EN | RU
EN | RU

Поддержка Медзнат

Назад

Определение роли мультиомики и машинного обучения в прогнозировании клинического ответа на адалимумаб и этанерцепт у пациентов с ревматоидным артритом

Определение роли мультиомики и машинного обучения в прогнозировании клинического ответа на адалимумаб и этанерцепт у пациентов с ревматоидным артритом Определение роли мультиомики и машинного обучения в прогнозировании клинического ответа на адалимумаб и этанерцепт у пациентов с ревматоидным артритом
Определение роли мультиомики и машинного обучения в прогнозировании клинического ответа на адалимумаб и этанерцепт у пациентов с ревматоидным артритом Определение роли мультиомики и машинного обучения в прогнозировании клинического ответа на адалимумаб и этанерцепт у пациентов с ревматоидным артритом

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.

Смотреть все

ГЛАВНЫЕ ТЕЗИСЫ

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).

Предпосылки к проведению исследования

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.

Методология

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.

Результаты

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


Заключение

Модели машинного обучения с поддержкой молекулярных сигнатур способны точно рассчитать реакцию пациента до начала лечения адалимумабом и этанерцептом.

Источник:

Arthritis & Rheumatology

Публикация:

Multi-omics and machine learning accurately predicts clinical response to Adalimumab and Etanercept therapy in patients with rheumatoid arthritis

Авторы:

Weiyang Tao и соавт.

Комментарии (0)

Вы хотите удалить этот комментарий? Пожалуйста, укажите комментарий Неверное текстовое содержимое Текст не может превышать 1000 символов Что-то пошло не так Отменить Подтвердить Подтвердить удаление Скрыть ответы Вид Ответы Смотреть ответы en ru
Попробуйте поиск по словам: