Metabolic research from the standpoint of personalized medicine

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

One of the most important tasks of modern medicine is to recognize diseases at the preclinical stage, as well as to assess their development risks and their possible prevention. This dictates the need to use new, modern technologies aimed at the early detection of biomarkers and the identification of new therapeutic targets.

The purpose to summarize the available data on metabolomic studies used in medicine.

Material and methods. The analysis of the main foreign and domestic sources in the PubMed/Medline, RSCI/elibrary databases over the past 5 years was carried out.

Results. Metabolomics is a rapidly developing research method used in biomedicine to illustrate in detail the pathological mechanisms that occur and to develop new disease biomarkers. Analytical approaches used to study the metabolome are not inferior to genetic studies in their specificity and sensitivity. Along with this, the ability to simultaneously quantify several thousand metabolites in samples makes metabolomics a method oriented towards personalized medicine.

作者简介

Mikhail Paltsev

Lomonosov Moscow State University

编辑信件的主要联系方式.
Email: mpaltzev@gmail.com
ORCID iD: 0000-0002-5737-5706

Director. Center for Immunology and Molecular Biomedicine. Faculty of Biology. Moscow State University. Professor, Doctor of Medical Sciences.

俄罗斯联邦, Leninskie gory, 1, Moscow, 119991

Oxana Zolnikova

I.M. Sechenov First Moscow State Medical University (Sechenov University)

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

MD, Professor at the Department of Internal Medicine Propaedeutics, Sechenov First Moscow State Medical University (Sechenov University)

俄罗斯联邦, Trubetskaya st., 8/2, Moscow, 119991

参考

  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

补充文件

附件文件
动作
1. JATS XML
下载
2. Factors affecting the metabolome

下载 (63KB)
索引源数据

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».