Целью исследования было прогнозирование ответа до начала лечения РА с применением ингибиторов ФНО. В ходе исследования планировалось выяснить механизм, при помощи которого пациенты по-разному реагируют на лечение ингибиторами ФНО при РА.
Согласно результатам недавнего исследования, модели машинного обучения с
поддержкой молекулярных сигнатур способны точно рассчитать реакцию пациента до
начала лечения адалимумабом и этанерцептом. Эти модели способны точно
определить ответ на терапию адалимумабом и этанерцептом у
пациентов с ревматоидным артритом (РА).
Целью исследования было прогнозирование ответа до начала лечения РА с
применением ингибиторов ФНО. В ходе исследования планировалось выяснить
механизм, при помощи которого пациенты по-разному реагируют на лечение
ингибиторами ФНО при РА.
Был определен профиль экспрессии гена и метилирования ДНК в мононуклеарных
клетках периферической крови (МКПК), CD4+ T-лимфоцитах и моноцитах у 80
пациентов с РА до начала приема адалимумаба и этанерцепта.
Для оценки ответа после 6 месяцев терапии использовали критерии Европейской
лиги по борьбе с ревматизмом (EULAR). Исследователи провели анализ
метилирования и дифференциальную экспрессию для распознавания эпигенетических и
транскрипционных сигнатур ответа. При помощи этих сигнатур были построены
модели машинного обучения для расчета реакции перед проведением лечения
ингибиторами ФНО. Полученные данные были позднее подтверждены в ходе
последующего наблюдения.
У пациентов с ответом на адалимумаб или этанерцепт были выявлены различия в транскрипционных сигнатурах в МКПК. Сигнальный путь ФНО был дополнен генами с повышенным уровнем экспрессии в CD4+ T-лимфоцитов у пациентов с ответом на адалимумаб. Благодаря моделям машинного обучения, точность рассчитанных ответов на адалимумаб и этанерцепт составила 85,9 % и 79 % соответственно. При использовании моделей с выборочным метилированием позиций точность прогнозирования составила 84,7 % для адалимумаба и 88 % для этанерцепта.
Таблица. Общая точность
прогнозирования ответа с использованием выборочно метилированных позиций
Модели машинного обучения с поддержкой молекулярных сигнатур способны точно
рассчитать реакцию пациента до начала лечения адалимумабом и этанерцептом.
Arthritis & Rheumatology
Multi-omics and machine learning accurately predicts clinical response to Adalimumab and Etanercept therapy in patients with rheumatoid arthritis
Weiyang Tao и соавт.
Комментарии (0)