《Biophysical Chemistry》：Longitudinal cerebrospinal fluid metabolomics changes during treatment of tuberculous meningitis: A prospective cohort study
编辑推荐：
里姆吉姆·特里维迪（Rimjhim Trivedi）、桑奇特·沙伊伦德拉·乔克塞（Sanchit Shailendra Chouksey）、拉梅什瓦尔·纳特·乔拉西亚（Rameshwar Nath Chaurasia）、迪内什·库马尔（Dinesh Kumar）
印度北方邦卢克诺
里姆吉姆·特里维迪（Rimjhim Trivedi）、桑奇特·沙伊伦德拉·乔克塞（Sanchit Shailendra Chouksey）、拉梅什瓦尔·纳特·乔拉西亚（Rameshwar Nath Chaurasia）、迪内什·库马尔（Dinesh Kumar）
印度北方邦卢克诺生物医学研究中心（Centre of Biomedical Research, CBMR），邮编226014
摘要
结核性脑膜炎（Tuberculous Meningitis, TBM）是肺外结核最严重的形式，尽管接受了适当的治疗，但仍伴随着诊断延迟、高发病率和较高的死亡率。由于TBM直接影响到脑膜和脑实质，因此由神经炎症、神经元损伤、能量代谢改变以及宿主-病原体相互作用引起的代谢紊乱在脑脊液（Cerebrospinal Fluid, CSF）中的反映比在周围生物液体中更为准确。然而，传统的脑脊液生化参数缺乏足够的特异性和敏感性，无法用于可靠诊断，也不适合监测治疗反应。在这项研究中，我们采用了高场（800 MHz）1H核磁共振（NMR）代谢组学技术，对确诊为TBM的患者在基线和接受抗结核治疗三月后的脑脊液代谢变化进行了纵向分析。多元分析方法，包括主成分分析（PCA）、偏最小二乘平方回归-判别分析法（OPLS-DA）和随机森林分类（Random Forest Classification），明确区分了基线和随访时期的TBM样本，特征筛选后这一区分效果进一步提升。共鉴定出52种脑脊液代谢物，包括氨基酸、有机酸、能量代谢物、酮体、膜相关代谢物和芳香化合物。基线时期的TBM患者表现出明显的能量代谢紊乱（乳酸升高、葡萄糖降低）、氨基酸周转率变化以及氧化还原途径的异常；同时存在一些代谢物（如葡萄糖酸、1,5-脱水-D-山梨醇、丙酮醇和环己酮），而在随访时期这些代谢物消失或显著减少。多种代谢物在治疗后恢复正常，表明代谢状态和临床状况有所改善。总体而言，这项基于NMR的脑脊液代谢组学研究为TBM相关的神经代谢重编程提供了机制上的见解，并发现了具有疾病监测潜力的治疗响应代谢标志物，有助于加深对TBM病理生理学的理解。
引言
结核病（Tuberculosis, TB）是一个全球性的公共卫生挑战，对发展中国家和发达国家的影响尤为严重[1]。世界卫生组织统计显示，2015年全球新增结核病病例约1040万例，相关死亡人数约为180万例，凸显了该疾病的持续严重性[1][2]。结核病的发病率存在显著地理差异，发展中国家的发病率远高于发达国家[3]。美国每年的结核病发病率为每10万人中有9例；而发展中国家则为每10万人中有165例[3]。约10%的结核病病例涉及肺外部位，其中中枢神经系统（Central Nervous System, CNS）结核病是最严重的临床表现形式[4]，20-30%的患者会死亡，约50%的幸存者会出现长期神经系统后遗症[5]。
结核性脑膜炎（Tuberculous Meningitis, TBM）的诊断主要依赖于脑脊液（Cerebrospinal Fluid, CSF）检查，并结合临床表现和神经影像学结果[6]。尽管脑脊液分析在TBM的临床评估中至关重要，但基于传统生化参数的诊断仍具有挑战性，且常常无法得出明确结论[7][8][9]。核酸扩增检测技术（如聚合酶链反应Polymerase Chain Reaction, PCR）虽然提高了诊断效率，但在阴性结果时仍不足以排除疾病[10]。传统的脑脊液生化参数作为疾病活动或治疗反应的标志物缺乏可靠性[11][12][13][14]，因为经典的脑脊液异常现象（如淋巴细胞增多、蛋白质浓度升高和葡萄糖水平降低）既不具特异性，也不在所有疾病阶段普遍出现[13][14]。TBM与其他类型的慢性脑膜炎（包括病毒性、真菌性和部分经过治疗的细菌性脑膜炎）之间存在大量重叠，因此仅依赖这些参数会限制诊断的准确性[15][16]。脑脊液葡萄糖水平的降低虽然被认为是TBM的标志性特征，但其变化幅度很大，受疾病持续时间、宿主免疫反应及血脑屏障完整性的影响[11][18]。同样，脑脊液蛋白水平的升高也可能反映出非特异性脑膜炎症，即使在临床情况改善后仍可能持续存在，这使得它不适合作为治疗反应的监测指标[6][19]。脑脊液细胞计数也存在患者间差异，即使在病理过程持续进行的情况下也可能恢复正常。此外，由于该疾病的少菌特性，只有30-50%的病例能够通过抗酸杆菌（Acid-Fast Bacilli, AFB）涂片或培养方法实现微生物学确诊，而基于培养的方法由于耗时较长而受到限制[10][16]。因此，治疗决策往往基于经验做出，尤其是在诊断不明确的条件下[19]。这些局限性突显了迫切需要能够反映TBM疾病严重程度和治疗反应的客观生物标志物的需求。
代谢组学提供了一种系统级的分析方法，通过同时测量大量低分子量代谢物来捕捉生化变化。光谱技术的进步，特别是核磁共振（NMR）光谱技术，使得在复杂的生物样本中准确鉴定和定量代谢物成为可能[20][21]。代谢组学已在糖尿病、传染病、自身免疫性疾病、神经系统疾病和恶性肿瘤等研究中成功应用，证明了其在生物标志物发现和机制研究中的价值[22][23][24][25]。脑脊液是研究中枢神经系统疾病代谢变化的理想生物液体，因为它靠近病理部位，能够反映持续的神经炎症和神经退行性过程[26][27][28][29][30]。通过对人类脑脊液代谢组的全面分析，已在多个分析平台上鉴定出多种内源性代谢物，为疾病相关研究提供了宝贵的参考框架[31][32]。值得注意的是，仅使用NMR光谱技术即可稳健地定量40-50种脑脊液代谢物，进一步证明了其适用于基于脑脊液的研究[32][33]。
脑脊液的亲水性质和相对较低的蛋白质含量使其特别适合使用NMR进行代谢组学分析；然而，许多代谢物的浓度较低，需要使用高场NMR仪器来提高检测灵敏度和光谱分辨率[34]。尽管有这些优势，基于NMR的脑脊液代谢组学研究在脑膜炎领域仍较为有限[26]。现有研究已证明脑脊液代谢组谱分析能够区分感染性脑膜炎和非感染性脑膜炎，以及区分TBM和病毒性脑膜炎[27][28][29][35]。不过，这些研究大多是横断面研究，并未系统地将代谢变化与疾病严重程度、临床进展或治疗反应相关联[36][37][38]。因此，本研究旨在利用纵向1H NMR代谢组学方法来分析TBM相关的脑脊液代谢变化。通过比较确诊TBM患者基线时的脑脊液代谢谱与接受抗结核治疗三个月后的代谢谱，我们希望识别出疾病特异性的和治疗响应相关的代谢标志物，并评估代谢组学方法在监测治疗反应方面的优势。这种方法有望加深对TBM相关代谢重编程的理解，并有助于开发用于监测治疗反应和疾病进展的客观生物标志物。
章节节选
患者招募和临床评估
患者来自瓦拉纳西班纳拉斯印度大学医学科学研究所（Institute of Medical Sciences, IMS）的神经科。研究方案获得了该研究所伦理委员会的批准（批准编号：Dean/2022/EC/3814）。纳入研究的患者年龄≥16岁，疑似患有TBM，并符合2010年TBM共识诊断标准，同时根据医学研究委员会（Medical Research Council, MRC）的分类系统进行分级。
TBM患者的临床和人口统计特征
共有94名结核性脑膜炎（TBM）患者参与了基线分析。人口统计和临床详情见表1。研究团队平均年龄为31.4岁（范围：16-71岁），男性占多数（56名患者，56.6%）。入院前的病程多为30-60天。最常见的临床症状包括发热（93.2%）、头痛（90.9%）、恶心（67.0%）和脑膜征象（83.0%）。神经系统的表现...
讨论
TBM是由于结核分枝杆菌（Mycobacterium Tuberculosis, MTB）通过血液传播到脑膜和脑实质引起的，引发一系列复杂的神经炎症、血管炎、梗死、脑积水及神经元损伤[6]。在宿主-病原体互动过程中，TBM表现出显著的代谢适应性，通过利用宿主提供的底物并激活特定代谢途径（如胆固醇降解）来在恶劣的细胞内环境中存活...
结论
总之，这项基于1H NMR的脑脊液代谢组学研究揭示了TBM中深刻的、可逆的代谢重编程现象，这些变化由能量代谢、氨基酸周转、氧化还原平衡和膜完整性的紊乱驱动。多元分析、机器学习和单变量分析结果的共识强调了所识别代谢标志物的稳健性。这些结果加深了我们对TBM病理生理学的理解，并支持了脑脊液代谢组学作为强大工具的潜力...
作者贡献
RNC和DK：提出研究概念和设计。RNC和SSC：参与患者临床筛选、影像分析、临床数据收集及临床信息提供。SSC：负责血液样本采集、血清提取及临床和人口统计数据的整理；RT和DK：基于NMR的代谢组学数据分析、数据存储与整理、图表制作以及手稿起草和提交。RNC、SSC、RT和DK：共同完成手稿撰写、审查...
里姆吉姆·特里维迪（Rimjhim Trivedi）：负责写作、审稿与编辑、原始草案撰写、方法论设计。 桑奇特·沙伊伦德拉·乔克塞（Sanchit Shailendra Chouksey）：负责写作、审稿与编辑、数据分析、正式分析。 拉梅什瓦尔·纳特·乔拉西亚（Rameshwar Nath Chaurasia）：负责写作、审稿与编辑、调查研究、概念框架制定。 迪内什·库马尔（Dinesh Kumar）：负责写作、审稿与编辑、原始草案撰写、监督工作、方法论设计及数据整理。
作者声明：在本书章节的语言编辑和文本优化过程中使用了生成式AI工具（特别是OpenAI的ChatGPT）。所有智力内容、科学解释和结论均由作者本人开发、验证并最终确定。没有任何AI工具参与数据分析或科学决策过程。
利益冲突声明
作者声明：他们没有已知的可能会影响本文所述工作的利益冲突或个人关系。
致谢
作者感谢北方邦政府医学教育部门和科学技术部门（DST，SUPREME项目；参考编号：DST/SUPREME/2023/70(C)）对印度卢克诺生物医学研究中心（Centre of Biomedical Research, Lucknow）的高场800 MHz先进NMR设施的维护、运营和升级所提供的支持。RT感谢新德里大学教育部门（UGC）提供的SRF奖学金（编号：201610145908）。
