急性心肌梗死（AMI）是全球心血管死亡的 “头号杀手”，超 2/3 死亡发生在入院前，早期诊断直接决定救治成功率。目前临床依赖的肌钙蛋白（cTn）存在特异性差（慢性肾病等非缺血性疾病也会升高）、峰值滞后（需 12 小时达峰）的短板，现有代谢物标志物又缺乏因果证据、非特异性强，难以满足早期快速诊断需求。

近日，河南大学基础医学院团队在《Molecular Biomedicine》（IF=10.1，医学顶刊，开源获取，0 版面费）发表重磅研究：整合代谢组学、孟德尔随机化（MR）、机器学习技术，先筛选出 174 个差异代谢物，再通过 MR 锁定因果代谢物 CarnitineC20:0，进一步结合 GEO 数据库筛选出 10 个关联基因标志物，构建的诊断模型 AUC 超 0.95，同时揭示其免疫浸润关联。做心血管疾病标志物研究的医生，若想高效产出顶刊成果，“多组学 + 因果验证 + 机器学习” 的全链条体系是关键，我们可提供从实验设计到数据解读的全流程论文服务！

文章信息速览

• 原标题：Early diagnostic biomarkers for acute myocardial infarction unveiled by metabolomics, Mendelian randomization, and machine learning

• 期刊：Molecular Biomedicine（IF=10.1，医学顶刊，开源获取，0 版面费）

• 关键词：急性心肌梗死（AMI）、代谢组学、孟德尔随机化（MR）、机器学习、基因标志物、CarnitineC20:0、免疫浸润、诊断模型

研究核心亮点

这篇 IF=10.1 顶刊的成功，核心在于 “‘差异筛选 - 因果验证 - 基因关联 - 模型构建 - 免疫解析’的全链条研究体系”，5 大步骤完美契合心血管领域顶刊对 “可靠性 + 转化性” 的要求，关键结果均严格来自原文，图表引用精准：

1. 第一步：代谢组学初筛，锁定 174 个 AMI 差异代谢物（图 1、2）

研究设计：纳入 30 例 AMI 患者 + 30 例健康对照，检测血浆代谢组（经粤北人民医院伦理委员会批准， Approval No.: KY-2021–050）；

筛选标准：以 VIP>1、BH 校正后 q<0.05、 Fold Change>1.5 或 < 0.67 为阈值，筛选出 174 个差异代谢物（92 个下调、82 个上调，图 2a）；

功能富集：KEGG 分析显示这些代谢物显著富集于甘油磷脂代谢、癌症中的胆碱代谢、脂肪消化吸收等通路（图 2b）；

图1

图2

价值：为后续研究提供“差异代谢物池”，是医生做标志物研究的 “标准化初筛流程”。

2. 第二步：MR 验证因果，锁定核心代谢物 CarnitineC20:0（图 3、4）

方法：以 1400 个血浆代谢物为暴露、AMI 为结局，采用 IVW、MR-Egger、加权中位数等 5 种 MR 方法，结合异质性检验、留一法验证等稳健性分析；

核心结果：筛选出 37 个与 AMI 有因果关联的代谢物，其中CarnitineC20:0（花生酸肉碱） 同时被代谢组学和 MR 双重验证（图 3）；

图3

诊断效能：该代谢物区分 AMI 患者与对照的 ROC 曲线 AUC 达 0.803（95% CI：0.673–0.909，图 4c），两组间表达差异显著（图 4f）；

图4

价值：用 MR 方法明确代谢物与疾病的因果关系，避免 “虚假关联”，大幅提升标志物可信度 —— 这是顶刊青睐的 “高等级证据”。

3. 第三步：GEO 交叉分析，得到 10 个关联基因标志物（图 5）

流程：① 整合 GEO 数据库 AMI 相关数据集（GSE66360、GSE60993），排除不稳定型心绞痛患者后，筛选出 166 个差异基因（150 个上调、16 个下调）；② 从 GeneCards 数据库获取 CarnitineC20:0 所属 “酰基肉碱家族” 的关联基因；③ 取两者交集，最终得到 10 个核心基因：ACSL1、PYGL、DYSF、MGAM、SLC7A7、SULF2、KCNJ2、CYP1B1、NCF2、SLC22A4（图 5b）；

功能解析：GSEA 分析显示 AMI 组中先天免疫反应、炎症相关通路显著激活（图 5c）；GO 分析显示差异基因富集于细胞因子产生正调控等生物学过程（图 5e）；KEGG 分析富集于 IL-17 信号通路、NF-κB 信号通路（图 5f）；

图5

价值：将标志物从“代谢物” 升级为更稳定的 “基因”，解决代谢物易受环境干扰的问题，提升临床应用可行性。

4. 第四步：机器学习构建最优模型，诊断 AUC 超 0.95（图 6、7）

模型测试：以 10 个基因为特征，测试 11 种机器学习算法及 80 种组合，采用 “70% 训练集 + 30% 验证集 + GSE61144 独立验证集” 的三重验证体系；

最优模型：Enet[alpha=0.1] 表现最佳，训练集 AUC=0.963、验证集 AUC=0.938、独立验证集 AUC=0.957（图 6a）；

图6

进一步验证：logistic 回归模型 AUC=0.962，十折交叉验证平均 AUC=0.911（图 7a、b）；决策曲线分析（DCA）显示模型在多数阈值范围内具有高净获益（图 7c）；混淆矩阵证实模型分类准确率高（图 7d）；同时构建列线图可量化 AMI 风险（图 7e）；

图7

价值：建立“基因 - 诊断模型” 的临床可用工具，解决标志物 “无法量化诊断” 的落地难题，符合顶刊对 “转化价值” 的核心要求。

5. 第五步：免疫浸润分析，揭示基因 - 免疫病理关联（图 8）

方法：采用 CIBERSORT 算法，基于 LM22 特征矩阵分析 AMI 组与对照组的 22 种免疫细胞浸润比例；

核心结果：① AMI 组中静息 NK 细胞、单核细胞、激活肥大细胞等比例显著升高，浆细胞、CD8+T 细胞、静息记忆 CD4+T 细胞等比例显著降低（图 8a、b）；② 基因 - 免疫细胞关联分析显示，中性粒细胞、单核细胞与多个核心基因呈正相关，静息记忆 CD4+T 细胞与多数基因呈负相关（图 8c）；

图8

价值：从免疫角度阐释了核心基因的病理机制，为 AMI 的免疫调节治疗提供潜在靶点，丰富了研究的深度。

总结：全链条体系 + 因果验证，心血管顶刊的核心逻辑

河南大学基础医学院团队的这项研究，严格遵循“临床痛点→多组学初筛→因果验证→基因关联→模型构建→机制解析” 的顶刊研究闭环，每一步都有严谨的数据支撑：用代谢组学筛差异、MR 补因果、GEO 交叉找基因、机器学习建模型、免疫分析挖机制，最终产出 “高可信度 + 高转化性” 的 10 基因诊断模型，完美契合顶刊对 “证据等级 + 临床价值” 的双重要求。

对于心血管领域的医生，这类研究的发文逻辑可直接复用：① 锚定临床未满足需求（如 AMI 早期诊断）；② 用代谢组学 / 转录组学做标准化初筛；③ 引入 MR 等因果推断方法提升证据等级；④ 交叉验证锁定核心标志物（基因 / 蛋白）；⑤ 用机器学习构建可量化的诊断工具；⑥ 补充病理机制（如免疫、代谢通路）。

原文DOI：10.1186/s43556-025-00387-z