song H., Yuan Y. Metabolic detection of malignant brain gliomas through plasma lipidomic analysis and support vector machine-based machine learning. EBioMedicine. 2022; 81: 104097. doi: 10.1016/j.ebiom.2022.104097
  16. Chen F., Dai X., Zhou C. C., Li K.X., Zhang Y.J., Lou X.Y. Integrated analysis of the faecal metagenome and serum metabolome reveals the role of gut microbiome-associated metabolites in the detection of colorectal cancer and adenoma. Gut. 2022; 71 (7): 1315–25. doi: 10.1136/gutjnl-2020-323476
  17. Talmor-Barkan Y., Bar N., Shaul A.A., Shahaf N., Godneva A., Bussi Y. Metabolomic and microbiome profiling reveals personalized risk factors for coronary artery disease. Nat. Med. 2022; 28 (2): 295–302. doi: 10.1038/s41591-022-01686-6
  18. Murthy V.L., Reis J.P., Pico A.R., Kitchen R., Lima J.A., Lloyd-Jones D. Comprehensive metabolic phenotyping refines cardiovascular risk in young adults. Circulation. 2020; 142 (22): 2110–27. doi: 10.1161/circulationaha.120.047689
  19. Bar N., Korem T., Weissbrod O., Zeevi D, Rothschildm D.A reference map of potential determinants for the human serum metabolome. Nature. 2020; 588 (7836): 135–40. doi: 10.1038/s41586-020-2896-2
  20. Chen Z.Z., Gerszten R.E. Metabolomics and Proteomics in Type 2 Diabetes. Circ Res. 2020; 126 (11): 1613–27. doi: 10.1161/CIRCRESAHA.120.315898
  21. Xiao Y., Ma D., Yang Y.S., Yang F., Ding J.H., Gong Y. Comprehensive metabolomics expands precision medicine for triple-negative breast cancer. Cell Res. 2022; 32 (5): 477–90. doi: 10.1038/s41422-022-00614-0
  22. Thomas I., Dickens A.M., Posti J.P., Czeiter E., Duberg D., Sinioja T. Serum metabolome associated with severity of acute traumatic brain injury. Nat. Commun. 2022; 13 (1): 2545. doi: 10.1038/s41467-022-30227-5
  23. Bajaj J.S., Garcia-Tsao G., Reddy K.R., O’Leary J.G., Vargas H.E., Lai J.C. Admission urinary and serum metabolites predict renal outcomes in hospitalized patients with cirrhosis. Hepatology. 2021; 74 (5): 2699–713. doi: 10.1002/hep.31907
  24. Liu J., Geng W., Sun H., Liu C., Huang F., Cao J. Integrative metabolomic characterisation identifies altered portal vein serum metabolome contributing to human hepatocellular carcinoma. Gut. 2022; 71 (6): 1203–13. doi: 10.1136/gutjnl-2021-325189
  25. Hasegawa K., Stewart C.J., Celedón J.C., Mansbach J.M., Tierney C., Camargo C.A. Serum 25-hydroxyvitamin D, metabolome, and bronchiolitis severity among infants-A multicenter cohort study. Pediatr Allergy Immunol. 2018; 29 (4): 441–5. doi: 10.1111/pai.12880
  26. Liang L., Rasmussen M.H., Piening B., Shen X., Chen S., Röst H. Metabolic dynamics and prediction of gestational age and time to delivery in pregnant women. Cell. 2020; 181 (7): 1680–92. doi: 10.1016/j.cell.2020.05.002
  27. Ma C., Tian B., Wang J., Yang G., Pan C., Lu J. Metabolic characteristics of acute necrotizing pancreatitis and chronic pancreatitis. Mol. Med. Rep. 2012; 6 (1): 57–62. doi: 10.3892/mmr.2012.881

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Факторы, влияющие на метаболом

Скачать (63KB)
Метаданные

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах