Иммунофенотипирование циркулирующих лейкоцитов как инструмент оптимизации диагностики каротидного атеросклероза с использованием методов машинного обучения

Генкель В. В.; Долгушин И. И.; Астанин П. А.; Савочкина А. Ю.; Батурина И. Л.; Никушкина К. В.; Минасова А. А.; Сумеркина В. А.; Пыхова Л. Р.; Кузнецова А. С.; Шапошник И. И.

Статья

Иммунофенотипирование циркулирующих лейкоцитов как инструмент оптимизации диагностики каротидного атеросклероза с использованием методов машинного обучения

Генкель В. В.,

Долгушин И. И.,

Астанин П. А.,

Савочкина А. Ю.,

Батурина И. Л.,

Никушкина К. В.,

Минасова А. А.,

Сумеркина В. А.,

Пыхова Л. Р.,

Кузнецова А. С.,

Шапошник И. И.

2022

https://doi.org/10.52727/2078-256X-2022-18-3-208-221

Целью исследования являлось изучение возможности использования иммунофенотипирования циркулирующих лимфоцитов, нейтрофилов и моноцитов в целях диагностики прогностически неблагоприятного каротидного атеросклероза с применением алгоритмов машинного обучения.Материал и методы. В исследовании приняли участие пациенты в возрасте 40–64 лет, которым было проведено дуплексное сканирование сонных артерий и артерий нижних конечностей. Фенотипирование и дифференцировку субпопуляций лимфоцитов, нейтрофилов и моноцитов осуществляли методом проточной цитометрии на аппарате «Navios 6/2» (Beckman Coulter, США). Статистическая обработка данных производилась с использованием программно-прикладного пакета SPSS 23 и собственных программных наработок, созданных с использованием основных библиотек языка программирования Python 3.8 (Scikit-learn, Pandas, Numpy, Scipy) и IDE Spyder.Результаты. В исследование были включены 78 пациентов, 39 (50,0 %) мужчин и 39 (50,0 %) женщин, медиана возраста 50,0 года. Возраст старше 56 лет (р = 0,001), повышенное содержание холестерина липопротеинов низкой плотности (ХС ЛПНП) (р < 0,001) и мочевой кислоты (р = 0,001), а также иммуносупрессорных нейтрофилов (р = 0,005) статистически значимо ассоциированы с развитием каротидных атеросклеротических бляшек. В то же время уменьшение популяций проангиогенных нейтрофилов (р = 0,009), классических моноцитов, экспрессирующих CD36 (р = 0,019), неклассических моноцитов (р = 0,021), промежуточных моноцитов, экспрессирующих TLR4 (р = 0,033), а также классических моноцитов, экспрессирующих TLR2 (р = 0,044), статистически значимо ассоциировано с повышенным шансом наличия каротидных атеросклеротических бляшек. Были созданы две прогностические модели. Первая модель включала базовые клинико-лабораторные параметры (возраст, содержание ХС ЛППН, мочевой кислоты), вторая – все отобранные параметры, а также иммунологические показатели. Включение выявленных иммунологических предикторов в модель привело к значимому увеличению всех стандартных метрик качества бинарной классификации. Точность модели возросла на 13 % (р = 0,014), чувствительность – на 20 % (р = 0,003), специфичность – на 6 % (р = 0,046), прогностическая ценность положительного результата – на 9 % (p = 0,037), прогностическая ценность отрицательного результата – на 16 % (р = 0,011). По данным ROC-анализа, без включения в модель иммунологических предикторов площадь под ROC-кривой (AUC) составляла 0,765 [0,682; 0,848], включение же иммунологических предикторов приводило к статистически значимому увеличению AUC (0,906 [0,854; 0,958], р = 0,041).Заключение. У пациентов 40–64 лет без установленных атеросклеротических сердечно-сосудистых заболеваний включение в модель иммунологических маркеров, получаемых при иммунофенотипировании лейкоцитов, позволило увеличить ее диагностическую эффективность в отношении выявления прогностически неблагоприятного каротидного атеросклероза. Диагностическую ценность продемонстрировали субпопуляции моноцитов, экспрессирующих TLR2, TLR4 и CD36, а также иммуносупрессорные и проангиогенные нейтрофилы.

Генкель В. В., Долгушин И. И., Астанин П. А., Савочкина А. Ю., Батурина И. Л., Никушкина К. В., Минасова А. А., Сумеркина В. А., Пыхова Л. Р., Кузнецова А. С., Шапошник И. И. Иммунофенотипирование циркулирующих лейкоцитов как инструмент оптимизации диагностики каротидного атеросклероза с использованием методов машинного обучения. Атеросклероз. 2022;18(3):208-221. https://doi.org/10.52727/2078-256X-2022-18-3-208-221

Цитирование

Список литературы

1. Virani S.S., Alonso A., Aparicio H.J., Benjamin E.J., Bittencourt M.S., Callaway C.W., Carson A.P., Chamberlain A.M., Cheng S., Delling F.N., Elkind M.S.V., Evenson K.R., Ferguson J.F., Gupta D.K., Khan S.S., Kissela B.M., Knutson K.L., Lee C.D., Lewis T.T., Liu J., Loop M.S., Lutsey P.L., Ma J., Mackey J., Martin S.S., Matchar D.B., Mussolino M.E., Navaneethan S.D., Perak A.M., Roth G.A., Samad Z., Satou G.M., Schroeder E.B., Shah S.H., Shay C.M., Stokes A., VanWagner L.B., Wang N.Y., Tsao C.W., American Heart Association Council on Epidemiology and Prevention Statistics Committee and Stroke Statistics Subcommittee. Heart Disease and Stroke Statistics-2021 Update: A Report From the American Heart Association. Circulation, 2021; 143 (8): e254– e743. doi: 10.1161/CIR.0000000000000950

2. Wu W.Y., Berman A.N., Biery D.W., Blankstein R. Recent trends in acute myocardial infarction among the young. Curr. Opin. Cardiol., 2020; 35 (5): 524– 530. doi: 10.1097/HCO.0000000000000781

3. Garg N., Muduli S.K., Kapoor A., Tewari S., Kumar S., Khanna R., Goel P.K. Comparison of different cardiovascular risk score calculators for cardiovascular risk prediction and guideline recommended statin uses. Indian Heart J., 2017; 69 (4): 458–463. doi: 10.1016/j.ihj.2017.01.015

4. Martins A.M.A., Paiva M.U.B., Paiva D.V.N., de Oliveira R.M., Machado H.L., Alves L.J.S.R., Picossi C.R.C., Faccio A.T., Tavares M.F.M., Barbas C., Giraldez V.Z.R., Santos R.D., Monte G.U., Atik F.A. Innovative Approaches to Assess Intermediate Cardiovascular Risk Subjects: A Review From Clinical to Metabolomics Strategies. Front. Cardiovasc. Med., 2021; 8: 788062. doi: 10.3389/fcvm.2021.788062

5. Клесарева Е.А., Афанасьева О.И., Шерстюк Е.Е., Тмоян Н.А., Разова О.А., Тюрина А.В., Афанасьева М.И., Ежов М.В., Покровский С.Н. Гиперлипопротеидемия (а) и повышенный уровень С-реактивного белка как факторы риска стенозирующего мультифокального атеросклероза у пациентов молодого и среднего возраста. Терапевт. арх., 2022; 4 (94): 479–484. doi: 10.26442/00403660.2022.04.201454

6. Hoogeveen R.M., Pereira J.P.B., Nurmohamed N.S., Zampoleri V., Bom M.J., Baragetti A., Boekholdt S.M., Knaapen P., Khaw K.T., Wareham N.J., Groen A.K., Catapano A.L., Koenig W., Levin E., Stroes E.S.G. Improved cardiovascular risk prediction using targeted plasma proteomics in primary prevention. Eur. Heart. J., 2020; 41 (41): 3998–4007. doi: 10.1093/eurheartj/ehaa648

7. Vaes B., Indestege P., Serneels T., Hegendörfer E., van Peet P.G., Poortvliet R.K.E., Wallemacq P., Gussekloo J., Degryse J. Biomarkers versus traditional risk factors to predict cardiovascular events in very old adults: cross-validated prospective cohort study. BMJ Open, 2020; 10 (6): e035809. doi: 10.1136/bmjopen-2019-035809

8. Курилова О.В., Киселева А.В., Мешков А.Н., Сотникова Е.А., Ершова А.И., Иванова А.А., Лимонова А.С., Драпкина О.М. Шкалы для оценки генетического риска развития сахарного диабета 2-го типа. Профилакт. медицина, 2021; 24 (12): 115–122. doi: 10.17116/profmed202124121115

9. Libby P. Inflammation in atherosclerosis – no longer a theory. Clin. Chem., 2021; 67 (1): 131–142. doi: 10.1093/clinchem/hvaa275

10. Reddy A.S., Uceda D.E., Al Najafi M., Dey A.K., Mehta N.N. PET Scan with Fludeoxyglucose/Computed Tomography in Low-Grade Vascular Inflammation. PET Clin., 2020; 15 (2): 207–213. doi: 10.1016/j.cpet.2019.11.009

11. Hong L.Z., Xue Q., Shao H. Inflammatory Markers Related to Innate and Adaptive Immunity in Atherosclerosis: Implications for Disease Prediction and Prospective Therapeutics. J. Inflamm. Res., 2021; 14: 379–392. doi: 10.2147/JIR.S294809

12. Björkegren J.L.M., Lusis A.J. Atherosclerosis: Recent developments. Cell., 2022; 185 (10): 1630–1645. doi: 10.1016/j.cell.2022.04.004

13. Li H., Zhang P., Yuan S., Tian H., Tian D., Liu M. Modeling analysis of the relationship between atherosclerosis and related inflammatory factors. Saudi J. Biol. Sci., 2017; 24 (8): 1803–1809. doi: 10.1016/j.sjbs.2017.11.016

14. Wainstein M.V., Mossmann M., Araujo G.N., Gonçalves S.C., Gravina G.L., Sangalli M., Veadrigo F., Matte R., Reich R., Costa F.G., Andrades M., da Silva A.M.V., Bertoluci M.C. Elevated serum interleukin-6 is predictive of coronary artery disease in intermediate risk overweight patients referred for coronary angiography. Diabetol. Metab. Syndr., 2017; 9: 67. doi: 10.1186/s13098-017-0266-5

15. Стахнёва Е.М., Рагино Ю.И. Современные методы исследования атеросклероза и ишемической болезни сердца: проточная цитометрия. Бюл. сиб. медицины. 2021; 20 (2): 184–190. doi: 10.20538/1682-0363-2021-2184-190

16. Baumer Y., Gutierrez-Huerta C.A., Saxena A., Dagur P.K., Langerman S.D., Tamura K., Ceasar J.N., Andrews M.R., Mitchell V., Collins B.S., Yu Q., Teague H.L., Playford M.P., Bleck C.K.E., Mehta N.N., McCoy J.P., Powell-Wiley T.M. Immune cell phenotyping in low blood volumes for assessment of cardiovascular disease risk, development, and progression: a pilot study. J. Transl Med., 2020; 18 (1): 29. doi: 10.1186/s12967-020-02207-0

17. Каледина Е.А., Каледин О.Е., Кулягина Т.И. Применение методов машинного обучения для предсказания сердечнососудистых заболеваний на малых наборах данных. Проблемы информатики, 2022; 1 (54): 66–75. doi: 10.24412/2073-0667-2022-1-66-76

18. Sánchez-Cabo F., Rossello X., Fuster V., Benito F., Manzano J.P., Silla J.C., Fernández-Alvira J.M., Oliva B., Fernández-Friera L., López-Melgar B., Mendiguren J.M., Sanz J., Ordovás J.M., Andrés V., Fernández-Ortiz A., Bueno H., Ibáñez B., GarcíaRuiz J.M., Lara-Pezzi E. Machine Learning Improves Cardiovascular Risk Definition for Young, Asymptomatic Individuals. J. Am Coll. Cardiol., 2020; 76 (14): 1674–1685. doi: 10.1016/j.jacc.2020.08.017

19. Генкель В.В., Кузнецова А.С., Лебедев Е.В., Шапошник И.И. Факторы, связанные с наличием прогностически неблагоприятного каротидного атеросклероза у мужчин и женщин старше 40 лет. Атеросклероз и дислипидемии, 2021; 4 (45): 33–40. doi: 10.34687/2219-8202.JAD.2021.04.0004

20. Johri A.M., Nambi V., Naqvi T.Z., Feinstein S.B., Kim E.S.H., Park M.M., Becher H., Sillesen H. Recommendations for the Assessment of Carotid Arterial Plaque by Ultrasound for the Characterization of Atherosclerosis and Evaluation of Cardiovascular Risk: From the American Society of Echocardiography. J. Am Soc. Echocardiogr., 2020; 33 (8): 917–933. doi: 10.1016/j.echo.2020.04.021

21. Vassalle C. New biomarkers and traditional cardiovascular risk scores: any crystal ball for current effective advice and future exact prediction? Clin. Chem. Lab. Med., 2018; 56 (11): 1803–1805. doi: 10.1515/cclm2018-0490

22. Stakhneva E.M., Striukova E.V., Ragino Y.I. Proteomic Studies of Blood and Vascular Wall in Atherosclerosis. Int. J. Mol. Sci., 2021; 22 (24): 13267. doi: 10.3390/ijms222413267

23. Bargieł W., Cierpiszewska K., Maruszczak K., Pakuła A., Szwankowska D., Wrzesińska A., Gutowski Ł., Formanowicz D. Recognized and Potentially New Biomarkers-Their Role in Diagnosis and Prognosis of Cardiovascular Disease. Medicina (Kaunas), 2021; 57 (7): 701. doi: 10.3390/medicina57070701

24. Fani L., van der Willik K.D., Bos D., Leening M.J.G., Koudstaal P.J., Rizopoulos D., Ruiter R., Stricker B.H.C., Kavousi M., Ikram M.A., Ikram M.K. The association of innate and adaptive immunity, subclinical atherosclerosis, and cardiovascular disease in the Rotterdam Study: A prospective cohort study. PLoS Med., 2020; 17 (5): e1003115. doi: 10.1371/journal.pmed.1003115

25. Hong L.Z., Xue Q., Shao H. Inflammatory Markers Related to Innate and Adaptive Immunity in Atherosclerosis: Implications for Disease Prediction and Prospective Therapeutics. J. Inflamm. Res., 2021; 14: 379–392. doi: 10.2147/JIR.S294809

26. Feinstein M.J., Buzkova P., Olson N.C., Doyle M.F., Sitlani C.M., Fohner A.E., Huber S.A., Floyd J., Sinha A., Thorp E.B., Landay A., Freiberg M.S., Longstreth W.T.Jr., Tracy R.P., Psaty B.M., Delaney J.A. Monocyte subsets, T cell activation profiles, and stroke in men and women: The Multi-Ethnic Study of Atherosclerosis and Cardiovascular Health Study. Atherosclerosis, 2022; 351: 18–25. doi: 10.1016/j.atherosclerosis.2022.05.007

27. Genkel V., Dolgushin I., Baturina I., Savochkina A., Nikushkina K., Minasova A., Kuznetsova A., Shaposhnik I. Associations between Circulating VEGFR2hiNeutrophils and Carotid Plaque Burden in Patients Aged 40-64 without Established Atherosclerotic Cardiovascular Disease. J. Immunol. Res., 2022; 2022: 1539935. doi: 10.1155/2022/1539935

28. Долгушин И.И., Генкель В.В., Батурина И.Л., Савочкина А.Ю., Минасова А.А., Никушкина К.В., Пыхова Л.Р., Кузнецова А.С., Шапошник И.И. Взаимосвязи иммуносупрессорных нейтрофилов и показателей врожденного и адаптивного иммунитета у пациентов с субклиническим атеросклерозом. Мед. иммунология, 2022; 24 (2): 283–294. doi: 10.15789/1563-0625-IBI-2463

29. Gupta S., Maratha A., Siednienko J., Natarajan A., Gajanayake T., Hoashi S., Miggin S. Analysis of in flammatory cytokine and TLR expression levels in Type 2 Diabetes with complications. Sci. Rep., 2017; 7 (1): 7633. doi: 10.1038/s41598-017-07230-8

30. Sadeghi K., Wisgrill L., Wessely I., Diesner S.C., Schüller S., Dürr C., Heinle A., Sachet M., Pollak A., Förster-Waldl E., Spittler A. GM-CSF Down-Regulates TLR Expression via the Transcription Factor PU.1 in Human Monocytes. PLoS One., 2016; 11 (10): e0162667. doi: 10.1371/journal.pone. 0162667

31. Zamora C., Cantó E., Nieto J.C., Angels Ortiz M., Juarez C., Vidal S. Functional consequences of CD36 downregulation by TLR signals. Cytokine, 2012; 60 (1): 257–265. doi: 10.1016/j.cyto.2012.06.020

32. Газатова Н.Д., Меняйло М.Е., Малащенко В.В., Гончаров А.Г., Мелащенко О.Б., Морозова Е.М., Селедцов В.И. Прямые эффекты гранулоцитарномакрофагального колониестимулирующего фактора на функциональные свойства моноцитов/макрофагов человека. Мед. иммунология, 2019; 21 (3): 419–426. doi: 10.15789/1563-0625-2019-3-419-426

33. Boyer J.F., Balard P., Authier H., Faucon B., Bernad J., Mazières B., Davignon J.L., Cantagrel A., Pipy B., Constantin A. Tumor necrosis factor alpha and adalimumab differentially regulate CD36 expression in human monocytes. Arthritis Res. Ther., 2007; 9 (2): R22. doi: 10.1186/ar2133

34. Herrero-Cervera A., Soehnlein O., Kenne E. Neutrophils in chronic inflammatory diseases. Cell. Mol. Immunol., 2022; 19 (2): 177–191. doi: 10.1038/s41423-021-00832-3

35. Qi X., Yu Y., Sun R., Huang J., Liu L., Yang Y., Rui T., Sun B. Identification and characterization of neutrophil heterogeneity in sepsis. Crit. Care., 2021; 25 (1): 50. doi: 10.1186/s13054-021-03481-0

36. Filep J.G. Targeting Neutrophils for Promoting the Resolution of Inflammation. Front. Immunol., 2022; 13: 866747. doi: 10.3389/fimmu.2022.866747

37. Salminen A. Increased immunosuppression impairs tissue homeostasis with aging and age-related diseases. J. Mol. Med. (Berl.), 2021; 99 (1): 1–20. doi: 10.1007/s00109-020-01988-7

38. Williams M.C., Newby D.E. Machine learning to predict cardiac events in asymptomatic individuals. Atherosclerosis, 2021; 318: 38–39. doi: 10.1016/j.atherosclerosis.2020.12.006

Документы

Источник

Информация

Автор

Генкель В. В. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Долгушин И. И. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Астанин П. А. Федеральное государственное автономное образовательное учреждение высшего образования Российский национальный исследовательский медицинский университет имени Н.И. Пирогова Министерства здравоохранения Российской Федерации
Савочкина А. Ю. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Батурина И. Л. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Никушкина К. В. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Минасова А. А. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Сумеркина В. А. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Пыхова Л. Р. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Кузнецова А. С. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Шапошник И. И. Федеральное государственное бюджетное образовательное учреждение высшего образования Южно-Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации

Название журнала

Атеросклероз

Ключевые слова

Статья