Lipidomics 분석서비스 적용 3 : 비만의 임상지표 (CLINICAL INDICATORS OF OBESITY) | 고마바이오텍

Case Study : 리피도믹스를 통한 비만 예측과 평가

기사 원문

• 비만은 체지방을 과도하게 축적할 때 발생하며, 심혈관 질환 및 제2형 당뇨병을 포함한 여러 건강 문제와 관련이 있고, 전 세계적으로 6억 5천만 명 이상의 성인(인구의 ~13%)이 앓고 있습니다. 
• 비만을 진단하기 위한 수단으로 일련의 지표를 사용하여 체지방을 추정합니다. 가장 일반적인 측정 기준은 체질량 지수(BMI)로, 키에 대한 체중의 비율입니다. 허리둘레와 허리-엉덩이 비율도 비슷하게 접근할 수 있습니다. 보다 정교한 측정 기준인 체지방률은 지방 조직의 분포를 보고하며 신체를 통과하는 전기장의 저항으로 계산됩니다. 그러나 이러한 표준 지표는 비만 상태에 따라 개인을 정확하게 분류하기에는 어려움이 있습니다. 나이, 성별 및 민족에 따른 알려져 있는 이질성을 분석하기 어렵고, 장기적인 건강 결과에 영향을 미치는 요소인 체지방 분포도 보고되지 않으며, 근육량과 체지방을 구별하지 못하기 때문입니다. 

• 최근 연구에 따르면 대사에 대한 분자적 측정(예: 혈장 내 콜레스테롤 또는 대사체)이 표준 지표보다 비만 상태를 더 정확하게 분류할 수 있는 것으로 나타났습니다. 또한 신체의 지질 프로필은 환자의 질병을 감지, 예측 및 분류하는 데에 이용될 수 있습니다. 이미 심혈관 질환의 새로운 위험인자와 다발성 경화증의 바이오마커를 식별하는데 적용되었습니다. 
• Lipotype에서는 shotgun lipidomics와 machine learning을 이용하여 두개의 대규모 인구 집단 샘플로부터 혈장의 리피돔을 탐색하였습니다. 
• 혈장 리피돔의 특성화를 통해 Lipotype Shotgun Lipidomics 기술은 사람의 신진대사 변화를 식별할 수 있습니다. 이러한 대사 지표는 비만을 포함한 특정 질병을 진단하거나 예측하는 데 유용할 수 있습니다.
  

Improvement of model accuracy by the inclusion of further data: R2 cross-validation mean and standard deviation (n = 50) based on lipidomes of the training set are shown on the y-axis. Modeling was either done without age and sex as covariables or with. Variables in addition to the lipidome are shown on the x-axis: “A” no additional input; “B” routine clinical laboratory variables such as HDL/LDL cholesterol; “C” additional variables such as prevalent diseases; “B + C” the combination of clinical and additional variables.

Gerl et al., PBio (2019), doi: 10.1371/journal.pbio.3000443

Lipidomics 분석서비스 바로 가기