Dr. Hood所做的wellness study 2017 @ Simon Liao的Bla Bla Bla

2017年的文獻：A wellness study of 108 individuals using personal, dense, dynamic data clouds

https://www.ncbi.nlm.nih.gov/pubmed/28714965

108個受試者，年齡分布從21歲到89歲，收案對象無任何phenotype考量，歷時9個月，每3個月採樣一次，分析項目包括了：

- 全基因序列分析

- 218項clinical lab test

- 643項代謝物分析

- 262個蛋白質表現分析

- 4616 operational taxonomic units 腸道菌叢16S rRNA序列分析

- 127個polygenic scores GWAS

- 每週體重

- 血壓

- 休息狀態時心跳

- 活動量

- 睡眠狀態

這樣的巨量資訊分析，而且是在non-bias的條件下，難怪作者的標題可以用”personal, dense, dynamic data cloud”進行的”Wellness study”。而這篇2017年發表在Nature Biotechnology的文獻，只是作者的pilot study，他的目標是正要進行的十萬人的樣本收樣分析。

這是一個跨越不同omics的研究，包括了genomics、proteomics、metabolomics，並且與臨床症狀表現相互對照。在文獻前面的introduction當中提到，他們想要做的是從disease care轉移到深入探究”scientific wellness”，試圖以量化的數據分析來了解要維持或改善健康，避免疾病的方式。所以在研究當中，他們也在base line找出”actionable possibilities”來進行行為上的調整(behavior coaching)。

作者是Dr. Leroy Hood的團隊，當初提出system biology的pioneer；Google大神開示他是美國三個國家學院： National Academy of Sciences (NAS, 1982)、National Academy of Engineering(2007)、 National Academy of Medicine (2003)的院士；最早開發蛋白質序列分析、DNA合成設備、peptide合成設備、自動DNA定序儀；提出醫療應該要從reactive轉為proactive，以及P4醫療概念: Predictive, Preventive, Personalized, Participatory的神人，其他無數的獲獎紀錄及成就在wiki小神上有很清楚的記載。

以Dr. Hood的system biology的觀點來看，從genomics開始，到metabolomics，其實才最接近pathophysiology的運作，也就是最終的outcome究竟是function或dysfunction與否。

因此，不管我們給予甚麼樣的名詞，functional medicine也好、precision medicine也好、preventive medicine也好、P4 medicine也好、anti-aging medicine也罷，我們在討論在關注的都是同樣的範圍：wellness。在這篇文獻當中，他們的目標很清楚：在multi-omic profile的長期追蹤分析當中，找出wellness，以及介於wellness和疾病狀態之間狀態的novel pattern。

這篇文獻的研究結果顯示，取前100組成對相關的數據分析，發覺與臨床檢驗或症狀表現相關性最多的是代謝物的分析。相對的，基因的影響較為輕微。由這些數據當中，作者統計出70個具有關聯性的communities，其中排在最前面的，最顯著相關的是cardiometabolic community，當中涵蓋的指標有臨床檢測標的C-peptide、Insulin、HONA-IR、TG、Glucose、small dense LDL particle number，以及最相關的蛋白質表現Leptin、CRP、Fibroblast growth factor 21 (FGF21)、Inhibin beta C chain (INHBC)；另外如cholesterol community當中發現TC和LDL-C與thyroxine的關聯性；serotonin community所看到的SSRI藥物使用與myocardial infraction的關聯性；腸道microbiome community顯示菌相的diversity越高，發炎反應及IL-8等發炎介質越低，同時神經生長因子beta-nerve growth factor (NGF)越高；細菌代謝物如phenylacetylglutamine與慢性腎病變患者的CVD風險關聯性等等。

此外，胺基酸代謝物gamma-glutamyltyrosine為與體重BMI無關的糖尿病獨立風險因子。這樣的指標可能對於東亞地區，許多糖尿病患並未合併有肥胖問題的表現，提供了其他的對於DM的早期偵測指標方向。在2011年的另一篇文獻，Wang等人以2422人在12年前後罹患糖尿病與否的檢體對照研究當中，發現三種支鏈胺基酸(BCAA)及tyrosine和phenylalanine等五種胺基酸代謝與DM有關，特別是其中的Isoleucine, phenylalanine和tyrosine的組合，可以顯示5-7倍的糖尿病發生風險。

這篇研究也看到一些代謝物的甲基化程度的差異性，顯示”甲基化”的課題不只是在epigenomic上，對於代謝物的清除或是表現量上亦有顯著的意義。

研究團隊針對心血管、糖尿病、發炎、壓力等四個主要方向進行包括飲食、運動、壓力管理、營養補充品介入、以及醫療介入等coaching，結果顯示包括維他命D、汞、HbA1c、LDL、HDL、Lipoprotein fractionation、fasting glucose、HOMA-IR、IL-8、TNF-alpha等均會有改善。

在這篇文獻當中，提出了非常大量豐富的數據和結果，甚至在文獻出處網站上，單是supplementary figure等就有十幾張，另外連完整的數據資料excel檔案都提供出來。綜觀而言，這篇龐大的神作指出multi-omic的分析有助於了解健康與疾病之間的差異性，尤其在病變的非常前期階段的表現。而這樣的分析結果也顯示我們現有的臨床實務距離完整的健康照護和疾病預防還有很大的成長空間。

文獻：

Price ND. et al. Nature Biotechnology 2017;35: 747-756.

Wang TJ. et al., Nature Medicine 2011;17:448-454.

https://www.ncbi.nlm.nih.gov/pubmed/28714965