СТАТИСТИЧЕСКИ ЗНАЧИМЫЕ ПОПУЛЯЦИИ Т-КЛЕТОК ПРИ ДИАГНОСТИКЕ РАССЕЯННОГО СКЛЕРОЗА

Обложка


Цитировать

Полный текст

Аннотация

Цель исследования: поиск статистически значимых популяций Т-клеток при постановке диагноза рассеянный склероз (РС). С применением многоцветной проточной цитометрии был проведен анализ абсолютного содержания различных субпопуляций Т-лимфоцитов (Т-хелперов, Тх и цитотоксических Т-клеток, Тцит) в периферической крови 61-го условно здорового добровольца и 47-ми больных РС. На основании экспрессии маркеров дифференцировки (CD45RA, CD62L, CD27 и CD28) и эффекторных молекул (CD56 и CD57) Тх и Тцит были разделены на основные популяции, находящиеся на разных стадиях созревания. Выявлены следующие статистически значимые популяции Т-клеток: CD56⁻CD57⁺ T-лимфоциты, EM Тх, EM3 Тцит, EM Тцит, CD56⁺CD57⁻ Т-лимфоциты, EM2 Тцит. Значимость также была подтверждена при расчете статистики Хи-квадрат. На основе полученной информации было выбрано три группы популяций Т-клеток. На каждой группе популяций была построена модель для диагностики рассеянного склероза на базе алгоритма k ближайших соседей. Точность предсказания построенных моделей варьируется в пределах 0.69–0.90. 

Об авторах

Я. В. Козичук

Университет ИТМО

Email: fake@neicon.ru

студент магистратуры, факультет Систем Управления и Робототехники,

Санкт-Петербург

Россия

А. Г. Ильвес

ФГБНУ Институт мозга человека им. Н. П. Бехтеревой РАН

Email: fake@neicon.ru

к. м. н., с. н. с. лаборатории нейроиммунологии,

Санкт-Петербург

Россия

И. В. Кудрявцев

ФГБНУ «Институт экспериментальной медицины»

Автор, ответственный за переписку.
Email: igorek1981@yandex.ru

к. б. н., с. н. с. отдела иммунологии,

197376, Санкт-Петербург, ул. академика Павлова, 12

Россия

Д. А. Москаленко

Университет ИТМО

Email: fake@neicon.ru

студент магистратуры, факультет технологического менеджмента и инноваций,

Санкт-Петербург

Россия

О. М. Новоселова

ФГБНУ Институт мозга человека им. Н. П. Бехтеревой РАН

Email: fake@neicon.ru

м. н. с. лаборатории нейрореабилитации,

Санкт-Петербург

Россия

К. С. Рубаник

ФГБНУ Институт мозга человека им. Н. П. Бехтеревой РАН

Email: fake@neicon.ru

м. н. с. лаборатории нейрореабилитации,

Санкт-Петербург

Россия

М. К. Серебрякова

ФГБНУ «Институт экспериментальной медицины»

Email: fake@neicon.ru

н. с. отдела иммунологии,

Санкт-Петербург

Россия

Д. О. Старов

Университет ИТМО

Email: fake@neicon.ru

студент магистратуры, факультет Систем Управления и Робототехники,

Санкт-Петербург

Россия

Б. А. Тимченко

Университет ИТМО

Email: fake@neicon.ru

студент магистратуры, факультет Систем Управления и Робототехники,

Санкт-Петербург

Россия

Л. Н. Прахова

ФГБНУ Институт мозга человека им. Н. П. Бехтеревой РАН

Email: fake@neicon.ru

д. м. н., заведующая лабораторией нейрореабилитации,

Санкт-Петербург

Россия

И. С. Лобанов

Университет ИТМО

Email: fake@neicon.ru

к. ф.-м. н. доц. факультета Систем Управления и Робототехники,

Санкт-Петербург

Россия

Список литературы

  1. Злокачественные новообразования в России в 2016 году (заболеваемость и смертность), под редакцией А. Д. Каприна, В. В. Старинского, Г. В. Петровой, 2018. Malignant neoplasms in Russia in 2016 (morbidity and mortality). Kaprin A. D., Starinsky V. V., Petrov G.V (eds), 2018.
  2. ЮНЭЙДС. Информационный бюллетень, 2017. URL http://www.unaids.org/sites/default/files/media_asset/UNAIDS_FactSheet_ru.pdf
  3. Poplin R., Varadarajan A. V., Blumer K., Liu Y., McConnell M. V., Corrado G. S., Peng L., Webster D. R. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature Biomedical Engineering 2018, 2, 158–164.
  4. Rajpurkar P., Irvin J., Zhu K., Yang B., Mehta H., Duan T., Ding D., Bagul A., Langlotz C., Shpanskaya K., Lungren M. P., Ng A. Y. CheXNet: RadiologistLevel Pneumonia Detection on Chest X-Rays with Deep Learning. Arxiv preprints, 2017.
  5. Krusekopf S., Lücke J., Thilo Figge M. Automated detection of circulating tumor cells with naive Bayesian classifiers. Cytometry A 2014, 85, 501–511.
  6. Шмидт Т. Е., Яхно Н. Н. Рассеянный склероз: руководство для врачей. МЕДпресс-информ, М., 2016, 272. [Schmidt T. E., Jahno N. N. Multiple sclerosis: a guide for doctors. MEDpress-inform, Moscow, 2016, 272.
  7. Atlas of MS2013. URL: http://www.msif.org/wp-content/uploads/2014/09/Atlas-of-MS.pdf
  8. Raman K. M. T. Simulation of Spread and Control of Lesions in Brain. Computational and Mathematical Methods in Medicine 2012, Article ID383546, 6 pages.
  9. Zhao Y., Healy B. C., Rotstein D., Guttmann C. R., Bakshi R., Weiner H. L., Brodley C. E., Chitnis T. Exploration of machine learning techniques in predicting multiple sclerosis disease course. PLoS One 2017, 12(4), e0174866.
  10. Ion-Mărgineanu A., Kocevar G., Stamile C., Sima D. M., Durand-Dubief F., Van Huffel S., Sappey-Marinier D. Machine Learning Approach for Classifying Multiple Sclerosis Courses by Combining Clinical Data with Lesion Loads and Magnetic Resonance Metabolic Features. Front Neurosci 2017, 11, 398.
  11. Kiiski H., Jollans L., Donnchadha S. Ó., Nolan H., Lonergan R., Kelly S., O’Brien M. C., Kinsella K., Bramham J., Burke T., Hutchinson M., Tubridy N., Reilly R. B., Whelan R. Machine Learning EEG to Predict Cognitive Functioning and Processing Speed Over a 2-Year Period in Multiple Sclerosis Patients and Controls. Brain Topogr 2018, 31, 346–363.
  12. Wottschel V., Alexander D., Kwok P. P., Chard D. T., Stromillo M. L., De Stefano N, Thompson A. J., Miller D. H., Ciccarelli O. Predicting outcome in clinically isolated syndrome using machine learning. NeuroImage Clinical 2015, 7, 281–287.
  13. Bendfeldt K., Klöppel S, Nichols T. E., Smieskova R., Kuster P., Traud S., Mueller-Lenke N., Naegelin Y., Kappos L., Radue E. W., Borgwardt S. J. Multivariate pattern classifi cation of gray matter pathology in multiple sclerosis. NeuroImage, 2012, 60, 400–408.
  14. Eshaghi A., Wottschel V., Cortese R., Calabrese M., Sahraian M. A., Thompson A. J., Alexander D. C., Ciccarelli O. Gray matter MRI differentiates neuromyelitis optica from multiple sclerosis using random forest. Neurology 2016, 87, 2463–2470.
  15. Eshaghi A., Wottschel V., Cortese R., Calabrese M., Sahraian M. A., Thompson A. J., Alexander D. C., Ciccarelli O. Graph Theory-Based Brain Connectivity for Automatic Classifi cation of Multiple Sclerosis Clinical Courses. Front Neurosci 2016, 10, 478.
  16. Polman C. H., Reingold S. C., Banwell B., Clanet M., Cohen J. A., Filippi M., Fujihara K., Havrdova E., Hutchinson M., Kappos L., Lublin F. D., Montalban X., O’Connor P., Sandberg-Wollheim M., Thompson A. J., Waubant E., Weinshenker B., Wolinsky J. S. Diagnostic criteria for multiple sclerosis: 2010 revisions to the McDonald criteria. Ann Neurol 2011, 69, 292–302.
  17. Kurtzke J. F. Rating neurologic impairment in multiple sclerosis: an expanded disability status scale (EDSS). Neurology 1983, 33, 1444–1452, Kappos L. Slightly modified, version 09/08.
  18. Кудрявцев И. В., Борисов А. Г., Кробинец И. И., Савченко А. А., Серебрякова М. К. Определение основных субпопуляций цитотоксических Т-лим фо цитов методом многоцветной проточной цитометрии. Медицинская иммунология 2015, 17(6), 525–538.
  19. Machine Learning, Neural and Statistical Classifi cation. Michie D., Spiegelhalter D. J., Taylor C. C. (eds). Overseas Press, 1994, 290.
  20. Kohav R. A study of cross-validation and bootstrap for accuracy estimation and model selection. In: Proceedings of the Fourteenth International Joint Conference on Artifi cial Intelligence. Kaufmann M. (ed), San Mateo, CA 1995, 1137–1143.
  21. Bergstra J., Bengi Y. Random search for hyper-parameter optimization. The Journal of Machine Learning Research 2012, 13, 281–305.
  22. Focosi D., Bestagno M., Burrone O., Petrini M. CD57+ T lymphocytes and functional immune defi ciency. J Leukoc Biol 2010, 87(1), 107–116.
  23. Chattopadhyay P. K., Betts M. R., Price D. A., Gostick E., Horton H., Roederer M., De Rosa S. C. The cytolytic enzymes granyzme A, granzyme B, and perforin: expression patterns, cell distribution, and their relationship to cell maturity and bright CD57 expression. J Leukoc Biol 2009, 85(1), 88–97.
  24. Le Priol Y., Puthier D., Lecureuil C., Combadiere C., Debre P., Nguyen C., Combadiere B. High cytotoxic and specifi c migratory potencies of senescent CD8+ CD57+ cells in HIV-infected and uninfected individuals. J Immunol 2006, 177(8), 5145–5154.
  25. Okada R., Kondo T., Matsuki F., Takata H., Takiguchi M. Phenotypic classifi cation of human CD4+ T cell subsets and their differentiation. Int Immunol 2008, 20(9), 1189–1199.
  26. Mahnke Y. D., Brodie T. M., Sallusto F., Roederer M., Lugli E. The who’s who of T-cell differentiation: human memory T-cell subsets. Eur J Immunol 2013, 43(11), 2797–2809.
  27. Acosta-Rodriguez E.V., Rivino L., Geginat J., Jarrossay D., Gattorno M., Lanzavecchia A., Sallusto F., Napolitani G. Surface phenotype and antigenic specifi city of human interleukin 17-producing T helper memory cells. Nat Immunol, 2007, 8(6), 639–646.
  28. Rovaris M., Barnes D., Woodrofe N., du Boulay G. H., Thorpe J. W., Thompson A. J., McDonald W.I., Miller D. H. Patterns of disease activity in multiple sclerosis patients: a study with quantitative gadoliniumenhanced brain MRI and cytokine measurement in different clinical subgroups. J Neurol 1996, 243(7), 536–542.
  29. Kebir H., Ifergan I., Alvarez J. I., Bernard M., Poirier J., Arbour N., Duquette P., Prat A. Preferential recruitment of interferon-gamma-expressing TH17 cells in multiple sclerosis. Ann Neurol 2009, 66(3), 390–402.
  30. Shajarian M., Alsahebfosoul F., Etemadifar M., Sedaghat N., Shahbazi M., Firouzabadi F. P., Dezashibi H. M. IL-23 plasma level measurement in relapsing remitting multiple sclerosis (RRMS) patients compared to healthy subjects. Immunol Invest 2015, 44(1), 36–44.
  31. Babaloo Z., Aliparasti M. R., Babaiea F., Almasi S., Baradaran B., Farhoudi M. The role of Th17 cells in patients with relapsing-remitting multiple sclerosis: interleukin-17A and interleukin-17F serum levels. Immunol Lett 2015, 164(2), 76–80.
  32. Кудрявцев И. В., Ильвес А. Г., Борисов А. Г., Минеев К. К., Петров А. М., Савченко А. А., Серебрякова М. К., Столяров И. Д. CCR6-позитивные Т-хелпе ры периферической крови при рассеянном склерозе. Цитокины и воспаление 2016, 15(2), 166–172.
  33. Romero P., Zippelius A., Kurth I., Pittet M. J., Touvrey C., Iancu E. M., Corthesy P., Devevre E., Speiser D. E., Rufer N. Four functionally distinct populations of human effector-memory CD8+ T lymphocytes. J Immunol 2007, 178(7), 4112–4119.
  34. Rufer N., Zippelius A., Batard P., Pittet M. J., Kurth I., Corthesy P., Cerottini J. C., Leyvraz S., Roosnek E., Nabholz M., Romero P. Ex vivo characterization of human CD8+ T subsets with distinct replicative history and partial effector functions. Blood 2003, 102(5), 1779–1787.
  35. Romero P., Zippelius A., Kurth I., Pittet M. J., Touvrey C., Iancu E. M., Corthesy P., Devevre E., Speiser D. E., Rufer N. Four functionally distinct populations of human effector-memory CD8+ T lymphocytes. J Immunol 2007, 178(7), 4112–4119.
  36. Кудрявцев И. В., Ильвес А. Г., Кробинец И. И., Минеев К. К., Серебрякова М. К., Петров А. М., Столяров И. Д. Субпопуляционный состав Т-хел пе ров и цитотоксических Т-лимфоцитов периферической крови при рассеянном склерозе. Цитокины и воспаление 2016. 15, 1. 91–99.
  37. Mikulkova Z., Praksova P., Stourac P., Bednarik J., Michalek J. Imbalance in T-cell and cytokine profi les in patients with relapsing-remitting multiple sclerosis. J Neurol Sci 2011, 300(1–2), 135–141.
  38. Haegele K. F., Stueckle C. A., Malin J. P., Sindern E. Increase of CD8+ T-effector memory cells in peripheral blood of patients with relapsing-remitting multiple sclerosis compared to healthy controls. J Neuroimmunol 2007, 183(1–2), 168–174.
  39. Liu G. Z., Fang L. B., Hjelmström P., Gao X. G. Increased CD8+ central memory T cells in patients with multiple sclerosis. Mult Scler 2007, 13(2), 149–155.
  40. Pender M. P., Csurhes P. A., Pfluger C. M., Burrows S. R. Deficiency of CD8+ effector-memory T cells is an early and persistent feature of multiple sclerosis. Mult Scler 2014, 20(14), 1825–1832.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Козичук Я.В., Ильвес А.Г., Кудрявцев И.В., Москаленко Д.А., Новоселова О.М., Рубаник К.С., Серебрякова М.К., Старов Д.О., Тимченко Б.А., Прахова Л.Н., Лобанов И.С., 2019

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № 77 - 11525 от 04.01.2002.


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах