儿科泌尿学中的尿代谢组研究。文献综述

封面

如何引用文章

全文:

详细

代谢组学是一门研究小分子（50至5000Da）的科学，这些小分子是细胞内实现新陈代谢过程并维持其生命活动的结果。尿代谢组研究是小儿泌尿外科诊断泌尿系统各种细胞早期损伤的一个前景广阔的领域，可以对生物标志物组或其频谱进行研究，从而改进对现有疾病的检测，多维分析将提供更高的诊断准确性。这项研究旨在总结目前已知的尿液代谢组及其在先天性泌尿系统畸形伴有肾发育不良并导致急性肾损伤或慢性肾病时的变化情况。我们使用以下数据库进行了文献检索：PubMed、Embase 和 Google Scholar。这篇综述介绍了代谢组学分析为诊断和监测泌尿系统器官和组织结构的损伤、确定病理进展的预测因子以及个性化医疗决策策略提供新的质量水平的可能性。介绍了这种方法的局限性，包括设备昂贵、需要培训高素质人才以及难以解释结果。尿代谢组的研究在小儿泌尿系畸形的诊断和适时合理治疗策略的选择上是非常有前景的。

作者简介

Galina I. Kuzovleva

I.M. Sechenov First Moscow State Medical University (Sechenov University); Speransky Children’s Hospital No. 9

编辑信件的主要联系方式.
Email: dr.gala@mail.ru
ORCID iD: 0000-0002-5957-7037
SPIN 代码: 7990-4317

MD, Cand. Sci. (Med.)

俄罗斯联邦, Moscow; Moscow

Ekaterina Yu. Vlasenko

I.M. Sechenov First Moscow State Medical University (Sechenov University)

Email: vlasenko.ekaterina@icloud.com
ORCID iD: 0000-0002-3138-8314
SPIN 代码: 8290-0356
俄罗斯联邦, Moscow

Larisa D. Maltseva

I.M. Sechenov First Moscow State Medical University (Sechenov University)

Email: lamapost@mail.ru
ORCID iD: 0000-0002-4380-4522
SPIN 代码: 7725-2499

MD, Cand. Sci. (Med.)

俄罗斯联邦, Moscow

Olga L. Morozova

I.M. Sechenov First Moscow State Medical University (Sechenov University)

Email: morozova_ol@list.ru
ORCID iD: 0000-0003-2453-1319
SPIN 代码: 1567-4113

MD, Dr. Sci. (Med.)

俄罗斯联邦, Moscow

参考

  1. Patti GJ, Yanes O, Siuzdak G. Metabolomics: the apogee of the omictriology. Nat Rev Mol Cell Biol. 2012;13(4):263–269. doi: 10.1038/nrm3314
  2. Wishart DS. Metabolomics for investigating physiological and pathophysiological processes. Physiol Rev. 2019;99(4):1819–1875. doi: 10.1152/physrev.00035.2018
  3. Abbiss H, Maker GL, Trengove RD. Metabolomics approaches for the diagnosis and understanding of kidney diseases. Metabolites. 2019;9(2):34–55. doi: 10.3390/metabo9020034
  4. Khamis MM, Adamko DJ, El-Aneed A. Mass spectrometric based approaches in urine metabolomics and biomarker discovery. Mass Spectrom Rev. 2017;36(2):115–134. doi: 10.1002/mas.21455
  5. Zhang A, Sun H, Wu X, Wang X. Urine metabolomics. Clin Chim Acta. 2012;414:65–69. doi: 10.1016/j.cca.2012.08.016
  6. Chiu C-Y, Yeh K-W, Lin G, et al. Metabolomics reveals dynamic metabolic changes associated with age in early childhood. PLoS One. 2016;11(2):e0149823. doi: 10.1371/journal.pone.0149823
  7. Stankovic AK, DiLauri E. Quality improvements in the preanalytical phase: Focus on urine specimen workflow. Clin Lab Med. 2008;28(2):339–350. doi: 10.1016/j.cll.2007.12.011
  8. Wang X, Gu H, Palma-Duran SA, et al. Influence of storage conditions and preservatives on metabolite fingerprints in urine. Metabolites. 2019;9(10):203–215. doi: 10.3390/metabo9100203
  9. Delanghe J, Speeckaert M. Preanalytical requirements of urinalysis. Biochem Med (Zagreb). 2014;24(1):89–104. doi: 10.11613/BM.2014.011
  10. Rodríguez-Morató J, Pozo ÓJ, Marcos J. Targeting human urinary metabolome by LC-MS/MS: a review. Bioanalysis. 2018;10(7):489–516. doi: 10.4155/bio-2017-0285
  11. Dunn WB, Broadhurst D, Ellis DI, et al. A GC-TOF-MS study of the stability of serum and urine metabolomes during the UK Biobank sample collection and preparation protocols. Int J Epidemiol. 2008;37(S1):i23–i30. doi: 10.1093/ije/dym281
  12. Laparre J, Kaabia Z, Mooney M, et al. Impact of storage conditions on the urinary metabolomics fingerprint. Anal Chim Acta. 2017;951:99–107. doi: 10.1016/j.aca.2016.11.055
  13. Chaleckis R, Meister I, Zhang P, Wheelock CE. Challenges, progress and promises of metabolite annotation for LC-MS-based metabolomics. Curr Opin Biotechnol. 2019;55:44–50. doi: 10.1016/j.copbio.2018.07.010
  14. Bartel J, Krumsiek J, Theis FJ. Statistical methods for the analysis of high-throughput metabolomics data. Comput Struct Biotechnol J. 2013;4(5):e201301009. doi: 10.5936/csbj.201301009
  15. Wishart DS, Knox C, Guo AC, et al. HMDB: a knowledgebase for the human metabolome. Nucleic Acids Res. 2009;37(S1):D603–D610. doi: 10.1093/nar/gkn810
  16. Smith CA, O’Maille G, Want EJ, et al. METLIN: a metabolite mass spectral database. Ther Drug Monit. 2005;27(6):747–751. doi: 10.1097/01.ftd.0000179845.53213.39
  17. Bouatra S, Aziat F, Mandal R, et al. The human urine metabolome. PLoS One. 2013;8(9):e73076. doi: 10.1371/journal.pone.0073076
  18. Dai X, Shen L. Advances and trends in omics technology development. Front Med (Lausanne). 2022;9:911861. doi: 10.3389/fmed.2022.911861
  19. Bukharina AB, Fedulkina AO, Demidova KN, et al. Omics technologies in screening for kidney disease in children with congenital uropathy. Annals of the Russian academy of medical sciences. 2022;77(5):354–361. (In Russ.) doi: 10.15690/vramn2107
  20. Emwas A-H, Roy R, McKay RT, et al. NMR spectroscopy for metabolomics research. Metabolites. 2019;9(7):123. doi: 10.3390/metabo9070123
  21. Thomas SN, French D, Jannetto PJ, et al. Liquid chromatography–tandem mass spectrometry for clinical diagnostics. Nat Rev Methods Primers. 2022;2(1):96. doi: 10.1038/s43586-022-00175-x
  22. Fiehn O. Metabolomics by gas chromatography-mass spectrometry: combined targeted and untargeted profiling. Curr Protoc Mol Biol. 2016;114(1):30.4.1–30.4.32. doi: 10.1002/0471142727.mb3004s114
  23. Jokiniitty E, Hokkinen L, Kumpulainen P, et al. Urine headspace analysis with field asymmetric ion mobility spectrometry for detection of chronic kidney disease. Biomark Med. 2020;14(8):629–638. doi: 10.2217/bmm-2020-0085
  24. Fitzgerald J, Fenniri H. Cutting edge methods for non-invasive disease diagnosis using E-tongue and E-nose devices. Biosensors (Basel). 2017;7(4):59. doi: 10.3390/bios7040059
  25. Teruya T, Goga H, Yanagida M. Aging markers in human urine: A comprehensive, non-targeted LC-MS study. FASEB Bioadv. 2020;2(12):720–733. doi: 10.1096/fba.2020-00047
  26. Scalabre A, Jobard E, Demède D, et al. Evolution of newborns’ urinary metabolomic profiles according to age and growth. J Proteome Res. 2017;16(10):3732–3740. doi: 10.1021/acs.jproteome.7b00421
  27. Liu X, Tian X, Qinghong S, et al. Characterization of LC-MS based urine metabolomics in healthy children and adults. Peer J. 2022;10:e13545. doi: 10.7717/peerj.13545
  28. Reusch JEB, Kumar TR, Regensteiner JG, Zeitler PS. Conference participants. Identifying the critical gaps in research on sex differences in metabolism across the life span. Endocrinology. 2018;159(1):9–19. doi: 10.1210/en.2017-03019
  29. Tang WHW, Wang Z, Levison BS, et al. Intestinal microbial metabolism of phosphatidylcholine and cardiovascular risk. N Engl J Med. 2013;368(17):1575–1584. doi: 10.1056/NEJMoa1109400
  30. Koeth RA, Wang Z, Levison BS, et al. Intestinal microbiota metabolism of L-carnitine, a nutrient in red meat, promotes atherosclerosis. Nat Med. 2013;19(5):576–585. doi: 10.1038/nm.3145.
  31. Wilson Tang WH, Wang Z, Kennedy DJ, et al. Gut microbiota-dependent trimethylamine N-oxide (TMAO) pathway contributes to both development of renal insufficiency and mortality risk in chronic kidney disease. Circ Res. 2015;116(3):448–455. doi: 10.1161/CIRCRESAHA.116.305360
  32. Liu X, Yin P, Shao Y, et al. Which is the urine sample material of choice for metabolomics-driven biomarker studies? Anal Chim Acta. 2020;1105:120–127. doi: 10.1016/j.aca.2020.01.028
  33. Liu Z, Xia B, Saric J, et al. Effects of vancomycin and ciprofloxacin on the NMRI mouse metabolism. J Proteome Res. 2018;17(10):3565–3573. doi: 10.1021/acs.jproteome.8b00583
  34. Kim AHJ, Lee Y, Kim E, et al. Assessment of oral vancomycin-induced alterations in gut bacterial microbiota and metabolome of healthy men. Front Cell Infect Microbiol. 2021;11:629438. doi: 10.3389/fcimb.2021.629438
  35. Rodriguez MM. Congenital anomalies of the kidney and the urinary tract (CAKUT). Fetal PediatrPathol. 2014;33(5-6):293–320. doi: 10.3109/15513815.2014.959678
  36. Macioszek S, Wawrzyniak R, Kranz A, et al. Comprehensive metabolic signature of renal dysplasia in children. A multiplatform metabolomics concept. Front Mol Biosci. 2021;8:665661. doi: 10.3389/fmolb.2021.665661
  37. Xu X, Nie S, Zhang A, et al. Acute kidney injury among hospitalized children in China. Clin J Am Soc Nephrol. 2018;13(12):1791–1800. doi: 10.2215/CJN.00800118
  38. Sutherland SM, Ji J, Sheikhi FH, et al. AKI in hospitalized children: Epidemiology and clinical associations in a national cohort. Clin J Am Soc Nephrol. 2013;8(10):1661–1669. doi: 10.2215/CJN.00270113
  39. Andreoli SP. Acute kidney injury in children. Pediatr Nephrol. 2009;24(2):253–263. doi: 10.1007/s00467-008-1074-9
  40. Cleto-Yamane TL, Gomes CLR, Suassuna JHR, Nogueira PK. Acute kidney injury epidemiology in pediatrics. J Bras Nefrol. 2019;41(2):275–283. doi: 10.1590/2175-8239-JBN-2018-0127
  41. Mammen C, Abbas AA, Skippen P, et al. Long-term risk of CKD in children surviving episodes of acute kidney injury in the intensive care unit: A prospective cohort study. Am J Kidney Dis. 2012;59(4):523–530. doi: 10.1053/j.ajkd.2011.10.048
  42. Beger RD, Holland RD, Sun J, et al. Metabonomics of acute kidney injury in children after cardiac surgery. Pediatr Nephrol. 2008;23(6):977–984. doi: 10.1007/s00467-008-0756-7
  43. Muhle-Goll C, Eisenmann P, Luy B, et al. Urinary NMR profiling in pediatric acute kidney injury — a pilot study. Int J Mol Sci. 2020;21(4):1187. doi: 10.3390/ijms21041187
  44. Viau A, El Karoui K, Laouari D, et al. Lipocalin 2 is essential for chronic kidney disease progression in mice and humans. J Clin Invest. 2010;120(11):4065–4076. doi: 10.1172/JCI42004
  45. Harambat J, van Stralen KJ, Kim JJ, Tizard EJ. Epidemiology of chronic kidney disease in children. Pediatr Nephrol. 2012;27(3):363–373. doi: 10.1007/s00467-011-1939-1
  46. Becherucci F, Roperto RM, Materassi M, Romagnani P. Chronic kidney disease in children. Clin Kidney J. 2016;9(4):583–591. doi: 10.1093/ckj/sfw047
  47. Vivante A, Hildebrandt F. Exploring the genetic basis of early-onset chronic kidney disease. Nat Rev Nephrol. 2016;12(3):133–146. doi: 10.1038/nrneph.2015.205
  48. Martens-Lobenhoffer J, Bode-Böger SM. Amino acid N-acetylation: Metabolic elimination of symmetric dimethylarginine as symmetric Nα-acetyldimethylarginine, determined in human plasma and urine by LC–MS/MS. J Chromatogr B Analyt Technol Biomed Life Sci. 2015;975:59–64. doi: 10.1016/j.jchromb.2014.11.009
  49. Benito S, Sánchez A, Unceta N, et al. LC-QTOF-MS-based targeted metabolomics of arginine-creatine metabolic pathway-related compounds in plasma: application to identify potential biomarkers in pediatric chronic kidney disease. Anal Bioanal Chem. 2016;408(3):747–760. doi: 10.1007/s00216-015-9153-9
  50. Zhang W, Miikeda A, Zuckerman J, et al. Inhibition of microbiota-dependent TMAO production attenuates chronic kidney disease in mice. Sci Rep. 2021;11(10):518. doi: 10.1038/s41598-020-80063-0
  51. Wang Y-N, Ma S-X, Chen Y-Y, et al. Chronic kidney disease: Biomarker diagnosis to therapeutic targets. Clin Chim Acta. 2019;499:54–63. doi: 10.1016/j.cca.2019.08.030
  52. Mattoo TK. Vesicoureteral reflux and reflux nephropathy, advances in chronic kidney disease. Adv Chronic Kidney Dis. 2011;18(5):348–354. doi: 10.1053/j.ackd.2011.07.006
  53. Läckgren G, Cooper CS, Neveus T, Kirsch AJ. Management of vesicoureteral reflux: What have we learned over the last 20 years? Front Pediatr. 2021;9:650326. doi: 10.3389/fped.2021.650326
  54. Vitko D, McQuaid JW, Gheinani AH, et al. Urinary tract infections in children with vesicoureteral reflux are accompanied by alterations in urinary microbiota and metabolome profiles. Eur Urol. 2022;81(2):151–154. doi: 10.1016/j.eururo.2021.08.022
  55. Riccio S, Valentino MS, Passaro AP, et al. New insights from metabolomics in pediatric renal diseases. Children (Basel). 2022;9(1):118. doi: 10.3390/children9010118
  56. Morozova O, Morozov D, Pervouchine D, et al. Urinary biomarkers of latent inflammation and fibrosis in children with vesicoureteral reflux. Int Urol Nephrol. 2020;52(4):603–610. doi: 10.1007/s11255-019-02357-1

补充文件

附件文件
动作
1. JATS XML
下载

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».