Identifying molecular pathways of type 2 diabetes using proteomics, metabolic, and anthropometric profiles in UK and Chinese adults

这项研究通过整合英国和中国人群的蛋白质组、代谢及人体测量数据，利用贝叶斯非负矩阵分解识别出五个反映糖尿病异质性的蛋白质簇（包括两个新发现的簇），并进一步通过遗传学分析确定了多个因果蛋白及其潜在的治疗靶点，从而深化了对2型糖尿病分子机制的理解并支持精准防治策略。

要点

这篇论文就像是一次**“人体内部的侦探行动”，旨在解开2 型糖尿病（T2D）**这个复杂谜题背后的分子秘密。

想象一下，2 型糖尿病不仅仅是一种单一的病，它更像是一个**“大杂烩”**。不同的人得病的原因可能完全不同：有的人是因为太胖，有的人是因为肝脏出了问题，还有的人是因为肾脏或脂肪代谢异常。以前的治疗方法往往“一刀切”，但这篇研究试图找到更精准的方法，就像给不同的病人开不同的“钥匙”。

以下是用通俗语言和生动比喻对这篇研究的解读：

1. 侦探工具：蛋白质“指纹”

研究人员使用了两种巨大的“人口数据库”：一个是英国的（UK Biobank，主要是欧洲人），一个是中国（China Kadoorie Biobank，主要是东亚人）。

• 蛋白质是什么？ 如果把我们的身体比作一座繁忙的城市，基因是“蓝图”，那么蛋白质就是城市里实际工作的“工人”和“信使”。血液里的蛋白质水平能告诉我们身体里正在发生什么。
• 做了什么？ 他们测量了血液中近 3000 种蛋白质的水平，看看哪些蛋白质的水平高低与糖尿病有关。这就好比在犯罪现场收集了成千上万个“指纹”，试图找出谁是真正的“罪犯”。

2. 给蛋白质“分班”：发现五大“帮派”

研究发现，这些与糖尿病有关的蛋白质并不是乱糟糟的一团，它们像是有组织的“帮派”。研究人员用一种聪明的数学方法（就像给一堆杂乱无章的积木自动分类），把这些蛋白质分成了5 个主要的小组（集群）：

1. 肥胖组 (Adiposity)： 和体重、脂肪堆积紧密相关。
2. 减脂组 (Reduced adiposity)： （这是新发现！） 这个组很有趣，里面的蛋白质水平高，反而意味着脂肪少，但糖尿病风险却高。这就像是一些“瘦人糖尿病”患者，他们虽然不胖，但身体内部机制出了问题（有点像“隐形脂肪”或脂肪分布异常）。
3. 血脂组 (Lipids)： 和胆固醇、甘油三酯有关。
4. 肝脏组 (Liver)： 和肝脏功能有关。
5. 肾脏组 (Kidney)： （这也是新发现！） 和肾脏健康紧密相连。

比喻： 以前医生看糖尿病只看“血糖”这一个指标。现在，通过给蛋白质“分班”，医生可以知道：你是属于“肥胖型”糖尿病，还是“瘦弱型”或“肾脏型”糖尿病。这为**“精准医疗”**打下了基础。

3. 寻找真正的“幕后黑手”：因果侦探

仅仅发现“有关联”是不够的。比如，是因为糖尿病导致了蛋白质变化，还是蛋白质变化导致了糖尿病？

• 孟德尔随机化（MR）： 这是一种利用基因作为“天然随机对照试验”的方法。想象一下，基因是出生时就定好的“彩票”，不受后天生活习惯影响。如果某种蛋白质的基因变异能预测糖尿病，那说明这个蛋白质很可能是导致糖尿病的“真凶”，而不是糖尿病产生的“后果”。
• 共定位（Colocalization）： 这就像确认两个线索是否指向同一个“作案地点”。如果控制蛋白质和导致糖尿病的基因变异在同一个位置，那它们就是“同伙”。

4. 关键发现：找到了 20 个“嫌疑人”

通过结合观察数据（看现象）和遗传数据（找因果），研究团队锁定了20 个关键的蛋白质，它们可能是导致糖尿病的原因，或者是糖尿病的结果。

• 跨种族的“通缉犯”： 有 3 个蛋白质（RTBDN, TSPAN8, NCR3LG1）在英国人和中国人群中都表现出了很强的致病证据。这意味着它们是人类共有的糖尿病风险因素，是开发通用药物的绝佳靶点。
• 特定的“本地罪犯”： 有一个叫 ENTR1 的蛋白质，主要在中国人群中发现与糖尿病有关。这可能与东亚人特有的生理特征（如胰岛细胞功能较弱）有关，提示我们需要针对特定人群开发药物。
• 双向关系： 有些蛋白质（如 SHBG）和糖尿病是“互相伤害”的，既可能导致糖尿病，糖尿病也会反过来改变它的水平。

5. 这意味着什么？（对普通人的影响）

• 告别“一刀切”： 未来的糖尿病治疗可能不再是“所有人都吃同一种药”。医生可能会先检测你的蛋白质“指纹”，判断你属于哪个“帮派”（是肝脏型、肾脏型还是肥胖型），然后选择最对症的药物。
• 新药研发的指南针： 这些被锁定的蛋白质（特别是 RTBDN, TSPAN8 等）就是未来新药研发的**“靶子”**。制药公司可以针对这些蛋白质设计药物，就像给锁配对了正确的钥匙。
• 早期预警： 这些蛋白质可能比血糖更早发生变化。未来，通过验血检测这些蛋白质，我们可能在糖尿病还没发作前就发现风险，从而提前干预。

总结

这篇论文就像是为糖尿病绘制了一张**“分子地图”**。它告诉我们，糖尿病不是一座孤立的火山，而是一个由不同地质板块（肥胖、肝脏、肾脏等）组成的复杂山脉。通过识别这些板块上的关键“信使”（蛋白质），我们不仅能理解为什么不同的人得病，还能找到更精准、更有效的治疗方法，让未来的糖尿病管理从“盲人摸象”变成“精准导航”。

技术摘要

这是一份关于利用蛋白质组学、代谢组和人体测量学特征识别 2 型糖尿病（T2D）分子通路的研究报告的详细技术总结。

1. 研究背景与问题 (Problem)

• 疾病异质性： 2 型糖尿病（T2D）目前通常被视为单一疾病进行治疗，但实际上具有高度的异质性。现有的疗法往往不能针对不同的患者亚型（如肥胖型、胰岛素缺乏型、血脂异常型等）提供最佳疗效。
• 分子机制不明： 尽管已有基于临床特征和遗传谱的 T2D 亚型分类研究，但利用多组学数据（特别是蛋白质组学）进一步阐明其分子病因、识别潜在治疗靶点的研究仍然有限。
• 跨种族验证缺失： 大多数研究集中在欧洲人群，缺乏在不同祖先背景（如东亚人群）中对发现的特异性蛋白质和通路的验证，限制了精准医疗的普适性。
• 核心目标： 本研究旨在通过整合蛋白质组学、代谢/人体测量特征和遗传数据，识别与 T2D 相关的蛋白质，将其聚类以反映疾病异质性，并利用遗传学方法（共定位和孟德尔随机化）确定因果蛋白质及其作用机制，同时在欧洲（EUR）和东亚（EAS）人群中验证这些发现。

2. 研究方法 (Methodology)

本研究采用了多组学整合分析策略，主要涉及两个大型队列：英国生物样本库（UK Biobank, UKB-EUR） 和 中国慢性病前瞻性研究（CKB, CKB-EAS）。

• 数据源：

  • UKB-EUR: 33,301 名欧洲裔参与者，使用 Olink Explore 3072 PEA 平台测量了 2,923 种血浆蛋白。
  • CKB-EAS: 2,029 名东亚裔参与者，使用相同的 Olink 面板测量蛋白。
  • 表型数据： 包括 43 种代谢/人体测量特征（如 BMI、腰围、血脂、肝肾功能指标等）以及 T2D 患病率（pT2D）和发病率（iT2D）。
  • 遗传数据： 利用全基因组关联分析（GWAS）汇总统计数据，包括顺式蛋白质数量性状位点（cis-pQTLs）。

• 分析流程：

  1. 观察性关联分析： 在 UKB-EUR 中，通过多变量调整回归模型（线性/逻辑回归/Cox 回归），识别与血糖特征（HbA1c、随机血糖）和 T2D 显著相关的蛋白质（FDR 和 Bonferroni 校正）。
  2. 贝叶斯非负矩阵分解（bNMF）聚类：
     • 将观察到的蛋白质与 43 种代谢/人体测量特征的关联矩阵输入 bNMF 算法。
     • 旨在将蛋白质聚类，每个聚类由特定的代谢/人体测量特征（如脂肪量、肝脏指标）主导，从而揭示 T2D 的不同分子亚型。
     • 识别每个聚类的“主导蛋白质”（排名 top 10%）。
  3. 共定位分析（Colocalization）：
     • 使用 HyPrColoc 工具，检查蛋白质与 T2D 特征及聚类主导代谢特征是否共享相同的因果遗传变异。
     • 建立了共定位层级（Colocalization Tiers, CT1/CT2）来筛选候选蛋白质。
  4. 双向孟德尔随机化（Bidirectional MR）：
     • 利用 cis-pQTLs 作为工具变量，评估蛋白质对 T2D 及代谢特征的因果效应，反之亦然。
     • 应用多种 MR 方法（IVW, MR-Egger, MR-PRESSO）以排除多效性偏差。
     • 建立 MR 层级（MRT1/MRT2）筛选强因果证据。
  5. 证据三角化（Triangulation）： 结合观察性证据和遗传学证据（共定位+MR），在两个种族队列中交叉验证，确定最稳健的因果蛋白质。

3. 关键贡献 (Key Contributions)

• 发现新的蛋白质聚类： 识别了 5 个 T2D 相关蛋白质聚类：脂肪量（Adiposity）、减少脂肪量（Reduced adiposity）、脂质（Lipids）、肝脏（Liver）和肾脏（Kidney）。其中，“减少脂肪量”和“肾脏”聚类是此前未报道的新发现，可能反映了非肥胖型 T2D 或脂营养不良（lipodystrophy）特征。
• 跨种族因果蛋白质鉴定： 通过严格的统计筛选，鉴定出 20 个 与 T2D 具有因果关系的候选蛋白质（19 个在 EUR 中，4 个在 EAS 中，其中 ENTR1 为 EAS 特有）。
• 机制通路解析： 揭示了蛋白质通过特定代谢途径（如 BMI、SHBG）影响 T2D 的机制，例如 RTBDN 通过脂肪量变化影响 T2D，TSPAN8 通过 SHBG 影响 T2D。
• 方法学创新： 首次将软聚类方法（bNMF）应用于循环蛋白与代谢特征的关联分析，以解析 T2D 的异质性病因，并构建了分层筛选系统（Colocalization/MR Tiers）来提高因果推断的可靠性。

4. 主要结果 (Results)

• 蛋白质关联： 在 UKB-EUR 中，1,793 种蛋白质与至少一种糖尿病特征显著相关。
• 聚类特征：
  • Adiposity 聚类： 与肥胖相关。
  • Reduced adiposity 聚类： 蛋白质水平升高与较低的脂肪量特征相关，但 T2D 风险增加（提示非肥胖型 T2D 机制）。
  • Kidney 聚类： 与肾功能指标相关，反映了糖尿病肾病的联系。
• 因果蛋白质发现（Triangulation 结果）：
  • 影响 T2D 的蛋白质（因果）：
    • 跨种族一致： RTBDN（通过脂肪量途径）、TSPAN8（通过 SHBG 途径）、NCR3LG1（通过脂肪量途径）。
    • EUR 特有： B4GAT1, DNER, ENO3, HMOX2, OMG 等。
    • EAS 特有： ENTR1（与胰岛素分泌和β细胞功能障碍相关）。
  • 受 T2D 影响的蛋白质（后果）： CD34, FGFBP3, GALNT10, KHK, MENT, MXRA8。
  • 双向关联： GSTA1, GSTA3, MEGF9, NCAN, SHBG。
• 机制洞察：
  • RTBDN 和 NCR3LG1 的作用似乎通过改变脂肪量（Adiposity）介导。
  • TSPAN8 的作用通过性激素结合球蛋白（SHBG）介导。
  • ENTR1 在东亚人群中显示出特异性，可能与该人群高发的β细胞功能障碍有关。
• 药物靶点潜力： 研究识别的蛋白质（如 RTBDN, TSPAN8, NCR3LG1, ENTR1）是潜在的新型 T2D 药物靶点。

5. 研究意义 (Significance)

• 深化病因理解： 该研究超越了传统的单一疾病视角，通过蛋白质聚类揭示了 T2D 的分子异质性，特别是发现了与低 BMI 或特定器官（肾脏、肝脏）功能障碍相关的亚型。
• 精准医疗指导： 识别出的跨种族一致和种族特异性蛋白质靶点，为开发针对特定 T2D 亚型的个性化治疗策略提供了依据。
• 生物标志物开发： 这些蛋白质可作为预测 T2D 风险、疾病进展及并发症（如肾病、肝病）的潜在生物标志物。
• 药物研发： 研究结果直接指向了新的药物发现方向，特别是针对那些通过非传统途径（如脂肪分布改变、SHBG 调节）影响血糖的靶点。
• 局限性说明： 研究受限于 CKB 队列中缺乏代谢特征数据（无法独立聚类），且主要基于循环蛋白，可能无法完全反映组织特异性表达。未来需要功能实验进一步验证机制。

总结： 这是一项大规模、跨种族的蛋白质组学研究，通过整合观察性数据和遗传学因果推断，成功构建了 T2D 的分子图谱，识别了新的疾病亚型和潜在治疗靶点，为 T2D 的精准预防和治疗提供了重要的科学依据。