Kaksisuuntaisen mielialahäiriön integroitu luokittelu: Biomarkkerien sisällyttäminen vaiheiden edistymisen seurantaan (BOARDING-PASS)

Perustelut Kaksisuuntainen mielialahäiriö (BD) on hyvin yleinen (noin 1 % yleisväestöstä) ja haitallinen tila, jolle on ominaista krooninen ja etenevä kulku. BD:n luonnollinen historia sisältää tyypillisesti alkuvaiheen ilman oireita, jota seuraa prodromaali-vaihe ja sitten ensimmäisen syndrooman (masennus- tai maniajakson) puhkeaminen. Tämän jälkeen tulee yleensä toistuvia jaksoja, usein ilman täydellistä toipumista jaksojen välillä. Kasvava määrä todisteita tukee käsitystä, että BD:n pitkittäiskulkuun liittyy neuroprogressiivinen prosessi, jolle on ominaista aivojen asteittaiset muutokset ja toiminnallinen heikentyminen. Useat kliiniset tekijät voivat vaikuttaa häiriön kehityskulkuun, kuten affektiivisten jaksojen määrä, psykiatristen ja lääketieteellisten komorbiditeettien esiintyminen, stressaavien elämänkokemusten altistuminen sekä psykiatristen häiriöiden perhehistoria. Neurokuvantamis-tutkimukset ovat jatkuvasti tukeneet BD:n neuroprogressiivista hypoteesia osoittaen aivojen rakenteellisia ja toiminnallisia muutoksia, jotka kehittyvät asteittain taudin edetessä. Poikkeavuuksia on kuvattu myös laajojen hermoverkostojen tasolla. Erityisesti Default Mode Network -verkosto näyttää esittävän muuttuneita hyper- ja hypokonnektiivisuuden kuvioita affektiivisten, frontoparietaalisten ja tarkkaavaisuusjärjestelmien kanssa, jotka kattavat keskeisiä solmukohtia tehokkaan laajamittaisen aivokommunikaation kannalta. Lisäksi rakenteellisia ja toiminnallisia muutoksia on havaittu myös BD-potilaiden terveillä sukulaisilla. Tutkimukset BD:n lisäbiomarkkereista ovat antaneet lisätodisteita häiriön vaiheeseen liittyvästä etenemisestä, erityisesti Brain-Derived Neurotrophic Factor (BDNF) ja tulehdussytokiinien osalta. Yleisesti ottaen hiljattain saavutetut edistysaskeleet BD:n kliinisessä vaiheistamisessa yhdessä biologisten merkkiaineiden (esim. geenien transkription säätely, neurotrofinen signalointi, immunotulehdusreitit, mikrobisto) ja neurokuvantamisen (laajojen aivojärjestelmien rakenne ja toiminta) tunnistamisessa tarjoavat vahvan perustelman moniulotteisen vaiheistusmallin kehittämiselle. Tällainen malli integroisi kliinisiä ja neurobiologisia tietoja mahdollistaen paremman diagnostiikan, ennusteen ja hoidon tarkkuuden.

Erityistavoitteet ja kokeellinen suunnittelu

BOARDING PASS -tutkimuksella on seuraavat tavoitteet:

1. arvioida BD:n kliinistä etenemistä pitkittäisesti 18 kuukauden ajan käyttäen Kupka & Hillegersin vaiheistusmallia;
2. tutkia biologisten ja neurokuvantamismerkkien roolia BD-vaihesiirtymissä (esim. geenien transkription säätely, tulehdus, mikrobistot, rakenteelliset ja toiminnalliset neurokuvantamismittaukset);
3. toteuttaa ennakoiva koneoppimismalli, joka perustuu kliinisten, biologisten ja neurokuvantamistietojen integrointiin, jotta voidaan tarjota yksilöllinen ja datalähtöinen ennuste BD-vaihesiirtymistä.

Tutkimus sisältää 120 henkilön peräkkäisen rekrytoinnin kolmessa neljästä osallistuvasta keskuksesta: UO1 (ASST Fatebenefratelli-Sacco, Milano), UO2 (ASST Papa Giovanni XXIII, Bergamo) ja UO3 (ASL 2 Abruzzo, Lanciano-Vasto-Chieti). Sisällyttämis- ja poissulkemiskriteerit on kuvattu alla.

Sisällyttämiskriteerit:

1. BD:stä kärsivät ja terveet henkilöt, joiden kliininen vaihe kuuluu Kupka ja Hillegers -mallin määrittelemiin, nimittäin:

   vaihe 0 (kohonnut riski: ensimmäisen asteen sukulainen, jolla on BD, ilman psykiatrisia oireita); vaihe 1 (ensimmäisen asteen sukulainen, jolla on BD, epäspesifisten psykiatristen oireiden tai masennusjaksojen läsnä ollessa); vaihe 2 (ensimmäinen hypo/maniakausi, joka mahdollistaa BD-tyypin I tai II diagnoosin DSM-5:n mukaan; APA, 2013); vaihe 3 (toistuvat jaksot: masennus-, hypo/mania- tai sekajaksot); vaihe 4 (jatkuva, ei paraneva häiriö: krooniset masennus-, mania- tai sekajaksot, mukaan lukien nopea sykli);

2. Molempien sukupuolten henkilöt;
3. Ikä ≥ 18 vuotta ja ≤ 70 vuotta;
4. Kyky antaa pätevä kirjallinen tietoon perustuva suostumus.

Poissulkemiskriteerit:

1. Kyvyttömyys antaa pätevä kirjallinen tietoon perustuva suostumus;
2. Älyllisen kehitysvamman läsnäolo;
3. Vakavan samanaikaisen lääketieteellisen tilan läsnäolo;

4. Nykyisen päihdehäiriön läsnäolo. Kirjallisen tietoon perustuvan suostumuksen antamisen jälkeen osallistujat suorittavat perusarvioinnin (T0) ja aloittavat sitten 18 kuukauden seuranta-ajan, joka koostuu kolmesta seuraavasta ajankohdasta: T1 (6 kuukautta T0:n jälkeen), T2 (12 kuukautta T0:n jälkeen) ja T3 (18 kuukautta T0:n jälkeen). T0:ssa ja jokaisessa seuraavassa ajankohdassa osallistujan arviointi sisältää: (i) kliinisen ja psykometrisen arvioinnin; vain T0:ssa, T2:ssa ja T3:ssa, (ii) biologisten merkkiaineiden arvioinnin; ja (iii) aivojen magneettikuvauksen rakenteellisten ja toiminnallisten MRI-tietojen hankkimiseksi.

   Kliininen ja psykometrinen arviointi

   Perustasolla (T0) jokaiselle tutkimusosallistujalle kerätään ja tallennetaan anonymisoituun tietokantaan pääasialliset sosiodemografiset ja kliiniset muuttujat. Nämä sisältävät:

   (a) sosiodemografiset tiedot: ikä, sukupuoli, etninen tausta, koulutustaso, siviilisääty ja ammatillinen asema; (b) kliiniset ominaisuudet: psykiatristen häiriöiden perhehistoria, BD-alatyyppi, BD:n puhkeamisikä ja siihen liittyvät stressaavat elämänkokemukset, sairauden kesto, hoitamattoman sairauden kesto, ikä ensimmäisessä masennus- ja hypo/maniakausissa, ensimmäisen ja viimeisimmän affektiivisen jakson polaarisuus, vallitseva polaarisuus, affektiivisten jaksojen kokonaismäärä eliniän aikana, sekajaksojen tai nopean syklin piirteiden läsnäolo, nykyiset ja aiemmat psykofarmakologiset hoidot, lääketieteelliset ja psykiatriset komorbiditeetit, päihdehäiriön historia, elinikäinen sairaalahoitojen määrä ja itsemurhayritykset.

   Näitä muuttujia käytetään kliinisen vaiheen määrittämiseen T0:ssa Kupka ja Hillegers -mallin (Kupka & Hillegers, 2012) mukaan. Jokaisessa seuraavassa ajankohdassa sosiodemografisia ja kliinisiä tietoja päivitetään vastaavan vaiheen uudelleenmäärittämiseksi ja mahdollisten yhteyksien arvioimiseksi kliinisten muuttujien ja etenemisen todennäköisyyden välillä sairauden edistyneempiin vaiheisiin.

   Kliininen arviointi sisältää lisäksi seuraavien psykometristen asteikkojen ja kyselylomakkeiden täyttämisen: Test di Intelligenza Breve (TIB; Sartori, 1997; Colombo, 2002), täyttöaika noin 5 minuuttia; Hamilton Depression Rating Scale (HDRS-21; Hamilton, 1960; Cassano et al., 1991), täyttöaika noin 20 minuuttia; Hamilton Anxiety Rating Scale (HARS; Hamilton, 1959; Cassano et al., 1991), täyttöaika noin 15 minuuttia; Montgomery-Åsberg Depression Rating Scale (MADRS; Montgomery & Åsberg, 1979; Palma et al., 1999), täyttöaika noin 15 minuuttia; Young Mania Rating Scale (YMRS; Young et al., 1978; Palma et al., 1999), täyttöaika noin 15 minuuttia; ja Global Assessment of Functioning (GAF; Hall, 1995; APA, 1996), täyttöaika noin 2 minuuttia; Family Interview for Genetic Studies (FIGS); Drugs Abuse Screening Test (DAST-10), täyttöaika on arvioitu lähes 5 minuuttiin. TWEAK-testi, jonka täyttöaika on noin 2 minuuttia. Childhood Trauma Questionnaire (CTQ), vaatii 5-10 minuuttia ja annetaan perustasolla. Paykel Scale for Recent Life Events, sen täyttö kestää noin 15 minuuttia ja suoritetaan perustasolla; Clinician Rating Scale (CRS), tallennetaan lähes 2 minuutissa kussakin ajankohdassa ja tarkoitettu potilaiden lääkehoitoon sitoutumisen arviointiin.

   Biologisten merkkiaineiden arviointi: Geenien transkription säätely, tulehdus, mikrobistotiedot

   Biologiset näytteet geeniekspressio-, tulehdus- ja mikrobistoanalyysejä varten kerätään perustasolla, T2:ssa ja T3:ssa. Erityisesti:

   1. stimuloimattomat sylkinäytteet – eli kokonais sylki kerätään lepotilassa ilman maku-, pureskelu- tai farmakologista stimulaatiota – hankitaan käyttämällä puuvillaisia poskiharjoja (Salivette, Sarstedt, Nümbrecht, Saksa) ja säilytetään -20 °C:ssa, kunnes genominen DNA (gDNA) eristetään. Eksosomeja eristetään myös syljestä ja miRNA:t puhdistetaan käyttämällä eksosomi-RNA-eristysjoukkoa.

   2. perifeeriset laskimon verinäytteet kerätään kahteen 5 ml:n tyhjiöputkeen, joka sisältää natriumsitraattia. Seerumi ja solukomponentit erotetaan, ja kokonais-RNA sekä gDNA eristetään PBMC:istä.

      Kaikki kolmessa rekrytointipaikassa (Yksiköt 1, 2 ja 3) kerätyt biologiset näytteet siirretään keskuslaboratorioon (Yksikkö 4) standardoitua käsittelyä ja analyysejä varten, mukaan lukien:

      - LIPIDOMICS lyhyen ketjun rasvahappojen (SCFA) analysoimiseksi syljestä eristettyinä. Derivatisointi LC-MS/MS-analyysia varten suoritetaan.

      Molekyylibiologiset tutkimukset:

      - geeniekspressioanalyysi. mRNA-lajien suhteellinen runsaus PBMC:ssä arvioidaan reaaliaikaisella RT-PCR:llä ja digitaalisella PCR:llä.

      - DNA-metylaatio sekä veri- että syljisoluissa a. yleinen DNA-metylaatiotila analysoidaan käyttämällä Reduced representation bisulfite sequencing (RRBS) -menetelmää (SBS-sekvensointi SURFseq5000-alustalla); b. geenispesifinen DNA-metylaatiotutkimus suoritetaan amplifioidulla bisulfiitti (BS) -käsitellyllä DNA:lla, ja metylaatiotasoja analysoidaan käyttämällä PyroMark Q48 (64).

      - syljeksosomaaliset miRNA:t: miRNOme-analyysi ja valitut miRNA:t verkkotyökaluanalyysin jälkeen reaaliaikaisella PCR:llä ja digitaalisella PCR:llä.

      • Transkriptiotekijöiden DNA-sitoutuminen. ALPHAScreenTM-assay-tekniikka varmistamaan, tunnistetut tunnistelementit geenien promoottoreissa sitoutuvat eri transkriptiotekijöihin ja onko tämä sitoutuminen suoraan moduloitu CpG-motiiivien metylaatioasteen mukaan.
      • Syljen MIKROBISTON KOOSTUMUS 16S rRNA-mikrobistosekvensoinnilla.

      Neurokuvantamisen arviointi

      MRI-arvioinnit suoritetaan käyttäen 3T-skannereita T0:ssa, T2:ssa ja T3:ssa, ja ne sisältävät:

      - Rakenteellinen MRI (sMRI): 3D T1-painotetut kuvat hankitaan käyttäen SPGR-sekvenssiä (TE = minimi (täysi); kallistuskulma, 6°; FOV, 250 mm; kaistanleveys, 31.25; matriisi, 256 x 256) 124 aksiaalisen siivun kanssa, joiden paksuus on 1,3 mm. Kortikaalisen pinnan rekonstruoinnin jälkeen lasketaan paikalliset gyrifikaatioindeksit 68 parseloidulle kortikaaliselle alueelle Desikan atlaksen perusteella käyttäen FreeSurfer v7.1.0. Sovelletaan sitten jackknife-harhaestimaattimenettelyä määrittämään kunkin yksilön osuus ryhmätason kovarianssirakenteeseen, luoden 68×68 yksilökohtaisen etäisyysmatriisin. Tuloksena olevien rakenteellisten kovarianssiverkostojen topologista organisointia analysoidaan sitten Graph Analysis Toolbox -työkalulla.

      - Lepotilafunktionaalinen MRI: rs-fMRI-kuvat hankitaan käyttäen gradienttikaikujen EPI-sekvenssiä 36 aksiaalisen siivun kanssa (TE = 30 ms; TR = 2000 ms; vokselikoko: 3×3×4 mm3; matriisikoko: 64×64; FOV: 192×192 mm2);, hankittu vuorottelevassa järjestyksessä. Jokainen lepotilasesio koostuu 400 volyymista. Esikäsittely suoritetaan käyttäen yhdistelmää FMRIB:n Software Library (FSL) ja mukautettuja MATLAB-skriptejä. Putki sisältää seuraavat vaiheet: (1) uudelleenorientointi standarditilaan; (2) poikkeavien volyymien havaitseminen, jota seuraa spliinipohjainen interpolaatio poikkeavista aikapisteistä; (3) spatiaalinen ja temporaalinen esikäsittely, mukaan lukien liikkeenkorjaus (MCFLIRT), temporaalinen ylipäästösuodatus ja spatiaalinen tasoitus (FWHM = 5 mm); (4) rakenteellisen kuvan aivoeristys; (5) epälineaarinen rekisteröinti MNI152-standarditilaan käyttäen FSL-FNIRT. Staattiset ja dynaamiset funktionaaliset konnektomit estimoidaan laskemalla z-transformoidut Pearsonin korrelaatiokertoimet kaikkien aivoalueiden välillä käytetyssä parselointikaaviossa. Dynaaminen konnektiivisuus lasketaan käyttäen liukuvan ikkunan lähestymistapaa ikkunan pituudella 30 TR ja askelpituudella 2 TR. Nämä vaiheet toteutetaan käyttäen MATLABissa kehitettyä sisäistä ohjelmistoa. Graafiteoreettiset mittarit lasketaan Brain Connectivity Toolboxin (MATLAB) avulla.

      Minimoimaan neurokuvantamistietojen välistä paikkavaihtelua sekä rakenteelliset että funktionaaliset MRI-hankinnat suoritetaan käyttäen harmonisoituja protokollaa kahdessa kuvantamiskeskuksessa, joista kummassakin on 3 T-skanneri. Koneoppimisalgoritmit Kehitetään koneoppimisviitekehys ennustamaan BD:n kliinisiä vaihesiirtymiä integroimalla kerättyjä kliinisiä, biologisia ja neurokuvantamistietoja. Monimuotoisten tietojen integroinnin hallitsemiseksi otamme käyttöön robustit esikäsittelyputket, mukaan lukien tietojen normalisointi, poikkeavien havaintojen havaitseminen ja imputointimenetelmät puuttuvien arvojen käsittelyyn (esim. k-lähimmän naapurin tai moninkertainen imputointi). Koneoppimisanalyysit alkavat tutkimuksen 6. kuukaudessa ja suoritetaan käyttäen MATLABin Statistics and Machine Learning Toolboxia, aluksi tuettuna NeuroMiner-ohjelmistolla (http://proniapredictors.eu/neurominer/index.html), validoitulla ohjelmistoplattformilla, joka on suunniteltu hallitsemaan heterogeenisiä tietoaineistoja. NeuroMiner tarjoaa laajan valikoiman ristiinvalidointiviitekehyksiä, esikäsittelystrategioita, ohjatun oppimisen algoritmeja, piirteiden valintatyökaluja ja ulkoisia validointimenetelmiä. Koneoppimislähestymistapa perustuu ohjattuihin luokittimiin, ensisijaisesti Support Vector Machine (SVM) ja Bayesilaisiin malleihin. Alustavassa vaiheessa luokittelijoita koulutetaan ja testataan alustavissa tietoaineistoissa vertaillakseen vaihtoehtoisia ennustavia malleja kontrolloidussa ympäristössä ja tunnistaakseen parhaiten suoriutuvan algoritmisen konfiguraation. Sitten käytetään piirteiden valintamenetelmiä tunnistaakseen erottelukykyisimmät muuttujat ehdokkaiden piirteiden joukosta. Tämä vaihe on ratkaisevan tärkeä mallin tulkittavuuden parantamiseksi ja ylisovittumisen estämiseksi, erityisesti monimuotoistutkimusten tyypillisissä pienenäyteisissä, korkeadimensioisissa tietoaineistoissa. Itse asiassa piirteiden valinta vähentää tulomuuttujien määrää, minimoi kohinan, alentaa mallin monimutkaisuutta ja parantaa koneoppimisen ennusteiden yleistettävyyttä. Tarvittaessa (eli jos piirteiden avaruuden dimensio on edelleen liian korkea) ylisovittumisen ja laskennallisen kuorman vähentämiseksi voidaan soveltaa pääkomponenttianalyysiä. SVM-luokittelijoita priorisoidaan niiden robustiuden vuoksi korkeadimensioisten, pienenäyteisten tietojen käsittelyssä. Lisäksi sovelletaan luokkapainotusta niin, että virheet vähemmistövaiheissa rangaistaan ankarammin, vähentäen epätasaisten ryhmäkokoisten aiheuttamaa harhaa. Mallin suorituskykyä arvioidaan käyttäen ristiinvalidointitekniikoita (esim. leave-one-out tai stratified k-fold, riippuen tietorakenteesta ja luokkajakaumasta) ja arvioidaan herkkyyden, spesifisyyden, F1-pisteen ja kokonaistarkkuuden suhteen huomioiden mahdollinen luokkien epätasapaino. Ennalta määritelty vähimmäistavoitetarkkuus 90 % vaaditaan mallin käyttöönottoon koko tietoaineistolla. Tutkimuspaikat ja organisatorinen rakenne BOARDING-PASS-tutkimus toteutetaan neljässä toimintayksikössä (UO), joilla kullakin on määritellyt roolit korkealaatuisen tietojen hankinnan ja standardoitujen kliinisten menettelyjen varmistamiseksi.

      • UO1 (ASST Fatebenefratelli-Sacco, Milano) on koordinoiva keskus, vastuussa potilaiden rekrytoinnista ja perusdiagnostiikasta, standardoidusta kliinisten ja biologisten tietojen keräämisestä. UO1:n tutkijat tarjoavat koordinaatiota ja valvontaa monikeskustutkimusverkostossa, ylläpitäen tehokasta viestintää kliinikkojen, tutkijoiden ja teknisen henkilöstön välillä.
      • UO2 (ASST Papa Giovanni XXIII, Bergamo) vastaa osallistujien rekrytoinnista, diagnostiikasta, biologisten näytteiden keräämisestä, rakenteellisista ja lepotila-MRI-tietojen hankinnasta myös UO1:n puolesta sekä rakenteellisesta neurokuvantamisen analyysistä.
      • UO3 (ASL 2 Lanciano-Vasto-Chieti) suorittaa osallistujien rekrytoinnin ja arvioinnin, tietojen keräämisen ja hallinnan, biologisten näytteiden keräämisen sekä rakenteellisten ja funktionaalisten neurokuvantamistietojen hankinnan.
      • UO4 (Teramon yliopisto) toimii keskitettynä tilana, vastuussa biologisista analyyseistä, erityisesti geenien transkription säätelystä ja mikrobistoanalyyseistä. UO4 vastaa myös funktionaalisten neurokuvantamistietojen analyysistä ja koneoppimisalgoritmien toteuttamisesta.