COPD의 바이오마커로서의 타액의 라만 분석 (CORSAI)

이 프로젝트의 주요 목표는 만성 폐쇄성 폐질환(COPD) 환자의 최적화되고 개인화된 관리를 위해 타액의 라만 분광법(RS) 분석을 기반으로 하는 새로운 방법을 만들고 검증하는 것입니다. 임상 도구 데이터와 RS 접근법의 조합은 환자의 적절한 계층화, 즉 COPD 표현형의 조기 식별, 결과적으로 정확한 치료법의 속성, 잠재적 악화 위험 평가 및 치료 준수를 통해 임상 실습의 품질을 향상시킬 것입니다. 도구 및 RS 측정을 인공 지능(AI)과 통합함으로써 환자의 COPD 표현형을 예측하여 의료 시스템의 리소스를 효율적으로 관리할 수 있습니다. 이 작업의 타당성은 비전문 인력이 사용하는 민감하고 빠르며 소형화된 RS를 사용하고 접근 가능한 생체 유체에 POC(point-of care)를 생성함으로써 확증됩니다. 전임상, 임상 및 빅 데이터 관리 분야의 다학제적 접근 방식은 학계, 임상 연구 및 산업의 협력을 통해 달성됩니다.

CORSAI는 충족되지 않은 임상적 필요에서 시작하여 PM을 임상 실습에 통합하고 참여 국가 및 그 이상에 걸쳐 윤리적, 법적 및 사회적 영향에 대한 생물 의학 연구, 임상 연구, 데이터 과학 사이에 긴밀한 연결 고리를 구축할 것입니다. 주요 목표는 GERA 장비를 사용하여 중증도 단계 및 표현형을 특징으로 하는 COPD 환자의 타액에서 RS 신호를 수집하고 해당 CTRL 및 천식 환자(AsP)를 수집하는 것입니다. 데이터세트의 생성 및 상관관계는 특정 목적의 달성으로 이어질 것입니다. I) 특정 COPD, CTRL 및 AsP RF의 식별; II) 타액 내 약물 신호를 통한 치료 순응도 모니터링; III) 기구적 GERA 데이터와 관련된 RF 기반의 COPD 표현형의 정의; IV) 재활 절차 및 효과 모니터링 V) 특정 COPD 환자에 대한 높은 악화 위험의 연관성; VI) RS 데이터베이스로부터 분류 모델 생성; VII) 데이터 분석을 위한 고성능 컴퓨팅의 적용; VIII) 휴대용 RS를 POC로 통합. CORSAI의 참신함은 휴대용 기기 덕분에 침대 옆으로 가져온 고급 방법론에 의존합니다. 타액 수집에 사용되는 최소 침습 절차와 라만 획득 속도는 환자의 치료 순응도를 지속적으로 모니터링하고 악화율이 높은 COPD 표현형을 현대적으로 식별할 수 있는 관련 이점을 나타냅니다. 프로젝트의 타당성은 임상 환경에서 이미 테스트된 생물학적 샘플 및 제안된 기술과 직접적으로 관련됩니다19: i) 임상 시나리오에 적합한 타액의 간편한 수집 및 저장 ii) 최소한의 샘플 준비 및 휴대용 장치를 통해 AI 원격 결정 안내를 통해 비전문 인력이 POC를 사용할 수 있습니다.

샘플 수집: 선택한 모든 대상의 타액 수집은 Salivette(SARSTEDT) 제조업체의 지침에 따라 수행됩니다. COPD와 관련되지 않은 타액 함량의 가변성을 제한하기 위해 수유 및 양치질로부터 적절한 지연 시간이 지난 후 고정된 시간에 모든 피험자로부터 타액을 채취합니다. 사전 분석 매개변수(즉, 수집과 처리 사이의 보관 온도 및 시간), 식이 및 흡연 습관이 적절하게 기록됩니다. 간단히 말해서, 면봉을 제거하고 입에 넣고 60초 동안 씹어 타액 분비를 자극합니다. 그런 다음 면봉을 1,000g에서 2분 동안 원심분리하여 세포 조각과 음식물 찌꺼기를 제거합니다. 수집된 샘플은 -80°C에서 보관됩니다.

샘플 처리: 라만 분석의 경우 SERS(Surface Enhanced Raman Scattering)를 달성하기 위해 각 샘플 한 방울을 알루미늄 호일에 떨어뜨립니다.

데이터 수집: SERS 스펙트럼은 25-100% 범위의 레이저 출력(최대 출력 512mW)으로 785nm에서 작동하는 레이저 광원이 장착된 Aramis Raman 현미경(Horiba Jobin-Yvon, 프랑스)을 사용하여 수집됩니다. 10-30초 사이의 획득 시간이 사용됩니다. 기기는 520.7cm-1의 실리콘 기준 밴드를 사용하여 각 분석 전에 보정됩니다. 라만 스펙트럼은 드롭의 가장자리에서 중심까지 라인 맵을 따라 35개 지점에서 수집됩니다. Spectra는 50x 대물렌즈(Olympus, Japan)를 사용하여 400~1600cm-1 사이의 영역에서 획득됩니다. 스펙트럼 분해능은 약 1.2cm-1입니다. 소프트웨어 패키지 LabSpec 6(Horiba Jobin-Yvon, 프랑스)은 지도 디자인 및 스펙트럼 획득에 사용됩니다.

데이터 처리: 수집된 모든 스펙트럼은 4차 다항식 기준선에 맞고 전용 소프트웨어 LabSpec 6을 사용하여 단위 벡터로 정규화됩니다. 기판의 기여도는 각 스펙트럼에서 제거됩니다. 방법을 검증하기 위한 통계 분석은 다변량 분석 접근법을 사용하여 수행됩니다. 주성분 분석(PCA)은 데이터 차원을 줄이고 주요 추세를 입증하기 위해 수행됩니다. 처음 20개의 주성분(PC)은 분류 모델인 LDA(Linear Discriminant Analysis)에서 사용되어 선택한 그룹 간의 분산을 최대화하는 데이터를 구별합니다. 데이터 과적합을 방지하기 위해 가장 적은 수의 PC가 선택됩니다. LDA 모델의 방법 감도, 정밀도 및 정확도를 평가하기 위해 Leave-one-out 교차 검증 및 혼동 매트릭스 테스트가 사용됩니다. Mann-Whitney는 분석된 그룹 간의 통계적으로 관련된 차이를 확인하기 위해 PC 점수에서 수행됩니다. p-값이 0.05 미만인 계수만 유효한 상관 관계로 가정하고 Spearman's test를 사용하여 상관 및 부분 상관 분석을 수행합니다. 통계분석은 Origin2018(OriginLab, USA)을 이용하여 수행한다.

딥 러닝: 추세를 확인 및 분석하고 COPD 계층화에 대한 예측 및 의사 결정 지원을 개발하는 데 사용할 수 있는 중요한 패턴을 발견하기 위해 딥 러닝 모델을 사용하여 데이터 세트를 분석하고 처리합니다. 분류 성능을 향상시키고 일반화 능력을 향상시키기 위해 데이터 증가 및 자동 하이퍼파라미터 최적화 기술을 개발할 것입니다. 예측 정확도와 해석 가능성 사이의 절충점에 도달하기 위해 가장 유익한 스펙트럼 특징을 추출하기 위한 식별 패턴을 식별하기 위해 스펙트럼의 활성 변수를 시각화하기 위해 클래스 활성화 매핑(CAM) 기반 접근 방식을 적용합니다.

UNIMIB 및 GERA는 전체 스펙트럼에서 활성 변수를 식별하고 CNN 모델의 내부 기능 표현 및 데이터 변환 파이프라인을 해석하기 위한 설명 메커니즘을 구현합니다. UNIMIB와 GERA는 환자별 분류를 위해 모듈식 계산 파이프라인에 다양한 계산 모듈을 통합할 것입니다.