A non-targeted metabolomics analysis of SARS-CoV-2 and influenza infection in children

Význam tématu

Akutní respirační infekce (ARI) u dětí představují významný klinický problém; symptomy jsou často nespecifické a nezávislé na původci onemocnění. Schopnost rozlišit virové původce, například SARS-CoV-2 a chřipku A, na základě molekulárních signatur v krvi může zlepšit diagnostiku, vedení terapie a prognózu. Metabolomické přístupy nabízejí citlivý pohled na změny v metabolismu a lipidomice, které doprovázejí virové infekce, a mohou tak odkrýt potenciální biomarkery pro rozlišení ARI fenotypů.

Cíle a přehled studie / článku

Studie měla za cíl použít netargetovanou metabolomiku ke komparaci krevních profilů dětí hospitalizovaných s ARI vyvolanou SARS-CoV-2 nebo influenzou A oproti negativním kontrolám, a identifikovat metabolické vzorce či kandidátní biomarkery, které by umožnily fenotypizaci a rozlišení těchto infekcí. Součástí práce bylo také představení softwarového řešení Insight Profiler pro zjednodušené a automatizované zpracování QTOF dat.

Použitá metodika a instrumentace

Vzorky a zpracování:

• Whole blood extrakty z pacientů: SARS-CoV-2 (n=21), Influenza A (n=28), kontrolní skupina (n=10); věk 1 měsíc–16 let; vyřazeny děti s imunodeficitem či komorbiditami.
• Extrahováno v ledově studeném methanolu; připraveny pooled QC vzorky.

Chromatografie a hmotnostní spektrometrie:

• LC: reverzní fáze C18 BEH (2.1×100 mm, 1.7 µm), 50 °C, 0.4 mL/min, binární gradient (voda + 0.1 % FA / acetonitril + 0.1 % FA), doba cyklu 35 min.
• MS: LCMS-9050 Q-TOF (Shimadzu); pozitivní iontový režim; TOF MS průzkum m/z 60–1000 (100 ms); 27 DIA-MS/MS skenů m/z 40–1000 (33 ms) s izolací prekurzoru 35 Da; rozptyl kolizní energie 5–55 V; externí kalibrace; celkový cyklus <1 s.

Data processing:

• Insight Profiler: integrovaný workflow pro detekci a alignaci featur, statistickou analýzu (PCA, ANOVA, Tukey’s HSD), filtrace a identifikaci sloučenin.
• Identifikace pomocí vlastní metabolomické knihovny a externích repozitářů (MassBank, LipidBlast, HMDB) s MS/MS porovnáním.

Hlavní výsledky a diskuse

Hlavní nálezy:

• Bylo nalezeno 75 anotovaných metabolitů/lipidů s významnými rozdíly napříč skupinami (ANOVA, FDR upravené p<0,05).
• Tukey’s HSD ukázal: 73 featur odlišných mezi SARS-CoV-2 a kontrolou, 35 odlišných mezi influenzou a kontrolou a 9 featur rozdílných mezi oběma infekcemi.
• Nejsilnější signál tvořilo snížení fosfatidylcholínů (PC) a některých plasmalogenů (označené jako PC O- a PE O-), konkrétně: PC O-16:1_18:2, PC 18:2_18:2, PC 18:2_20:4, PE O-16:1_18:2, PC O-16:0_18:2 a PC 17:0_18:2. Všechny byly sníženy u obou infekcí oproti kontrolám.
• Navíc byly dvě PC (PC O-16:1_18:2 a PC O-16:0_18:2) signifikantně nižší u SARS-CoV-2 ve srovnání s influenzou A, což naznačuje rozdílné porušení lipidového metabolismu mezi viry.

Interpretace:
Snížené hladiny fosfolipidů mohou odrážet remodelaci membrán, zvýšenou spotřebu lipidů pro virovou replikaci nebo systémové zánětlivé reakce u obou typů ARI. Rozdíly mezi SARS-CoV-2 a influenzou ukazují, že ačkoliv mají obě onemocnění podobné klinické projevy, jejich vliv na lipidom je částečně odlišný — potenciálně využitelné pro diferenciální diagnostiku. Použití DIA-MS/MS a rozsáhlých knihoven umožnilo přidělení kandidátních struktur, avšak potvrzení vyžaduje cílené KID/standardy.

Přínosy a praktické využití metody

Metodika ukazuje několik praktických výhod:

• Netargetovaná LC–DIA QTOF metabolomika v kombinaci s automatizovaným zpracováním umožňuje rychlou identifikaci kandidátních biomarkerů u klinických kohort.
• Insight Profiler sjednocuje detekci, alignaci, statistiku a identifikaci v jednom reproducibilním workflow, což zrychluje analýzu rozsáhlých datových sad a snižuje manuální zásah.
• Identifikované lipidové změny (zejména PC) mohou posloužit jako základ pro vypracování cílených testů, které by mohly zvýšit přesnost rozlišení mezi typy ARI v pediatrii.

Budoucí trendy a možnosti využití

Možné směry dalšího vývoje a aplikací:

• Cílená validace: kvantitativní LC–MS/MS metody s autentickými standardy pro kandidátní PC/PE by potvrdily jejich diagnostický výkon a biologický význam.
• Větší kohorty a vícenásobné časové body: longitudinalní studie by objasnily dynamiku metabolických změn v průběhu onemocnění a rekonvalescence.
• Integrace s jinými omikami a klinickými daty: kombinace lipidomiky s proteomikou, transcriptomikou a klinickými známkami může zlepšit modely pro predikci etiologie a závažnosti ARI.
• Standardizace workflow a validace softwaru: přechod od RUO k validovaným pracovním postupům by byl nutný pro klinické nasazení.

Závěr

Netargetovaná metabolomika pomocí LC–DIA QTOF a integrovaného softwarového workflow odhalila významné změny v lipidovém profilu dětí s ARI, zejména snížení fosfatidylcholínů u obou sledovaných virových infekcí a specifické rozdíly mezi SARS-CoV-2 a influenzou A. Insight Profiler umožnil efektivní zpracování dat a identifikaci 75 kandidátních featur; výsledky představují slibný základ pro další cílenou validaci a vývoj diagnostických přístupů. Je však nutné zdůraznit, že popsané nálezy jsou pro výzkumné účely a nejsou klinicky validované pro diagnostické použití.

Reference

1. Armitage EG, Savvidou P, Begou O, Barnes A, Iosifidis E, Gika H, Loftus NJ, Roilides E, Antachopoulos C. A non-targeted metabolomics analysis of SARS-CoV-2 and influenza infection in children. (Prezentace/abstrakt; Shimadzu / Aristotle University collaboration). MP 451.