糖尿病是一类由于基因和外界环境综合作用的复杂代谢性疾病，糖尿病以及后期并发症也对病人的生存质量产生了极大的威胁。随着生活水平的大幅度提高，2型糖尿病的患病率大幅提高。早发现早预防对于糖尿病的发生以及发展也具有重要的作用。
目前糖尿病的诊断多通过空腹血糖，糖耐测试等手段，但是能够诊断出这些指标的病人其实一定程度上已经发生代谢的调节异常，但是在血糖调节异常前的前驱期糖尿病疾病人中尚未有预测脂质分子报道。
高通量组学的研究为解析糖尿病代谢异常提供了便利条件，纵观近几年的研究成果，糖尿病的研究报道不在少数，从脂质代谢角度进行研究的也越来越多，但是以往的研究中，糖尿病的脂质组学研究仍然存在一些问题，比如脂质检测的覆盖程度，比如脂质的精准定量等等问题。
基于以上原因，本文章建立一种高覆盖率的靶向脂质组学方法(基于质谱的靶向MRM方法)检测糖耐量正常个体T2DM发病前脂质协同调节的变化，并确定新的T2DM的脂质预测因子。
High-Coverage Targeted Lipidomics Reveals Novel Serum Lipid Predictors and Lipid Pathway Dysregulation Antecedent to Type 2 Diabetes Onset in Normoglycemic Chinese Adults
Diabetes Care IF=15
中国前瞻性人群（NGR群体）：分别是从3821例队列中筛选出的发现队列（n = 200）的血清，174例随访IGR队列；
验证队列：从14,651例前瞻性队列中筛选出的5个不同地区人群队列共724例
研究人员采用嵌套病例对照设计，研究了两组中国前瞻性人群（NGR群体）血清脂质变化，为了保证其他因素的干扰，对人群队列基础特征进行记录和考察，包括性别、年龄、体重指数和空腹血糖（FPG）符合倾向评分匹配（PSM），空腹高密度脂蛋白（HDL）胆固醇、低密度脂蛋白（LDL）胆固醇、胰岛素水平、收缩压（SBP）、糖尿病家族史和生活方式因素，包括吸烟、饮酒、体育活动和教育状况，并且病例和对照组之间基础特征较为匹配。
在发现队列（n = 200）的血清研究中，通过靶向脂质组分析，定量总共667种脂质分子（筛选自超过800种脂质的靶向库），属于脂质24大类。通过统计学手段，发现有122种候选类脂可将糖尿病患者组与健康对照组分开。通过发现队列的筛选，最终筛选250种有意义的脂质库进行后续验证研究。
Figure1 脂质结果统计
在多变量逻辑回归分析中， 发现队列与验证队列中的病例组与对照组均有38种血脂(FDR<0.05, P<0.05)，在统计学上有差异(Figure 1)。该差异包含34个TAGs，并且发现全面的碳原子数（C44-C58）和不饱和程度（n[C=C]=0-8），与T2DM风险增加具有相关性，低碳数的TG与低饱和度的TG分子显著性提高糖尿病风险，相关长碳链数与高不饱和程度与糖尿病风险负相关。
此外，短链CEs (CE14:0)、二不饱和PCs (PC34:3)、LPI16:1与T2DM风险呈正相关，而多不饱和缩醛磷脂PE即PE38:4p (18:0p/20:4)与糖尿病发病风险呈负相关（表2）。通过系统性的分析脂质类型与糖尿病风险发生风险的关系，也发现类似的现象（Figure2）
表2 差异脂质分子与糖尿病发病风险相关性
另外，根据已有的初期检测结果，研究者又从发现队列中随机抽取87名IGR群体和87名NGR群体，进行为期4.4年的随访，发现38种已识别的脂类中有26种与IGR风险有显著相关性(P<0.05)。大多数已识别的TAGs，以及CE14:0和PC34:3，也与IGR的风险呈正相关，而PE38:4p (18:0p/20:4)与IGR呈负相关。
Figure 2 糖尿病风险与总碳数及不同脂类酰基链饱和程度的关系
为了确定糖尿病独立的脂质预测因子，研究人员建立条件回归模型，并进一步校正TG和2hPG。经过统计分析，在38种脂质分子中，其中有6种达到了显著性标准(P<0.05)，分别是LPI16:1、PC34:3、PE38:4p (18:0p/20:4)、TAG50:2(16:2)、TAG51:0(17:0)、TAG54:7(22:6)(图3A)。然后，研究人员利用ROC分析评估了这六种脂质分子的预测价值。在发现队列和验证队列中，当将脂质添加到已建立的糖尿病风险预测模型中时，模型诊断能力明显提高（图3B）。Figure 3 糖尿病风险预测的脂质的多变量逻辑回归模型及ROC评价
为了系统评价糖尿病发展过程中脂质协同调控的扰动，研究人员基于验证队列进行了多尺度嵌入相关性分析。多尺度嵌入相关网络表明，与对照组相比，糖尿病患者的各种脂质之间存在差异相关性（图4）。并且发现了三种特征性module模块，模块1主要说明不饱和脂肪如PE40:5p (22:5)与TAGs呈负相关；模块2显示不饱和脂肪酸甘油酯如TAG48:1 (16:1) andTAG44:1 (16:0)处于模块的中心位置，模块3显示PUFA-TAGs (n >3) 是核心调节脂质分子，提示血清中TAGs类内协同调节变得越来越分离。
综合来看，差异相关网络显示，在糖尿病发病之前，生物体内的同类脂质内(即non-PUFA TAGs和PUFA-TAGs)以及不同脂质类间(即TAGs和PUFA- PEps)的脂质协同调控就已经发生，提示我们在糖尿病发病之前发生了一系列脂质的扰动和调节。
本研究结果是一篇典型的标志物筛选的路线，但是值得我们学习的创新点比较多 ，一是采用前瞻性队列进行研究，不仅样本规模大，增加了样本取样的复杂性， 入组条件进行严格的基础状态指标考察。二是通过前瞻性队列设计，采用了血糖代谢异常之前的潜在糖尿病人群血清进行检测，为糖尿病的预测标志物发现方面有较大的意义 。
另外采用深度靶向分析定量的方法，对于脂质学的研究方面也有非常大的推动作用，目前中科新生命也推出了各种检测脂质的方法，相对定量，靶向定量，绝对定量，具体可以咨询哦。
最后在脂质分子的整体功能分析上，也更加深入，通过相关性网路分析，对脂质协同调控的扰动有了全面的了解，系统性揭示糖尿病发病前驱期的脂质代谢调节的改变，也是区别于代谢或者蛋白层面的功能分析的非常有利的功能，值得借鉴。
