心血管疾病如同潜伏在人体健康道路上的 “暗礁”，时刻威胁着全球无数人的生命。据统计，心血管疾病是全球发病率和死亡率居高不下的主要原因之一。尽管科研人员一直努力探索其病理生理过程，但心脏疾病的分子病因大多仍未明晰。传统研究方法就像用 “放大镜” 看世界，只能聚焦在某个局部，难以全面深入地了解疾病的本质。随着科技的发展，组学技术应运而生，为心血管研究带来了新的曙光。
丹麦哥本哈根大学健康与医学科学学院生物医学系的研究人员 John F. Mulvey、Emily L. Meyer 等人开展了一项极具意义的研究，他们整合多种组学技术，从不同维度深入剖析心脏疾病中的重塑过程。该研究成果发表在《Current Cardiology Reports》上，为理解心脏疾病的病理生理机制提供了全新视角，有望推动心血管疾病治疗策略的革新。
在研究中，研究人员主要运用了转录组学（transcriptomics）、蛋白质组学（proteomics）技术，还涉及单细胞和空间测量等扩展技术。在样本方面，使用了人类心脏活检样本、外周血血清或血浆等。
批量转录组学和蛋白质组学
转录组学技术是在基因组学技术基础上发展起来的，RNA 测序（RNAseq）已成为成熟的选择。研究人员通过对不同患者背景的人类心脏活检样本进行 RNAseq，分析不同疾病状态下心脏的基因表达变化，以此评估心脏功能失调情况。例如，通过这种方法可以区分不同类型的心肌病，揭示射血分数保留和降低的心力衰竭患者独特的基因表达特征，以及扩张型和缺血性心肌病患者活检样本中的特定表达谱。不过，mRNA 表达水平与蛋白质丰度的相关性较弱，典型的皮尔逊相关系数约为 0.4，部分基因如 PKP2，mRNA 丰度能较好预测蛋白质丰度，而 PRDX1则不然。
蛋白质组学研究面临更大技术挑战，样本中蛋白质无法像 mRNA 那样通过类似聚合酶链反应（PCR）的方法扩增，且蛋白质表达的动态范围更广。质谱（MS）是蛋白质组学研究的常用方法，能对蛋白质进行无偏且系统的鉴定和定量。研究人员利用基于 MS 的蛋白质组学技术，分析人类心脏活检样本，区分不同心肌病的蛋白质组特征，追踪疾病进展过程中的变化。还能通过蛋白质组学研究蛋白质的翻译后修饰、蛋白质 - 蛋白质相互作用网络等，为理解心脏疾病的发病机制提供更多信息，比如发现 DNA 损伤过程与致心律失常性心肌病有关，炎症在心力衰竭窦房结功能障碍的电重构中起作用等。此外，蛋白质组学在寻找生物标志物方面也发挥着重要作用，通过分析外周血中的蛋白质，结合现有知识提高对心脏疾病的特异性，有助于发现预测疾病诊断或预后的生物标志物，大规模生物样本库的出现更是推动了这一领域的发展。
超越组织同质性假设
传统的批量研究方法虽然在数据质量等方面有优势，但它假设组织样本中物种丰度是均匀的，这显然不符合实际情况，会掩盖细胞类型特异性变化。因此，需要细胞特异性方法来补充。
单细胞转录组学技术的发展为心脏研究带来了突破，能在单个细胞水平测量基因表达。研究人员利用该技术对心脏细胞群体进行精细表征，如描绘心力衰竭中 成纤维细胞状态的转变，揭示心力衰竭中非心肌细胞和炎症细胞的作用，还构建了健康人类心脏细胞图谱，并将其扩展到疾病状态研究，如扩张型心肌病的细胞图谱。不过，目前该技术在高复用度和数据技术假象之间存在权衡。
单细胞蛋白质组学技术也在不断发展，随着质谱仪、样本制备和细胞分选技术的进步，该技术逐渐可行。研究人员已利用它对诱导多能干细胞的异质性进行表征，在心脏研究中也开始应用，如 Kreimer 等人对分离的单个成年心肌细胞进行蛋白质组分析。但从心脏组织中分离单细胞仍面临挑战，如心脏组织的纤维性质和心肌细胞的大尺寸等。
空间转录组学能够提供基因表达的空间信息，有助于研究局部微环境对基因表达的影响。研究人员利用该技术结合单细胞转录组学，评估心肌梗死后细胞类型和状态组成的变化，以及这些变化与其他细胞类型和缺血区域的接近程度的关系，还能将细胞映射到心脏的微解剖结构，如窦房结。
空间蛋白质组学是新兴领域，能在组织切片中定量测量蛋白质分布。它可以通过激光显微切割结合 MS 的方法实现，也有基于传统成像的方法，如利用抗体的免疫组织化学技术，并结合多种定量方法。还有将多重成像与质谱相结合的 “深度视觉蛋白质组学（DVP）” 技术，虽目前未在心脏领域应用，但已在其他领域取得成果，有望为心脏研究带来新的突破。
整合不同数据集的方法
数据整合方法主要有原理性整合和数据驱动整合策略。原理性整合基于对不同组学模态信息的了解，将 RNAseq 和蛋白质组学数据整合，能提供更全面的分子图景，但由于蛋白质丰度的调控机制复杂，这种方法存在较高的假阴性率。此外，原理性整合还能结合外部数据集，如利用人类全基因组关联研究（GWAS）数据，确认蛋白质与人类心电图的相关性，优先确定心脏离子通道蛋白相互作用的功能重要性等。
数据驱动整合策略则更多依赖数据本身，随着实验方法成本降低和大规模研究的出现，这种方法将更强大。目前该方法在整合不同组学模态数据方面还处于初期，主要通过将高维数据嵌入低维空间来解释数据，如利用因子分析或生成式深度学习模型等，但在模型灵活性和过拟合之间需要权衡。
研究人员通过上述研究，整合多组学技术，从批量、单细胞和空间等多个层面研究心脏疾病中的重塑过程，揭示了许多与心脏疾病相关的分子机制，为理解心脏病理生理学提供了更全面的视角。这些研究结果对于开发新的治疗策略具有重要意义，有助于精准诊断和治疗心脏疾病，改善患者的预后。然而，随着大量样本数据集的获取，数据分析和解释成为新的挑战，未来还需要不断发展新的策略来更好地利用和整合这些信息，进一步深入探索心脏疾病的奥秘，为心血管疾病的防治开辟新的道路。
生物通微信公众号
