Метаболомное профилирование крови пациентов с хроническим нарушением сознания

   Основными вариантами хронического нарушения сознания (ХНС), развивающегося при неблагоприятном исходе комы, являются вегетативное состояние / синдром ареактивного бодрствования (ВС / САБ) и состояние минимального сознания (СМС).

   Цель исследования — изучение основных различий метаболомных нарушений у пациентов в ВС / САБ и СМС, а также выявление изменений метаболома в зависимости от фазы сна или бодрствования.
   Материалы и методы. Методами обращенно-фазовой и гидрофильной хроматографии провели нецелевой метаболомный анализ плазмы крови 10 пациентов в ВС / САБ (группа 1), 6 пациентов в СМС (группа 2). Этиология поражения головного мозга: группа 1 (ЧМТ — 2, гипоксия — 8), группа 2 (ЧМТ — 5, гипоксия — 1). У всех пациентов катетеризировали внутреннюю яремную вену, забор крови проводили в состоянии бодрствования в дневное время в течение 2 суток. Аликвоты пулированных образцов плазмы очищали от белковых компонентов, анализировали методом высокоэффективной жидкостной хроматографии в двух режимах — обращенно-фазовом и гидрофильном. Масс-спектрометрическое детектирование проводили в режиме сканирования по полному ионному току: регистрация положительно-заряженных ионов в диапазоне m/z от 50 до 1300 а. е. м. Выравнивание и нормализацию данных производили с использованием программного обеспечения MS-DIAL ver. 4.70, различия выявляли методами дисперсионного, дискриминантного и кластерного анализа. Статистическую обработку и визуализацию данных проводили с использованием программного обеспечения MetaboAnalyst 5.0 (https://www.metaboanalyst.ca/).
   Результаты. Выявили четыре основных метаболита (при VIP > 0,5), содержание которых в наибольшей степени модулировалось в зависимости от рассматриваемой группы: 4 (m/z 124,0867, Rt = 17,67, p < 0,01), 33 (m/z 782,5722, Rt = 17,69, p < 0,01), 6 (m/z 125,0904, Rt = 18,43, p < 0,01) и 1 (m/z 463,2304, Rt = 15,78, p < 0,01), при отсутствии значимых различий между дневными и ночными заборами образцов крови. Показали наличие значимых количественных различий трех метаболитов в группах: 14 (m/z 162,1126, Rt = 10,28, p < 0,01), 35 (m/z 780,5483, Rt = 7,65, p < 0,01) и 41 (m/z 806,5649, Rt = 7,58, p < 0,01), и четырех метаболитов при сравнении дневных и ночных заборов: 14 (m/z 162,1126, Rt = 10,28, p = 0,0201), 35 (m/z 780,5483, Rt = 7,65, p < 0,01), 41 (m/z 806,5649, Rt = 7,58, p < 0,01) и 48 (m/z 848,5354, Rt = 7,65, p < 0,01).
   Заключение. Нецелевой метаболомный анализ подтвердил гипотезу о вероятных значимых количественных и качественных различиях состава метаболитов в зависимости от формы ХНС и циркадианного ритма. В ходе исследования установили набор метаболитов – потенциальных биомаркеров для дифференциальной диагностики ВС / САБ и СМС — 4, 33, 6, 1 (в эксперименте на обращенно-фазовой колонке) и 14, 35, 41, 48 (в эксперименте на гидрофильной колонке), исходя из их значительного вклада в проявление межгрупповых и внутригрупповых различий. Целью дальнейших исследований будет проведение идентификации и характеристики обозначенных метаболитов.

1. Пирадов М. А. Российская рабочая группа по проблемам хронических нарушений сознания. Хронические нарушения сознания: терминология и диагностические критерии. Результаты первого заседания Российской рабочей группы по проблемам хронических нарушений сознания / М. А. Пирадов [и др.] // Анналы клинической и экспериментальной неврологии. – 2020. – 14 (1): 5–16. DOI: 10.25692/ACEN.2020.1.1.

2. Giacino J. T. The vegetative and minimally conscious states: consensus-based criteria for establishing diagnosis and prognosis. NeuroRehabilitation. 2004; 19 (4): 293–298. PMID: 15671583.

3. Giacino J. T., Katz D. I., Schiff N. D., Whyte J., Ashman E. J., Ashwal S., Barbano R., Hammond F. M., Laureys S., Ling G. S. F., Nakase-Richardson R., Seel R. T., Yablon S., Getchius T. S. D., Gronseth G. S., Armstrong M. J. Practice guideline update recommendations summary: Disorders of consciousness: Report of the Guideline Development, Dissemination, and Implementation Subcommittee of the American Academy of Neurology; the American Congress of Rehabilitation Medicine; and the National Institute on Disability, Independent Living, and Rehabilitation Research. Neurology. 2018; 91 (10): 450–460. DOI: 10.1212/WNL.0000000000005926. PMID: 30089618; PMCID: PMC6139814.

4. Kondziella D., Bender A., Diserens K., van Erp W., Estraneo A., Formisano R., Laureys S., Naccache L., Ozturk S., Rohaut B., Sitt J. D., Stender J., Tiainen M., Rossetti A. O., Gosseries O., Chatelle C. EAN panel on coma, disorders of consciousness. european academy of neurology guideline on the diagnosis of coma and other disorders of consciousness. Eur J Neurol. 2020 May; 27 (5): 741–756. DOI: 10.1111/ene.14151. PMID: 32090418.

5. Luppi A. I., Cain J., Spindler L. R. B., Górska U. J., Toker D., Hudson A. E., Brown E. N., Diringer M. N., Stevens R. D., Massimini M., Monti M. M., Stamatakis E. A., Boly M. & Curing Coma Campaign and Its Contributing Collaborators. Mechanisms underlying disorders of consciousness: bridging gaps to move toward an integrated translational science. Neurocrit Care. 2021; 35 (Suppl 1): 37–54. DOI: 10.1007/s12028-021-01281-6. PMID: 34236622; PMCID: PMC8266690.

6. Iliff J. J., Wang M., Liao Y., Plogg B.A., Peng W., Gundersen G. A., Benveniste H., Vates G. E., Deane .R, Goldman S. A., Nagelhus E. A., Nedergaard M. A paravascular pathway facilitates CSF flow through the brain parenchyma and the clearance of interstitial solutes, including amyloid β. Science Translational Medicine. 2012; 4 (147): 147ra111. DOI: 10.1126/scitranslmed.3003748.

7. Кондратьев А. Н. Глимфатическая система мозга: строение и практическая значимость / А. Н. Кондратьев, Л. М. Ценципер // Анестезиология и реаниматология. – 2019. – 6: 72–80. DOI: 10.17116/anaesthesiology201906172.

8. Lundgaard I., Lu M. L., Yang E., Peng W., Mestre H., Hitomi E., Deane R., Nedergaard M. Glymphatic clearance controls state-dependent changes in brain lactate concentration. Journal of Cerebral Blood Flow and Metabolism. 2017; 37 (6): 2112–2124. DOI: 10.1177/0271678X16661202. PMID: 27481936 PMCID: PMC5464705.

9. Lundgaard I., Li B., Xie L., Kang H., Sanggaard S., Haswell J. D. R., Sun W., Goldman S., Blekot S., Nielsen M., Takano T., Deane R., Nedergaard M. Direct neuronal glucose uptake heralds activity-dependent increases in cerebral metabolism. Nature Communications. 2015; 6: 7807. DOI: 10.1038/ncomms7807.

10. Hayton S., Maker G. L., Mullaney I., Trengove R. D. Experimental design and reporting standards for metabolomics studies of mammalian cell lines. Cell Mol Life Sci 2017; 74 (24): 4421–4441. DOI: 10.1007/s00018-017-2582-1. PMID: 28669031.

11. Fukuda A. M., Badaut J. Aquaporin 4: a player in cerebral edema and neuroinflammation. J Neuroinflammation. 2012; 9: 279. DOI: 10.1186/1742-2094-9-279 PMCID: PMC3552817. PMID: 23270503.

12. Gonzalez-Riano, C., Saiz, J., Barbas, C., Bergareche A., Huerta J. M., Ardanaz E., Konjevod M., Mondragon E., Erro M. E., Chirlaque M. D., Abilleira E., Goñi-Irigoyen F., Amiano P. Prognostic biomarkers of Parkinson’s disease in the Spanish EPIC cohort: a multiplatform metabolomics approach. npj Parkinsons Dis. 2021; 7 (1): 73 (2021). DOI: 10.1038/s41531-021-00216-4. PMID: 34400650. PMCID: PMC8368017.

13. Qureshi M. I., Vorkas P. A., Coupland A. P., Jenkins I. H., Holmes E., Davies A. H. Lessons from metabonomics on the neurobiology of stroke. Neuroscientist. 2017; 23 (4): 374–382. DOI: 10.1177/1073858416673327. PMID: 28345376.

14. Zheng F., Zhou Y. T, Li P. F., Hu E., Li T., Tang T., Luo J. K., Zhang W., Ding C. S., Wang Y. Metabolomics analysis of hippocampus and cortex in a rat model of traumatic brain injury in the subacute phase. Front Neurosci. 2020; 14: 876. DOI: 10.3389/fnins.2020.00876. PMID: 33013291. PMCID: PMC7499474.

15. Bernard C., Ktorza A., Gautier J. F., Ferré P., Bourron O., Foufelle F. Lipid environment induces ER stress, TXNIP expression and inflammation in immune cells of individuals with type 2 diabetes. Diabetologia. 2018; 61 (2): 399–412. DOI: 10.1007/s00125-017-4462-5. PMID: 28988346.

16. Eberlin L. S., Gabay M., Fan A. C., Gouw A. M., Tibshirani R. J., Felsher D. W., Zare R. N. Alteration of the lipid profile in lymphomas induced by MYC overexpression. Proc Natl Acad Sci USA. 2014; 111 (29): 10450–10455. DOI: 10.1073/pnas.1409778111. PMCID: PMC4115527. PMID: 24994904.

17. Chen M., Zhang J., Sampieri K., Clohessy J. G., Mendez L., Gonzalez-Billalabeitia E., Liu X. S., Lee Y. R., Fung J., Katon J. M., Menon A. V., Webster K. A., Ng C., Palumbieri M. D., Diolombi M. S., Breitkopf S. B., Teruya-Feldstein J., Signoretti S., Bronson R. T., Asara J. M., Castillo-Martin M., Cordon-Cardo C., Pandolfi P. P. An aberrant SREBP-dependent lipogenic program promotes metastatic prostate cancer. Nat Genet. 2018; 50 (2): 206–218. DOI: 10.1038/s41588-017-0027-2. PMID: 29335545. PMCID: PMC6714980.

18. Xiong N., Gao X., Zhao H., Cai F., Zhang F. C., Yuan Y., Liu W., He F., Zacharias L. G., Lin H., Vu H. S., Xing C., Yao D. X., Chen F., Luo B., Sun W., De Berardinis R. J., Xu H., Ge W. P. Using arterial-venous analysis to characterize cancer metabolic consumption in patients. Nat Commun. 2020; 11 (1): 3169. DOI: 10.1038/s41467-020-16810-8. PMID: 32576825. PMCID: PMC7311411.

19. Chong J., Wishart D. S., Xia J. Using Metaboanalyst 4.0 for comprehensive and integrative metabolomics data analysis. Current Protocols in Bioinformatics. 2019; 68 (1): e86. DOI: 10.1002/cpbi.86. PMID: 31756036.

20. Xia J., Wishart D. S. Metabolomic data processing, analysis, and interpretation using metaboanalyst. Current Protocols in Bioinformatics. 2011; 34 (1): 14.10.1–14.10.48. DOI: 10.1002/0471250953.bi1410s34.

21. Yu J., Meng F., He F., Chen F., Bao W., Yu Y., Zhou J., Gao J., Li J., Yao Y., Ge W. P., Luo B. Metabolic abnormalities in patients with chronic disorders of consciousness. Aging and disease. 2021; 12 (2): 386–403. DOI: 10.14336/AD.2020.0812.

22. Proitsi P., Kim M., Whiley L., Simmons A., Sattlecker M., Velayudhan L., Lupton M. K., Soininen H., Kloszewska I., Mecocci P., Tsolaki M., Vellas B., Lovestone S., Powell J. F., Dobson R. J. B., Legido-Quigley C. Association of blood lipids with Alzheimer’s disease: a comprehensive lipidomics analysis. Alzheimers Dement, 2017; 13 (2): 140–151. DOI: 10.1016/j.jalz.2016.08.003. PMID: 27693183.

23. Chitturi J., Li Y., Santhakumar V., Kannurpatti S. S. Early behavioral and metabolomic change after mild to moderate traumatic brain injury in the developing brain. Neurochem Int. 2018; 120: 75–86. DOI: 10.1016/j.neuint.2018.08.003. PMID: 30098378. PMCID: PMC6257993.

24. Zheng F., Xia Z. A., Zeng Y. F., Luo J. K., Sun P., Cui H. J., Wang Y., Tang T., Zhou Y. T. Plasma metabolomics profiles in rats with acute traumatic brain injury. PLoS One. 2017; 12 (8), e0182025. DOI: 10.1371/journal.pone.0182025. PMID: 28771528. PMCID: PMC5542452.

25. Dawiskiba, T., Wojtowicz, W., Qasem, B., Tukaszewski M., Mielko K. A., Dawiskiba A., Banasik M., Skóra J.P., Janczak D., Młynarz P. Braindead and coma patients exhibit different serum metabolic profiles: preliminary investigation of a novel diagnostic approach in neurocritical care. Sci Rep. 2021; 11 (1): 15519. DOI: 10.1038/s41598-021-94625-3. PMID: 34330941. PMCID: PMC8324823.

26. Tsai I. L., Kuo T. C., Ho T. J., Harn Y. C., Wang S. Y., Fu W. M., Kuo C. H., Tseng Y. J. Metabolomic dynamic analysis of hypoxia in MDA-MB-231 and the comparison with inferred metabolites from transcriptomics data. Cancers (Basel). 2013; 5 (2): 491–510. DOI: 10.3390/cancers5020491. PMCID: PMC3730319. PMID: 24216987.

27. Solberg R., Kuligowski J., Pankratov L., Escobar J., Quintás G., Lliso I., Sánchez-Illana A., Saugstad O. D., Vento M. Changes of the plasma metabolome of newly born piglets subjected to postnatal hypoxia and resuscitation with air. Pediatr Res. 2016; 80 (2): 284–292. DOI: 10.1038/pr.2016.66. PMID: 27055187.

28. Baranovicova E., Grendar M., Kalenska D., Tomascova A., Cierny D., Lehotsky J. NMR metabolomic study of blood plasma in ischemic and ischemically preconditioned rats: an increased level of ketone bodies and decreased content of glycolytic products 24 h after global cerebral ischemia. J. Physiol. Biochem. 2018; 74 (3): 417–429. DOI: 10.1007/s13105-018-0632-2. PMID: 29752707.

29. Liu P., Li .R, Antonov A. A., Wang L., Li W., Hua Y., Guo H., Wang L., Liu P., Chen L., Tian Y., Xu F., Zhang Z., Zhu Y., Huang Y. Discovery of metabolite biomarkers for acute ischemic stroke progression. J. Proteome Res. 2017; 16 (2): 773–779. DOI: 10.1021/acs.jproteome.6b00779. PMID: 28092160.

30. Wang D., Kong J., Wu J., Wang X., Lai M. GC–MS-based metabolomics identifies an amino acid signature of acute ischemic stroke. Neurosci. Lett. 2017; 642: 7–13. DOI: 10.1016/j.neulet.2017.01.039 PMID: 28111353.

31. Wang Y., Wang Y. G., Ma T. F., Li M., Gu S. L. Dynamic metabolites profile of cerebral ischemia/reperfusion revealed by (1)H NMR-based metabolomics contributes to potential biomarkers. Int. J. Clin. Exp. Pathol. 2014; 7 (7): 4067–4075. PMID: 25120785. PMCID: PMC4129020.

32. Fiehn O. Metabolomics: The link between genotypes and phenotypes. Plant Mol. Biol. 2002; 48 (1–2): 155–171. DOI: 10.1023/A:1013713905833. PMID: 11860207.

33. Wishart, D. S., Feunang Y. D., Marcu A., Guo A. C., Liang K., Vázquez-Fresno R., Sajed T., Johnson D., Li C., Karu N., Sayeeda Z., Lo E., Assempour N., Berjanskii M., Singhal S., Arndt D., Liang Y., Badran H., Grant J., Serra-Cayuela A., Liu Y., Mandal R., Neveu V., Pon A., Knox C., Wilson M., Manach C., Scalbert A. HMDB 4.0: The human metabolome database for 2018. Nucleic Acids Res. 2018; 46 (D1)D608–D617. DOI: 10.1093/nar/gkx1089. PMID: 29140435. PMCID: PMC5753273.

34. Дрягина Н. В. Метаболом головного мозга / Н. В. Дрягина и [др.] // Российский неврологический журнал. – 2020. – 25 (1): 4–12. DOI 10.30629/2658-7947-2020-25-1-4-12.

35. Лохов П. Г. Метаболомный анализ крови: назначение, реализация, интерпретация данных / П. Г. Лохов, А. В. Лисица, А. И. Арчаков // Биомедицинская химия. – 2017. – 63 (3): 232–240. DOI: 10.18097/PBMC20176303232. PubMed: 28781256.

36. Черневская Е. А. Микробиота кишечника при критических состояниях (обзор) / Е. А. Черневская, Н. В. Белобородова. – Общая реаниматология. – 2018. – 14 (5): 96–119. DOI: 10.15360/1813-9779-2018-5-96-119.

37. Nicholson J. K., Lindon J. C. & Holmes E. «Metabonomics»: understanding the metabolic responses of living systems to pathophysiological stimuli via multivariate statistical analysis of biological NMR spectroscopic data. Xenobiotica. 1999; 29 (11): 1181–1189. DOI: 10.1080/004982599238047. PMID: 10598751.

38. Nicholson J. K., Holmes E., Kinross J. M., Darzi A. W., Takats Z., Lindon J. C. Metabolic phenotyping in clinical and surgical environments. Nature. 2012; 491 (7424): 384–392. DOI: 10.1038/nature11708. PMID: 23151581.

39. Fiehn O. Metabolomics: The link between genotypes and phenotypes. Plant Mol. Biol. 2002; 48 (1–2): 155–171. DOI: 10.1023/A:1013713905833. PMID: 11860207.

40. Trifonova O. P., Maslov D. L., Balashova E. E., Lokhov P. G. Mass spectrometry-based metabolomics diagnostics — myth or reality? Expert Review of Proteomics. 2021; 18: 7–12. DOI: 10.1080/14789450.2021.1893695.