基于代谢组学与机器学习的弱畸精子症新型生物标志物发现及精准诊断模型构建

　　研究人员通过UPLC-Q-TOF/MS技术分析弱畸精子症患者代谢谱，鉴定出211种差异代谢物（如1-palmitoyl-2-docosahexaenoyl-sn-glycero-3-phosphocholine和[6]-gingerol），并构建机器学习诊断模型（LR算法AUC达0.963），为男性不育机制研究和临床诊断提供新策略。

　　

弱畸精子症（Oligoasthenozoospermia）以精子数量减少和运动能力受损为特征，是男性不育的重要成因。本研究采用超高效液相色谱-四极杆飞行时间质谱（UPLC-Q-TOF/MS）技术，对比分析30名患者与30名健康对照者的代谢谱，在正离子模式下鉴定1,331种代谢物，负离子模式下鉴定870种代谢物，其中211种存在显著差异。通路分析揭示磷酸戊糖途径（pentose phosphate pathway）、三羧酸循环（TCA cycle）、甘油磷脂代谢（glycerophospholipid metabolism）和脂肪酸代谢（fatty acid metabolism）等关键通路异常。研究进一步运用逻辑回归（LR）、随机森林（RF）和支持向量机（SVM）等机器学习算法评估代谢物的预测效能，发现1-棕榈酰-2-二十二碳六烯酰-sn-甘油-3-磷酸胆碱（1-palmitoyl-2-docosahexaenoyl-sn-glycero-3-phosphocholine）与[6]-姜酚（[6]-gingerol）具有最优预测价值。基于LR构建的诊断模型在训练集中灵敏度达0.93、特异性为1、准确率0.97，AUC达0.998；测试集AUC为0.963。该研究不仅揭示了弱畸精子症的代谢重塑机制，更为其临床诊断提供了高可靠性工具。