最近发表在《自然》杂志上的一项研究中，研究人员探索了一种改进产前检测孤立性、非综合征型青紫型先天性心脏病（CCHD）的新方法。该团队使用母体唾液代谢组学结合机器学习（ML）技术，揭示了与CCHD相关的代谢变化。借助人工智能（AI）模型，研究团队实现了令人印象深刻的诊断准确性，解决了传统超声筛查的一些局限性。
为什么关注先天性心脏病？
先天性心脏病（CHD）是最常见的严重先天异常之一，仍然是儿童死亡的主要原因之一。在各种类型的CHD中，CCHD尤为关键，因为它需要在出生后立即进行医疗干预。然而，在怀孕期间检测这种疾病仍然具有挑战性，尤其是在没有明显风险因素的情况下。
尽管代谢组学和机器学习以前已被用于CHD的研究，但大多数研究集中在血液或尿液样本上。这项研究与众不同之处在于探讨了母体唾液作为诊断工具的可能性，提供了一种非侵入性、易于获取的替代方案。此外，它还研究了脂质代谢紊乱——这一领域可以加深我们对胎儿心脏发育的理解，并为更精确的干预提供线索。
研究设计和方法
研究团队在Corewell Health William Beaumont大学医院进行了前瞻性病例对照队列研究。参与者的选择基于严格的标准：单胎妊娠14至37周，产后确诊为疑似孤立性、非综合征型CHD，且无染色体异常、综合征缺陷或心外畸形。对照组为无CHD的妊娠期匹配个体。
唾液样本在禁食后收集，使用超高效液相色谱-质谱联用（UPLC-MS）进行分析。数据经过清理和标准化处理，排除了低于检测限的代谢物，并应用了高级机器学习模型，包括深度学习（DL）、随机森林（RF）和支持向量机（SVM）。研究团队还进行了通路富集分析，以确定CCHD病例中的代谢紊乱。
为了验证其发现，研究人员使用了曲线下面积（AUC）、敏感性和特异性指标，并采用了正则化和dropout等策略以减少过拟合。临床预测因子如母体糖尿病和家族史被整合到代谢物数据中，以提高诊断准确性。通过结合这些数据点，研究团队旨在反映现实情况，同时推动精准胎儿心脏病学的发展。
研究结果和分析
该研究探讨了如何利用临床、人口统计学和代谢组学因素来识别CHD，特别是更严重的CCHD。研究人员与80名参与者合作——40名患有CHD（其中一半为青紫型，另一半为非青紫型）和40名健康对照组。两组的基线特征相似，使比较公平。
通过代谢组学分析，团队鉴定了468种代谢物，其中30种在CCHD病例中显示出显著差异。当这些发现与临床和人口统计学数据结合时，预测模型表现出色：
- 使用20个关键标志物的模型在训练集上的AUC为0.8372，在测试集上的AUC为0.8222，敏感性范围为91.5%至92.5%，特异性范围为87%至89%。
- 只使用代谢物（共25种）的另一模型同样准确，达到了0.8488的AUC，92.5%的敏感性和91.0%的特异性。
- 对于专门检测CCHD的50个标志物模型，其AUC为0.8198，敏感性为92.5%，特异性为87.0%。
令人兴奋的是，AI模型始终优于传统的逻辑回归方法，证明了高级算法在基于代谢组学的CHD预测中的巨大潜力。
见解和影响
这是首次探索母体唾液和机器学习如何共同作用以非侵入方式检测CCHD的研究。结果令人印象深刻，模型显示出高准确性和高敏感性。
一个关键发现是脂质代谢的紊乱，特别是在甘油三酯、二酰甘油和神经酰胺方面的显著变化。这些变化表明CCHD病例中脂肪酸氧化的增加，这与之前在母体血液和尿液样本中发现的类似模式相符。
此外，分析还指出了关键代谢通路的紊乱，包括花生四烯酸、α-亚麻酸和色氨酸通路。这些通路对于胎儿心脏发育至关重要，为研究人员提供了关于CCHD发展机制的新见解，并指出潜在干预措施的方向。
当然，研究也存在一些局限性，例如相对较小的样本量和缺乏胎儿血液数据以建立更直接的联系。但研究的创新性和潜在影响不容忽视。使用唾液作为诊断工具是无痛、便捷的，并为当前的产前和产后筛查提供了真正的替代方案。
结论
这项研究表明，母体唾液代谢组学和机器学习作为非侵入性方法，能够以高准确度检测CCHD。通过揭示关键代谢变化，尤其是脂质代谢的变化，研究为胎儿心脏发育提供了宝贵的见解，并为传统超声筛查提供了可行的替代方案。
虽然还需要进一步的大规模队列研究，但这种方法有望增强产前诊断，并支持先天性心脏病的早期、更有效的干预。
(全文结束)
