Рамановский анализ слюны как биомаркера ХОБЛ (CORSAI)

Основной целью проекта является создание и валидация нового метода, основанного на анализе слюны с помощью спектроскопии комбинационного рассеяния (РС) для оптимизированного и персонализированного ведения пациентов с хронической обструктивной болезнью легких (ХОБЛ). Сочетание клинико-инструментальных данных с РС-подходом повысит качество клинической практики за счет соответствующей стратификации пациентов, т. е. раннего выявления фенотипов ХОБЛ, последующего назначения точной терапии, оценки потенциального риска обострений и приверженности терапии. За счет интеграции инструментальных и РС показателей с искусственным интеллектом (ИИ) будет прогнозироваться фенотип больных ХОБЛ, что позволит эффективно направлять ресурсы системы здравоохранения. Целесообразность работы подтверждается применением чувствительного, быстрого и миниатюрного РС, используемого неспециализированным персоналом и для создания пункта оказания медицинской помощи (ТОП) на доступной биожидкости. Междисциплинарный подход в доклинических и клинических областях, а также в области управления большими данными достигается за счет сотрудничества научных кругов, клинических исследований и промышленности.

Исходя из неудовлетворенных клинических потребностей, CORSAI установит тесную связь между биомедицинскими исследованиями, клиническими исследованиями, наукой о данных в направлении интеграции PM в клиническую практику, а также этических, правовых и социальных последствий в странах-участницах и за их пределами. Основной задачей является сбор сигналов РС из слюны больных ХОБЛ, охарактеризованных по стадиям тяжести и фенотипам с помощью инструментов GERA, и соответствующих CTRL и больных астмой (AsP). Создание и корреляция набора данных приведет к достижению конкретных целей: I) Идентификация конкретных ХОБЛ, CTRL и AsP RF; II) Мониторинг приверженности терапии по лекарственному сигналу в слюне; III) Определение фенотипов ХОБЛ на основе РФ, коррелированных с инструментальными данными GERA; IV) Мониторинг реабилитационных процедур и эффектов; V) ассоциация высокого риска обострений с конкретными больными ХОБЛ; VI) создание классификационной модели из базы данных РС; VII) Применение высокопроизводительных вычислений для анализа данных; VIII) Интеграция портативной РС в качестве POC. Новизна CORSAI заключается в передовой методике, переносимой в постель благодаря портативным инструментам. Минимально инвазивная процедура, используемая для сбора слюны, и скорость сбора данных комбинационного рассеяния представляют собой важные преимущества, позволяющие осуществлять непрерывный мониторинг приверженности пациентов к терапии и своевременное различение фенотипов ХОБЛ с высокой частотой обострений. Осуществимость проекта напрямую связана с биологическим образцом и предлагаемой технологией, уже испытанной в клинических условиях19: i) простой сбор и хранение слюны соответствует клиническому сценарию; ii) минимальная подготовка проб и портативное устройство позволяют использовать POC неспециализированным персоналом с удаленным руководством по принятию решений ИИ.

СБОР ОБРАЗЦОВ: Сбор слюны у всех выбранных субъектов будет проводиться в соответствии с инструкциями производителя Salivette (SARSTEDT). Чтобы ограничить изменчивость содержания слюны, не связанную с ХОБЛ, слюна будет получена у всех субъектов в фиксированное время после соответствующего времени задержки после кормления и чистки зубов. Преданалитические параметры (т.е. температура хранения и время между сбором и обработкой), диета и привычка курения будут надлежащим образом зарегистрированы. Вкратце, тампон извлекают, помещают в рот и жуют в течение 60 секунд, чтобы стимулировать слюноотделение. Затем мазок центрифугируют в течение 2 минут при 1000 g для удаления фрагментов клеток и остатков пищи. Собранные образцы будут храниться при температуре -80°C.

ОБРАБОТКА ОБРАЗЦА: Для анализа комбинационного рассеяния капля каждого образца будет отлита на алюминиевую фольгу для достижения поверхностного усиленного комбинационного рассеяния (SERS).

СБОР ДАННЫХ: Спектры SERS будут получены с использованием рамановского микроскопа Aramis (Horiba Jobin-Yvon, Франция), оснащенного лазерным источником света, работающим на длине волны 785 нм с мощностью лазера в диапазоне от 25 до 100% (максимальная мощность 512 мВт). Будет использовано время сбора данных от 10 до 30 секунд. Прибор калибруется перед каждым анализом с использованием эталонной полосы кремния при 520,7 см-1. Спектры комбинационного рассеяния света будут собираться в 35 точках по линейной карте от края к центру капли. Спектры будут получены в диапазоне от 400 до 1600 см-1 с использованием объектива с 50-кратным увеличением (Olympus, Япония). Разрешение спектров составляет около 1,2 см-1. Программный пакет LabSpec 6 (Horiba Jobin-Yvon, Франция) будет использоваться для составления карт и получения спектров.

ОБРАБОТКА ДАННЫХ: Все полученные спектры будут соответствовать полиномиальной базовой линии четвертой степени и нормализованы по единичному вектору с использованием специального программного обеспечения LabSpec 6. Вклад подложки будет удален из каждого спектра. Статистический анализ для проверки метода будет выполняться с использованием подхода многомерного анализа. Анализ основных компонентов (PCA) будет выполняться для уменьшения размерности данных и выявления основных тенденций. Первые 20 результирующих основных компонентов (PC) будут использоваться в модели классификации, линейном дискриминантном анализе (LDA), чтобы различать данные, максимизируя дисперсию между выбранными группами. Будет выбрано наименьшее количество компьютеров, чтобы предотвратить переобучение данных. Для оценки чувствительности метода, прецизионности и точности модели LDA будут использоваться перекрестная проверка с исключением одного и тест матрицы путаницы. Манн-Уитни будет выполняться по баллам ПК, чтобы проверить статистически значимые различия между анализируемыми группами. Корреляционный и частичный корреляционный анализ будут выполняться с использованием критерия Спирмена, принимая за достоверную корреляцию только коэффициенты с p-значением ниже 0,05. Статистический анализ будет проводиться с помощью программы Origin2018 (OriginLab, США).

ГЛУБОКОЕ ОБУЧЕНИЕ: наборы данных будут анализироваться и обрабатываться с использованием моделей глубокого обучения с целью обнаружения важных закономерностей, которые можно использовать для подтверждения и анализа тенденций, а также для разработки прогнозов и поддержки принятия решений о стратификации ХОБЛ. Будут разработаны методы увеличения данных и автоматической оптимизации гиперпараметров, чтобы повысить эффективность классификации и улучшить способность к обобщению. Чтобы достичь компромисса между точностью прогнозирования и интерпретируемостью, будет применяться подход, основанный на отображении активации классов (CAM), для визуализации активных переменных в спектрах, чтобы идентифицировать дискриминационный шаблон для извлечения наиболее информативных спектральных характеристик.

UNIMIB и GERA реализуют механизм объяснения для определения активных переменных во всем спектре и интерпретации внутренних представлений функций и конвейера преобразования данных модели CNN. UNIMIB и GERA объединят различные вычислительные модули в модульный вычислительный конвейер для классификации пациентов.