El potencial del perfil sanguíneo basado en RMN como ensayo de dominio único para predecir la aparición de múltiples enfermedades simultáneamente

El potencial del perfil sanguíneo basado en RMN como ensayo de dominio único para predecir la aparición de múltiples enfermedades simultáneamente

En un estudio reciente publicado en medicina natural Los investigadores estudiaron el potencial de una plataforma metabólica basada en espectroscopia de resonancia magnética nuclear (RMN) para evaluar los riesgos de desarrollar diversas enfermedades.

Studie: Stoffwechselprofile sagen individuelle Ergebnisse bei mehreren Krankheiten voraus. Bildquelle: Forance/Shutterstock

fondo

La identificación y prevención oportuna de los factores de riesgo asociados con el desarrollo de enfermedades son cruciales. Recientemente, se han realizado análisis metabólicos para identificar individuos con alto riesgo; Sin embargo, los datos metabólicos se consideraron insuficientes para estimar el riesgo de enfermedad. La espectroscopia de RMN permite estudios moleculares rápidos y relativamente económicos en comparación con otras técnicas metabolómicas como la espectroscopia de masas.

Sobre el estudio

En el presente estudio, los investigadores examinaron si los perfiles metabólicos serológicos basados ​​en espectroscopia de RMN reflejan el verdadero estado fisiológico de los individuos y contribuyen a los biomarcadores clínicos para estimar el riesgo de desarrollar 24 enfermedades, incluidos cánceres vasculares, metabólicos, respiratorios, neurológicos y musculoesqueléticos en 22 centros.

Se entrenó una red neuronal (NN) para aprender simultáneamente estados metabólicos (MET) específicos de trastornos médicos a partir de 168 marcadores metabólicos determinados cuantitativamente en 117.981 individuos con un seguimiento de 1.400.000 millones de años únicos del Biobanco (BB) del Reino Unido. . Para validar los resultados del modelo, se analizaron cuatro cohortes diferentes, a saber, la cohorte del estudio de Rotterdam, la cohorte de Whitehall II, la cohorte del estudio PROspective of Pravastatin in the Elderly at Risk (PROSPER) y la cohorte del estudio Leiden Longevity PAROFF, utilizando el mismo ensayo metabolómico de 1H NMR.

Además, se analizaron tres cohortes del consorcio BBMRI-NL. Los marcadores incluyeron metabolitos de ácidos grasos y aminoácidos asociados con el equilibrio de líquidos y el metabolismo de los carbohidratos. Se evaluó su asociación con marcadores clínicos de uso común como creatinina, albúmina y glucosa. Se utilizó el modelo de riesgos proporcionales de Cox (CPH) para el análisis y se calcularon los índices de riesgo (HR) y los odds ratios (OR).

Para maximizar la generalización de los resultados del estudio, los datos se dividieron espacialmente por centros de reclutamiento. Una vez obtenidas las estimaciones finales, las predicciones del conjunto de pruebas se agregaron a Whitehall II para su posterior análisis. Los datos fueron analizados por sexo y edad (edad+sexo) únicamente mediante estimadores cardiovasculares de la American Heart Association (ASCVD) y estimadores PANEL (incluidos más de 30 estimadores con examen físico, mediciones de laboratorio y datos de estilo de vida).

Las estimaciones fueron validadas adicionalmente por las puntuaciones CAIDE y FINDRISC para demencia y diabetes tipo II (DT2), respectivamente. Además, las estimaciones de RMN se correlacionaron con la frecuencia de eventos médicos durante el período de observación y se compararon con la información clínica basada en valores delta del índice C. Se determinaron los valores SHAP (Shapely Additive Explanation) para las 24 enfermedades examinadas y se llevó a cabo un análisis UMAP (Uniform Manifold Approximation and Projection) para descubrir qué metabolitos tenían la mayor influencia en los riesgos de enfermedad.

Resultados

La edad promedio de la población de la muestra fue de 58 años, de los cuales el 54% eran mujeres, y los participantes fueron seguidos durante un promedio de 12 años, para un total de 1.435.340 años únicos. Los MET se asociaron con tasas de eventos para las enfermedades estudiadas distintas del cáncer de mama y, en una estimación de 10 años, la combinación de MET y predictores de edad y sexo cumplieron o superaron otras estimaciones.

Además, los datos del MET complementaron las estimaciones clínicas para ocho enfermedades, incluidas la diabetes tipo 2, la insuficiencia cardíaca y la demencia. Los valores altos de OR para diabetes tipo 2, aneurisma de aorta abdominal (AAA) e insuficiencia cardíaca fueron 62, 14 y 11, respectivamente. Por el contrario, los valores de OR para accidente cerebrovascular, evento cardíaco adverso mayor (MACE), fibrilación auricular, demencia por todas las causas y EPOC (enfermedad pulmonar obstructiva crónica) fueron bajos y para asma y glaucoma aún más bajos.

El estado metabólico contenía significativamente menos datos estimados en comparación con las estimaciones clínicas para glaucoma, cataratas y cáncer de colon, piel, próstata y tejido rectal y tenía una estimación mayor que las estimaciones de ASCVD y edad + sexo para enfermedad renal, diabetes tipo 2 y enfermedad hepática. Todos los modelos probados estaban bien calibrados en la cohorte UKBB, y los resultados de las cuatro cohortes externas validaron mejoras discriminatorias significativas al agregar MET a los datos del estimador de edad y sexo para EPOC, diabetes tipo 2, enfermedad de las arterias coronarias (CHD), fibrilación auricular e insuficiencia cardíaca.

Además, los valores del índice C mostraron que los datos MET mejoraron significativamente las estimaciones integrales del PANEL para ocho enfermedades, incluidas EPOC, T2D, MACE, CHD, enfermedad renal, insuficiencia cardíaca y demencia. Las ganancias discriminatorias generalmente resultaron en ganancias de utilidad. Después de los ajustes de los datos MET para predictores clínicos integrales, se obtuvieron estimaciones de FC ajustadas para DT2 (HRPANEL 2.5, HRGe+Género 3.8), insuficiencia cardíaca (HRPANEL 1.5, HRAGe+Género 1.8) y demencia por todas las causas (HRPANEL 1.5, HRAGe+Género 1.6). , MACE (HRPANEL 1.4, HRAge+Sex 1.6) o EPOC (HRPANEL 1.4, HRAge+Sex 1.6) mostraron una clara distinción entre las trayectorias de riesgo de incidentes.

Los MET-HR se validaron externamente con ajustes por edad y sexo para enfermedades coronarias, EPOC, insuficiencia cardíaca, demencia por todas las causas y fibrilación auricular. Los metabolitos altamente potentes identificados incluyeron glicina, tirosina y glutamina, metabolitos del metabolismo de los carbohidratos, albúmina, creatinina, acetilación de glicoproteínas (GlycA), acetoacetato y acetona. Sin embargo, aparte de la albúmina, la creatinina, la glucosa, la creatinina/cistatina C y los lípidos, no se observaron correlaciones fuertes entre los datos de RMN y las estimaciones del PANEL.

Se han observado asociaciones notables entre la creatinina y el AAA, la glucosa y la diabetes tipo 2 y la GlycA con la EPOC y el cáncer de pulmón. Se identificaron albúmina, creatinina, leucina, tirosina y glutamina como los principales factores en el riesgo estimado de demencia por todas las causas. Curiosamente, los perfiles de atribución de los individuos de alto riesgo estuvieron consistentemente dominados por niveles bajos de ácido linoleico (LA), albúmina, ácido docosahexaenoico (DHA), glicina e histidina.

Diploma

En general, los resultados del estudio resaltaron el potencial de los perfiles metabolómicos basados ​​en RMN para dilucidar simultáneamente el riesgo de incidentes de múltiples enfermedades médicas.

Referencia:

• Buergel, T. et al. (2022) „Stoffwechselprofile sagen individuelle Multikrankheitsergebnisse voraus“, Nature Medicine. doi.org/10.1038/s41591-022-01980-3. https://www.nature.com/articles/s41591-022-01980-3