大家好,今天跟大家分享一篇题为 Plasma and urine proteomics and gut microbiota analysis reveal potential factors affecting COVID-19 vaccination response(血浆和尿液蛋白质组学和肠道微生物群分析揭示了影响新冠肺炎疫苗接种反应的潜在因素)COVID-19 疫苗接种的功效依赖于中和抗体的诱导,而中和抗体在疫苗接种者之间可能有所不同。mRNA疫苗、病毒载体疫苗、蛋白亚单位疫苗和灭活病毒疫苗,已在人体中表现出有效的抗体反应,并经过了广泛的临床评估。

01

研究背景

COVID-19 疫苗接种的有效性取决于中和抗体的诱导,这可能因疫苗接种者而异。在这项研究中,我们通过结合血浆和尿液蛋白质组学以及肠道微生物群分析来研究影响中和抗体反应的潜在因素。

我们发现血浆中 LXR/FXR 通路的激活与 ACE2-RBD 抑制抗体的产生有关,而与补体系统相关的尿蛋白、急性期反应信号、LXR/FXR 和 STAT3 通路与中和抗体的产生相关。此外,我们观察到肠道微生物群与血浆和尿液蛋白以及疫苗接种反应之间的相关性。基于上述数据,我们建立了疫苗接种反应预测模型 (AUC = 0.85)。

我们的研究提供了对与 ACE2-RBD 抑制抗体相关的特征性血浆和尿液蛋白以及肠道微生物群的见解,这可能有助于我们了解宿主对 COVID-19 疫苗接种的反应。

见图一

 健康受试者接受了针对 COVID-19 的灭活疫苗。

图一

(A) 健康受试者招募和样本采集的工作流程。

(B) 60 名参与者在 D0、D14 和 D42 接种两剂疫苗后 ACE2-RBD 抑制抗体的变化。根据第 42 天 (6.6 AU/mL) 的中位中和抗体水平,它们被平均分为两组,前 50% 为较高滴度,后 50% 为低反应者。

(C) 计算第 0 天和第 42 天临床实验室指标变化与 ACE2-RBD 抑制抗体水平之间的 Pearson 相关系数。琥珀色代表正相关,而绿松石色代表负相关 (n = 60)。

(D) 4 μL 血浆和 500 μL 尿液在 D0、D14 和 D42 的肽产量。

(E) 血浆和尿液的蛋白质数量以及缺失值为 <90% 的蛋白质。

(F) 血浆、尿液和整个人蛋白质组中定量蛋白质的分子量 (MW) 和序列覆盖分布。

(G) 血浆和尿液蛋白质组学数据的中位 CV。

见图二
接种疫苗后血浆和尿液蛋白质组学分析的动力学。

图二

(A) 疫苗接种后血浆中差异表达蛋白 (DEP) 的 REAC 和 KEGG 通路富集分析,通过 Cytoscape 的 ClueGO 插件可视化。通过 Wilcoxon 检验分析 D0 和 D42 之间的 DEPs (n = 60) (p < 0.05)。

(B) 参与 D0、D14 和 D42 免疫反应的血浆 DEP 的热图 (n = 60)。

(C) D0 和 D42 血浆中 MRC1 和 PPBP 表达,p 值通过 Wilcoxon 检验计算 (p < 0.05)。

(D) 通过 Cytoscape 的 ClueGO 插件可视化疫苗接种后尿液中 DEPs 的 REAC 和 KEGG 分析。通过 Wilcoxon 检验分析 D0 和 D42 之间的 DEPs (n = 60) (p < 0.05)。

(E) D0、D14 和 D42 参与免疫反应的尿液 DEPs 的热图 (n = 60)。

(F) D0 和 D42 血浆中 ARG1 的表达,通过 Wilcoxon 检验计算 p 值 (p < 0.05)。

见图三

高反应者和低反应者之间血浆蛋白质组学谱的差异。

图三

(A) 通过 Cytoscape 的 ClueGO 插件对 D0 处高反应者 (n = 30) 和低反应者 (n = 30) 之间富含的血浆 DEP 富集通路进行 REAC 和 KEGG 分析。R 包 limma 用于分析 DEPs (BH 调整 p < 0.05)。

肠道微生物群分析揭示了影响COVID-19 疫苗接种反应的潜在因素

(B) 在 D0、D14 和 D42 处高反应者 (n = 30) 和低反应者 (n = 30) 之间富集的血浆 DEPs 通路的 IPA 分析。

(C) 在指定时间点血浆 DEPs 的 IPA 富集分析的热图(Wilcoxon 检验,第 0.05 <)。

(D) 高响应组(聚类 4,n = 118)血浆蛋白动态变化的 Mfuzz 分析。

(E) 来自聚类 4 的血浆 DEPs 的 GO 基因富集。

见图四

高反应者和低反应者之间尿液蛋白质组学分析的差异。

图四

(A) 通过 Cytoscape 的 ClueGO 插件可视化尿液 DEP 在 D0 时富集高反应者 (n = 30) 和低反应者 (n = 30) 之间的通路的 REAC 和 KEGG 分析。R 包 limma 用于分析 DEPs (BH 调整 p < 0.05)。

(B) 尿液 DEPs 在 D0、D14 和 D42 富集高反应 (n = 30) 和低反应者 (n = 30) 之间的通路的 IPA 分析。

(C) 指定时间点尿液 DEP 的 IPA 富集分析热图。

(D) 高反应组(聚类 6,n = 275)尿液蛋白动态变化的 Mfuzz 分析。

(E) 来自集群 6 的尿液 DEPs 的 GO 基因富集。

(F) 参与疫苗接种生产过程的尿蛋白的热图。比较不同时间点高反应者和低反应者之间的 DEP,并通过 Wilcoxon 检验计算 p 值 (D0 、 D14 和 D42) (p < 0.05)。

见图五
高反应者和低反应者之间细胞因子及其受体的差异。

图五

(A) D0、D14 和 D42 高反应者和低反应者之间差异表达的血浆和尿液细胞因子及其受体。他们被分为 6 组,白细胞介素、转化生长因子-b (TGF-β) 家族、肿瘤坏死因子 (TNF) 家族、干扰素、趋化因子和其他细胞因子。p 值通过 Wilcoxon 检验计算 (p < 0.05)。其中 20 个与不同的免疫细胞相匹配。

(B) 通过 Cytoscape 的 ClueGO 插件可视化的上述失调细胞因子和受体在高反应者和低反应者之间的 GO 富集。

见图

 接种疫苗前使用蛋白质组学数据整合的疫苗接种反应预测模型。

图六

(A) 构建预测模型的工作流程。60 名同时具有血浆和尿液蛋白质组学数据的参与者被视为发现队列。另外招募了 71 名独立参与者作为培训队列,另外 71 名参与者被招募为测试队列。

(B) 选取 10 种血浆蛋白构建 10 分子模型,计算曲线下面积 (AUC) 值。

(C) 选取 10 种尿蛋白构建 10 分子模型,计算 AUC 值。

(D) 选取 8 个临床特征构建 8 分子模型,计算 AUC 值。

(E) 血浆和临床特征的结合,用于构建预测模型。

(F) 尿液和临床特征的结合,用于构建预测模型。

(G) 构建预测模型的血浆、尿液和临床特征的组合。

02

研究结论

总体而言,本研究对接受 BBIBP-CorV 疫苗的参与者的血浆和尿液样本进行了全面的蛋白质组学分析。我们开发了一个模型,用于根据基线蛋白质和临床特征预测中和抗体反应。在基线时调节免疫状态可能为增强 COVID-19 疫苗效力提供一种新策略。