《Biosensors and Bioelectronics》：Diagnosis and Classification of Infective Endocarditis via Efficient Serum Metabolic Fingerprint Analysis
编辑推荐：
血清代谢指纹结合纳米颗粒增强激光解吸电离质谱和机器学习实现感染性心内膜炎快速诊断与病原体分类（AUC=0.882,0.945）。
作者列表：艾泽克兰穆·易明（Ayizekeranmu Yiming）、马欣欣（Xinxin Ma）、陈曦然（Xiran Chen）、陈宗辉（Zonghui Chen）、杨守志（Shouzhi Yang）、赵金龙（Jinlong Zhao）、倪寅凯（Yinkai Ni）、张成（Cheng Zhang）、傅亮（Liang Fu）、王若欣（Ruoxin Wang）、唐立涛（Litao Tang）、李峰（Feng Li）、黄琳（Lin Huang）、钱坤（Kun Qian）、郑媛怡（Yuanyi Zheng）
上海交通大学医学院医学机器人研究所生物医学工程学院，中国上海200030
摘要
感染性心内膜炎（IE）仍是一种威胁生命的疾病，其死亡率高达30%，因此在临床诊疗中面临重大挑战。目前的诊断标准——2023年杜克大学-国际心血管感染性疾病学会（Duke-ISCVID）制定的标准——由于诊断流程复杂而存在诸多问题。血液培养是IE诊断的基石，能够识别致病微生物并指导针对性抗生素治疗。然而，检测结果通常需要2-5天时间，这严重延迟了关键的治疗决策。为克服这些限制，我们开发了一种基于纳米颗粒增强激光解吸/电离质谱（NPELDI MS）的平台，该平台能够获取血清代谢指纹（SMFs）。结合机器学习算法后，该平台可实现准确的IE诊断（曲线下面积AUC = 0.882），并在10分钟内快速分类链球菌。值得注意的是，我们的平台无需培养过程即可同时完成IE的诊断和分类。这种集成方法有效满足了IE管理中的关键需求，为及时制定治疗决策和改善患者预后带来了变革潜力。
引言
感染性心内膜炎（IE）是由微生物病原体引起的心内膜炎症性疾病，具有30%的死亡率（He等人，2025年）。目前采用的2023年杜克大学-国际心血管感染性疾病学会（Duke-ISCVID）诊断标准虽然较为全面，但其复杂的诊断流程以及在部分培养阴性病例中的局限性仍需改进（约占所有IE病例的2.5-31.0%）（Li等人，2024年）。尤其是链球菌感染（占IE病例的20-40%），需要不同于非链球菌感染的特定抗生素治疗方案，因此快速进行病因分类对于精准治疗至关重要（Chamat-Hedemand等人，2023年；Chambers和Bayer，2020年）。研究表明，早期干预（通过及时诊断和分类）可将1年死亡率降低7.5-10.3%（Kaura等人，2017年）。然而，基于培养的IE分类方法仍需2-5天时间，因此迫切需要快速、准确的诊断工具。
代谢组学已成为传染病诊断的有效方法，通过系统性的代谢物分析能够实时反映宿主与病原体的相互作用（Tounta等人，2021年；Sadaka等人，2024年）。与传统蛋白质或核酸生物标志物不同，代谢物能够反映动态的生理状态和疾病特异性通路。例如，在肺炎支原体肺炎的诊断中，代谢组学的准确性较高（曲线下面积AUC为0.884-1.0）（Li等人，2022年）。初步研究显示，在IE感染过程中，葡萄糖、甘露糖和亮氨酸的代谢水平会发生变化（Klein等人，2019年）。然而，目前尚缺乏能够同时快速、准确诊断IE并分类其病因亚型的集成平台，这正是精准治疗所亟需的。
现有的代谢组学方法存在实际应用限制。尽管液相/气相色谱-质谱（LC/GC-MS）具有高灵敏度，但其繁琐的样本预处理过程（超过30分钟）和较大的样本量限制了其在临床中的应用（Aron等人，2022年）。相比之下，基于纳米颗粒增强激光解吸/电离质谱（NPELDI MS）的技术结合了工程化纳米颗粒用于代谢物富集和快速分析（约30秒/样本），实现了直接获取血清代谢指纹（SMF）。该技术在癌症和神经退行性疾病研究中展现出潜力（Chen等人，2023年；Liu等人，2024年），但在IE领域尚未得到充分探索。
本文介绍了用于IE快速代谢指纹分析的NPELDI MS平台（图1）。通过将机器学习与高通量代谢分析相结合，我们实现了两个目标：（1）利用与炎症通路相关的五种代谢物进行准确IE诊断（AUC = 0.882）；（2）将链球菌性IE（主要病因亚型）与非链球菌性病例区分开来（AUC = 0.945）。这一方法将代谢指纹作为临床可操作的工具，有效缩短了诊断时间，并实现了单一检测过程中的病因分类。
研究内容概述
IE的全面代谢特征
本研究共纳入72名参与者，包括42名IE患者和30名健康对照组（HC，图1A）。人口统计学和临床特征（如年龄、性别和生化指标）总结在表S1中。此外，还详细描述了IE的相关特征，包括赘生物大小、受影响的瓣膜、超声心动图检测的瓣膜/瓣叶穿孔情况、血液培养结果以及通过宏基因组下一代测序（mNGS）分析的分离微生物等信息。
讨论
本研究展示了基于NPELDI MS的代谢指纹技术在IE诊断和分类中的应用，解决了临床实践中的两个关键问题：快速检测培养阴性病例和精准分类病因。
我们的平台实现的IE诊断准确性（AUC = 0.884）与2023年杜克大学-ISCVID标准相当。尽管当前标准整合了微生物学、超声心动图和临床参数，但仍存在不足之处，尤其是超声心动图的检测效果有待提升。
结论
本研究存在一些局限性，例如罕见病原体（如Cardiobacterium）的样本代表性不足，以及缺乏将代谢指纹与临床结局相关联的纵向数据。未来的研究应进一步探索代谢指纹的预后价值，并在不同人群中验证其分类能力。尽管如此，通过将诊断和分类整合到10分钟的工作流程中（包括三个连续步骤：1）样本采集/处理，2）质谱谱获取（30秒），我们实现了这些目标。
作者贡献声明
李峰（Feng Li）：撰写、审稿与编辑、资源准备。
艾泽克兰穆·易明（Ayizekeranmu Yiming）：撰写、初稿撰写、数据可视化、验证、方法学设计、数据管理。
唐立涛（Litao Tang）：资源准备。
马欣欣（Xinxin Ma）：资源准备、实验设计、数据管理。
张成（Cheng Zhang）：资源准备。
倪寅凯（Yinkai Ni）：撰写、审稿与编辑。
王若欣（Ruoxin Wang）：实验设计。
傅亮（Liang Fu）：撰写、审稿与编辑。
钱坤（Kun Qian）：撰写、审稿与编辑、项目监督、方法学设计、资金争取、概念构思。
陈宗辉（Zonghui Chen）：
利益冲突声明
作者声明以下潜在的利益冲突：作者已为该技术及其应用申请了专利。
数据可用性
数据可应要求提供。
