---
title: "易算解读 | 整合质谱蛋白质组学与多组学数据的MOFA分析揭示疾病免疫特征"
author: "王玲"
account: "王玲"
published_at: "2024-11-20T01:57:17+08:00"
captured_at: "2026-08-26T17:22:45.192419+08:00"
source_url: "https://mp.weixin.qq.com/s/LZ1FZBf08pF7AqrdnhGOWA"
---

# 易算解读 | 整合质谱蛋白质组学与多组学数据的MOFA分析揭示疾病免疫特征
点击蓝字关注我们

你好，我是易算生物的玲姐。

今天给大家带来一篇多组学血液样本的研究解读，文末找原文。

![图片 1](images/001.png)

这篇文章之所以值得关注，主要有以下2个因素：

-

多组学：综合应用了单细胞RNA测序、质谱蛋白质组学、细胞因子检测等技术。

-

MOFA方法：无监督方式，利用高维异质数据的整合挖掘疾病免疫特征。

接下来我们看文章，如何利用队列、多时间点的多组学数据、MOFA方法，揭示疾病--急性和慢性冠状动脉综合征（ACS和CCS）的免疫学特征。

![图片 2](images/002.png)

一、实验设计

![图片 3](images/003.png)

该研究共纳入117名患者，分为两个独立的队列（见我框出来的两个框）：

-

慕尼黑队列（Munich cohort，下面我简称M）共招募了62名患者，分为三个组别；

-

格罗宁根队列（Groningen cohort，下面我简称G）为两个组别，招募了55名患者。G队列用于独立验证慕尼黑队列的发现。

其中，设为多个时间点采样的皆为ACS这个组别；对照组都采用的单时间点采样。这样加起来就超过800份样本了。

这两个队列各自如何安排实验呢？

![图片 4](images/004.png)

M队列共收集了735个样本，包括：

-

125份全血样本用于临床血液检测，比如CK、CK-MB、肌钙蛋白T、C反应蛋白（CRP）这些指标；

-

122份外周血单个核细胞（PBMC）样本用于单细胞RNA测序（scRNA-seq）和流式细胞术；

-

246份血浆样本用于细胞因子多重检测和血浆质谱蛋白质组学分析；

-

121份多形核中性粒细胞（PMN）样本用于prime-seq测序；

G队列收集了了103个样本进行了scRNA-seq测序，用于独立验证慕尼黑队列的发现。

---

二、分析方法

对各组学数据各自进行质量控制、标准化和归一化处理。继而

-

MOFA模型构建：将不同的数据类型整合到MOFA模型中，包括全血临床指标、scRNA-seq基因表达、血浆细胞因子水平（下图橙色）、血浆蛋白质组学（绿色）等前面提到的多组学数据。使用MOFA提取主要的变异因子（top20，见下图），这些因子代表跨越多个数据类型的协同免疫反应模式。

![图片 5](images/005.png)

-

因子功能注释和通路富集分析：对每个MOFA因子的高权重特征进行基因功能注释，使用REACTOME和KEGG数据库进行通路富集分析，识别潜在的生物学过程和信号通路。

-

验证和预测：在G队列中验证关键的MOFA因子（如因子4）评估模型的稳健性; 使用M队列的数据在其TP1M时间点基于因子4的高排名特征训练Lasso逻辑回归模型，预测患者的临床结局（如左心室射血分数变化），然后再将训练好的模型应用于G队列的TP1G数据，评估模型在验证集上的预测性能（计算AUC值）；以及通过受试者工作特征（ROC）曲线，比较MOFA因子与传统临床指标（如CK、肌钙蛋白、CRP）的预测性能，评估MOFA模型的优势。

---

三、关键结果

原文比较长，玲姐自己比较关心的问题是，血浆样本的信息体现在哪里。

我给你说三点。

3.1. 血浆数据在 MOFA 分析中的作用

在这项研究中，研究者利用 MOFA 模型整合了多个组学数据，包括临床指标、scRNA-seq 数据、血浆细胞因子水平、血浆蛋白质组学和中性粒细胞 prime-seq 数据。其中，血浆样本的数据主要包括：

-

血浆细胞因子：检测了 71 种细胞因子和趋化因子，如 IL-6、IL-10、IL-12、IL-27、CXCL9、CXCL10 等。

-

血浆蛋白质组学：通过质谱分析以及数据过滤预处理等，获得了 490 种血浆蛋白质，包括反应蛋白（如SAA1、SAA2）、补体蛋白（如 C9）、抗胰蛋白酶家族成员（如 SERPINA1、SERPINA3）等。

这些血浆数据在 MOFA 模型（特别是在 因子 2（IAI） 和 因子 4（IAR））中发挥了关键作用。一个个说。

3.2. 因子 2分析

血浆细胞因子的贡献：IL-6：在因子 2 中具有高的正权重，意味着 IL-6 水平的升高与 ACS 患者的缺血反应密切相关。其他如 IL-10、IL-12、IL-27 等分子也在因子 2 中具有显著的权重。

![图片 6](images/006.png)

因子 2（IAI）在各个数据视图中的方差解释比例和高权重特征的数量，其中包括血浆细胞因子（橙色）和血浆蛋白质组学（绿色）的贡献

血浆蛋白质组学的贡献：急性期反应蛋白：如 SAA1、SAA2、补体蛋白 C9 等，在因子 2 中具有高的正权重，提示这些蛋白质在 ACS 患者的免疫反应中发挥了重要作用。（见图 2a 左侧绿色部分的柱状图，代表血浆蛋白质组学数据）

继而分析通路。

IL-6 信号通路的关键作用：IL-6 及其下游信号分子（如 IL6ST、STAT3、JAK1、SOCS3）在单核细胞和 T 细胞的高的因子权重（top 25% of features），表明 IL-6 信号通路在 ACS 的免疫反应中很关键。（见图 3b-d）

![图片 7](images/007.png)

IL-6 信号通路在因子 2 中的作用，以及相关基因和细胞因子的表达变化

细胞因子与基因表达的关联：利用 NicheNet 模型，发现血浆中的 IL-6 水平与单核细胞中 的基因表达相关性，提示 IL-6 可能通过影响单核细胞的基因表达，调节 ACS 中的免疫反应。

![图片 8](images/008.png)

IL-6 与单核细胞中基因表达的相关性，以及 Spearman 相关系数

功能验证：抑制单核细胞的 IL-6 信号通路，发现其效应功能（如 ROS 产生、生存率、吞噬作用、趋化性和促炎性细胞因子分泌）降低，进一步证实了 IL-6 在单核细胞活化中的重要作用。（见图 3e ）

![图片 9](images/009.png)

抑制 IL-6 信号对单核细胞功能的影响

看到这里，能联系的方向是ACS 患者的血浆可以诱导单核细胞产生功能和表型上的促炎性变化，这种变化可以通过抑制 IL-6 信号部分逆转。

3.3. 因子 4分析

血浆细胞因子的贡献：TRAIL、CXCL9、CXCL10：在因子 4 中具有高的负权重，表明这些因子的升高可能与心肌功能的较差恢复相关。此外，CCL24在因子 4 中具有负权重，已知其在多种器官的炎症和纤维化中起不利作用。

![图片 10](images/010.png)

因子 4 中的高权重特征，包括血浆细胞因子和血浆蛋白质组学数据

血浆蛋白质组学的贡献：SERPIN 家族蛋白：如 SERPINA1、SERPINA2、SERPINA3，在因子 4 中具有高的正权重，可能通过保护细胞免受颗粒酶介导的细胞毒性，促进心肌修复。一些急性期反应蛋白如 CRP、SAA1、SAA2、C9 等，在因子 4 中高的正权重，可能反映了心肌修复过程中必要的炎症反应。继而做了下游分析，发现：

IAR(因子4) 与心功能恢复的关联：发现入院时 IAR 水平较低的患者，在住院期间左心室射血分数（EF）下降，预后较差。

![图片 11](images/011.png)

预测模型的建立和验证：基于 IAR 因子的高排名特征，使用M队列的数据在 TP1M 时间点训练了 Lasso 逻辑回归模型，预测患者的心功能结局。模型在验证集（G队列）上也表现出较高的预测性能（AUC 值为 0.83），优于传统的临床指标。（见图 5g、5h）

CXCL9、CXCL10 等趋化因子的升高，与 IAR 呈负相关，可能抑制心肌修复过程；SERPINA 家族蛋白的升高，与 IAR 呈正相关，提示它们在心肌修复中发挥了保护作用。

所以在此处，数据引导的方向是尽管 MOFA 是以无监督的方式估计这些因子的，没有喂给MOFA明确的结局信息或特定患者的轨迹，但 因子 4（IAR） 与一部分患者的功能治疗结果相关。这一发现使得人们能够训练一个监督模型，并将其应用于第二个独立队列（G队列），证明了 IAR 因子的稳健性和可推广性。

原文亮点很多，欢迎大家到文末找原文再读一读。今天的解读就到这里，希望对大家有所启发。血浆样本的信息在 MOFA 分析中发挥了关键作用，揭示了患者的免疫特征以及与临床结局的关联。证明了选择一个合适的计算方法，在复杂疾病研究中带来的巨大价值。

如果大家对这项研究或多组学分析有任何疑问，欢迎在评论区留言讨论。

联系我们

CONTACT US

![图片 12](images/012.webp)

![图片 13](images/013.png)

![图片 14](images/014.png)

![图片 15](images/015.png)

![图片 16](images/016.png)

![图片 17](images/017.webp)