All
 
|
 
 


Statistically significant T-cell populations during diagnosis of scattered sclerosis
 
PIIS102872210005023-0-1
DOI10.31857/S102872210005023-0
Publication type Article
Status Published
Authors
Y. Kozichuk 
Occupation: Graduated student, Faculty of Control Systems and Robotics, IFMO University
Affiliation: IFMO University
Address: Russian Federation, St. Petersburg
A. Ilves
Occupation: Senior researcher, laboratory of neuroimmunology, N. P. Bechtereva Institute of the Human Brain of the Russian Academy of Sciences
Affiliation: N. P. Bechtereva Institute of the Human Brain of the Russian Academy of Sciences
Address: Russian Federation, St. Petersburg
I. Kudryavtsev
Occupation: Senior researcher, department of immunology, “Institute of Experimental Medicine”
Affiliation: “Institute of Experimental Medicine”
Address: Russian Federation, St. Petersburg
D. Moskalenko
Occupation: Graduated student, Faculty of Technological Management and Innovations, IFMO University
Affiliation: IFMO University
Address: Russian Federation, St. Petersburg
O. Novoselova
Occupation: Junior researcher, laboratory of neurorehabilitation, N. P. Bechtereva Institute of the Human Brain of the Russian Academy of Sciences
Affiliation: N. P. Bechtereva Institute of the Human Brain of the Russian Academy of Sciences
Address: Russian Federation, St. Petersburg
K. Rubanik
Occupation: Junior researcher, laboratory of neurorehabilitation, N. P. Bechtereva Institute of the Human Brain of the Russian Academy of Sciences
Affiliation: N. P. Bechtereva Institute of the Human Brain of the Russian Academy of Sciences
Address: Russian Federation, St. Petersburg
M. Serebriakova
Occupation: Research Associate, department of immunology, Federal State Budgetary Scientific Institution “Institute of Experimental Medicine”
Affiliation: Federal State Budgetary Scientific Institution “Institute of Experimental Medicine”
Address: Russian Federation, St. Petersburg
D. Starov
Occupation: Graduated student, Faculty of Control Systems and Robotics, IFMO University
Affiliation: IFMO University
Address: Russian Federation, St. Petersburg
B. Timchenko
Occupation: Graduated student, Faculty of Control Systems and Robotics, IFMO University
Affiliation: IFMO University
Address: Russian Federation, St. Petersburg
L. Prakhova
Occupation: Head of the laboratory of neurorehabilitation, N. P. Bechtereva Institute of the Human Brain of the Russian Academy of Sciences
Affiliation: N. P. Bechtereva Institute of the Human Brain of the Russian Academy of Sciences
Address: Russian Federation, St. Petersburg
I. Lobanov
Occupation: Docent, Department of Control Systems and Robotics, IFMO University
Affiliation: IFMO University
Address: Russian Federation, St. Petersburg
Journal nameRossiiskii immunologicheskii zhurnal
EditionVolume 13 (22) Issue 1
Pages69-77
Abstract

To search for statistically signifi cant T-cell populations in the diagnosis of multiple sclerosis (MS). The analysis of the absolute content of various subpopulations of T-lymphocytes (T-helpers (Th) and cytotoxic T-cells (Tcyt)) in the peripheral blood of 61 healthy volunteers and 47 patients with MS was carried out using multi-color fl ow cytometry. Based on the expression of diff erentiation markers (CD45RA, CD62L, CD27 and CD28) and eff ector molecules (CD56 and CD57), Th and Tcyt were divided into main populations at diff erent stages of maturation. The following statistically signifi cant populations of T-cells were identifi ed: CD56–CD57+ T-lymphocytes, Em Th, EM3 Tcyt, CD56+CD57– T-lymphocytes, EM2 Tcyt. The signifi cance of these populations was also confi rmed in the calculation of Chi-square statistics. Based on the information received, three groups of T-cell populations were selected. A model for the diagnosis of multiple sclerosis based on the algorithm of K nearest neighbors was built on each group of populations. The accuracy of prediction of the constructed models varies in the range of 0.69–0.90.

Keywordsmultiple sclerosis, machine learning, kNN, T-cells, fl ow cytometry
Publication date28.08.2019
Number of characters19061
Cite  
100 rub.
When subscribing to an article or issue, the user can download PDF, evaluate the publication or contact the author. Need to register.
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной

Table of contents

ВВЕДЕНИЕ
МАТЕРИАЛЫ И МЕТОДЫ
РЕЗУЛЬТАТЫ
ОБСУЖДЕНИЕ
1

ВВЕДЕНИЕ
2 Раннее выявление любого заболевания является залогом успешного лечения и выздоровления пациента, поэтому в современном мире значительные усилия прилагаются к совершенствованию медицинской диагностики. В 2016 году в Российской Федерации было выявлено 519 тысяч случаев злокачественных новообразований, что выше показателя 2016 года на 3% [1]. «Чума XX века» – вирус иммунодефицита человека – всего за 100 лет унес более 20 миллионов жизней. Более 35 миллионов человек в мире в настоящее время стоят на учете с данным диагнозом [2]. В настоящее время существуют ряд заболеваний, тяжело поддающихся диагностике, что частично объясняется недостатком знаний о механизме возникновения заболеваний. К числу таких заболеваний относятся и аутоиммунные заболевания. Для их диагностики нужны новые методы.
3 Ряд задач, для которых человеку тяжело предложить алгоритм решения, может быть решен методами машинного обучения. Есть примеры успешного использования данных методов в таких областях, как интернет-маркетинг, банковская сфера, сфера связи, а также медицинская диагностика. Современные корпорации, включая такие технологические гиганты, как Google и Amazon, активно проводят исследования в данной области и достигают определенных успехов. Например, сотрудники Google в 2018 году опубликовали работу, в которой они при помощи методов глубокого обучения прогнозируют риски сердечно-сосудистых заболеваний на основе снимков глазного дна [3]. Исследователи из Стэнфорда разработали программный комплекс, который самостоятельно диагностирует пневмонию, используя рентгеновские снимки грудной клетки, причем точность предсказания сравнима с навыками опытного рентгенолога [4]. Группа немецких ученых в 2014 году опубликовала работу, в которой был представлен алгоритм, детектирующий циркулирующие опухолевые клетки в периферической крови [5].
4 В данной работе мы будем рассматривать рассеянный склероз, являющийся представителем аутоиммунных болезней. Рассеянный склероз (РС) – это широко распространенное нейродегенеративное хроническое заболевание центральной нервной системы. Данному заболеванию, в основном, подвержены лица в возрасте от 10 до 59 лет [6]. В современном мире наблюдается увеличение числа случаев РС, что обусловлено улучшением качества диагностики, повышением возможностей терапии, а также в связи с истинным увеличением больных по неизвестным причинам. По данным Международной Федерации больных рассеянным склерозом в период с 2008 по 2013 гг глобальная распространенность РС возросла с 30 до 33 случаев на 100 000 населения [7].
5 Существует ряд научных трудов, в которых рассеянный склероз изучается методами машинного обучения. В 2007 году была опубликована работа, в которой группа ученых из Индии построила симуляцию распространения аутоиммунных очагов демиелинизации в центральной нервной системе [8]. В 2017 году группа ученых из Франкфуртского университета им. Гёте представила работу, в которой они исследовали применимость методов машинного обучения в прогнозировании рассеянного склероза. В качестве исходных данных были использованы демографические и клинические данные, а также результаты МРТ [9]. В этом же году была опубликована работа, где европейские ученые пытались найти статистически значимые различия между формами РС, используя данные МРТ головного мозга [10].

Number of purchasers: 2, views: 1378

Readers community rating: votes 0 

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/fi  les/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: Radiologist-Level 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 classifi ers. 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 Huff el 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 diff erentiates 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 Mc-Donald 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 modifi ed, version 09/08.
18. Кудрявцев И. В., Борисов А. Г., Кробинец И. И., Савченко А. А., Серебрякова М. К. Определение основных субпопуляций цитотоксических Т-лимфоцитов методом многоцветной проточной цитометрии. Медицинская иммунология 2015, 17(6), 525–538. [Kudryavtsev I. V., Borisov A. G., Krobinets I. I., Savchenko A. A., Serebryakova M. K. Multicolor fl ow cytometric analysis of cytotoxic T cell subsets. Medical Immunology (Russia) 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 diff erentiation. 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 diff erentiation: 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 diff erent 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. [Kudryavtsev I. V., Ilves A. G., Borisov A. G., Mineev K. K., Petrov A. M., Savchenko A. A., Serebriakova M. K., Stoliarov I. D. CCR6-positive T helper subsets of peripheral blood in multiple sclerosis. Cytokines and infl ammation 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-хелперов и цитотоксических Т-лимфоцитов периферической крови при рассеянном склерозе. Цитокины и воспаление 2016. 15, 1. 91–99. [Kudryavtsev I. V., Krobinets I. I., Mineev K. K.1, Serebriakova M. K., Petrov A. M., Stoliarov I. D. Helper and cytotoxic T lymphocyte subsets in patients with multiple sclerosis. Cytokines and inflammation 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-eff ector 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., Pfl uger C. M., Burrows S. R. Defi ciency of CD8+ eff ector memory T cells is an early and persistent feature of multiple sclerosis. Mult Scler 2014, 20(14), 1825–1832.

Система Orphus

Loading...
Up