近日，kaiyun欧洲杯app团队联合上海交通大学及医学院附属医院、安徽医科大学第一附属医院，于Advanced Science（IF=15.1）上发表了一篇名为“Efficient Metabolic Fingerprinting of Follicular Fluid Encodes Ovarian Reserve and Fertility”的研究论文，使用固相质谱技术（PALDI-MS）实现高效的卵泡液代谢指纹提取，并构建了编码卵巢储备功能（OR）和生育能力的生物标记面板，卵巢储备功能减退（dOR）诊断曲线下面积（AUC）高达0.929，并可通过单次PALDI-MS检测鉴定出优质卵母细胞/胚胎(p < 0.05)。

  卵巢储备功能和生育能力（如卵子/胚胎质量等）反映了生殖潜力，在妇女生殖保健中至关重要。精确编码卵巢储备功能和生育能力对确定合适的治疗方法至关重要，美国辅助生殖技术学会（SART）估计可对10-32%的育龄妇女造成影响。目前的临床分析方法依赖于多种测试的组合，如生化分析和超声成像。这些方法基于已知蛋白质生物标志物(如促卵泡激素（FSH）和抗苗勒氏管激素（AMH）)或物理测量（如窦卵泡计数（AFC））。由于来自特定生物液体(如卵泡液)的信息有限，目前的临床方法无法作为卵巢储备功能和生育能力诊断判别的多功能平台。提供综合代谢信息的代谢指纹分析，有望实现卵巢储备功能和生育能力的多功能判别。

 

a）卵泡液代谢指纹图谱获取示意图；b）采用机器学习算法解析代谢指纹图谱，诊断卵巢储备功能低下和判别高质量卵子/胚胎流程图。

 

  鉴于以上问题与挑战，kaiyun欧洲杯app团队联合上海交通大学及医学院附属医院、安徽医科大学第一附属医院研究构建了一种固相质谱平台，仅需采用少量卵泡液样本（25 nL），便可获取卵泡液代谢指纹图谱。通过解析代谢指纹谱图，可同时诊断判别卵巢储备功能和卵子/胚胎质量。此检测方法具有检测速度快（低至30s/样本），灵敏度高（低至pmol），以及重复性好（coefficient of variance <15%）等检测优势。作者通过构建机器学习模型，解析了卵巢储备功能减退受试者（n=141）和卵巢储备功能正常受试者（n=203）的卵泡液代谢指纹图谱，获得AUC为0.929（95%置信区间：0.867-0.991）的诊断性能。本次研究基于该机器学习模型，还实现了卵子和胚胎质量的判别。研究结果显示，从卵泡液代谢指纹图谱中挖掘出的5个代谢物组成的标志物组合，能对卵巢储备功能减退的诊断达到AUC为0.849（95% 置信区间: 0.809-0.890）的效果。该项成果具有良好的临床应用前景，同时可在后续生育潜力判别上发挥重要临床价值。

 

原文链接 | https://doi.org/10.1002/advs.202302023