31دسامبر 2024- در مطالعه اخیراً منتشر شده در مجله ی eClinicalMedicine، محققان ارزش افزوده ی اضافه نمودن نشانگرهای زیستی مشتق از متابولوم را به امتیاز سنتی خطر دیابت کمبریج(CDRS)  در پیش‌بینی خطر 10 ساله دیابت ارزیابی کردند. این مطالعه از داده‌های دو گروه بزرگ استفاده کرد:Biobank UK و گروه ESTHER آلمان، که توسعه و اعتبار این مدل قوی را تضمین می‌کند. داده‌های متابولیت از بیش از 86000 فرد در بیوبانک بریتانیا (آموزش و اعتبارسنجی داخلی) و تقریباً 4400 شرکت‌کننده از گروه ESTHER آلمانی (اعتبارسنجی خارجی) 11 نشانگر زیستی را برجسته کرد که دقت امتیاز سنتی خطر دیابت کمبریج را به طور قابل‌توجهی بهبود بخشیدند (0.815 تا 0.834). قابل‌توجه این است که یک مدل پیش‌بینی کننده ی مختصر با استفاده از تنها چهار نشانگر زیستی متابولیتی کم‌هزینه و آسان به دقت قابل‌مقایسه‌ای دست یافت که کاربرد این نشانگرها را در ارزیابی معمول خطر دیابت برجسته می کند.

پیشینه

دیابت نوع 2(T2D) ، یک وضعیت پزشکی مزمن است که با سطوح ناسالم قند خون مشخص می شود و منجر به عوارض بالقوه تهدید کننده زندگی از جمله بیماری های قلبی عروقی (CVDs)، بیماری های کلیوی و از دست دادن بینایی می شود. این وضعیت به دلیل ناتوانی بدن در ترشح یا استفاده از مقادیر کافی انسولین ایجاد می شود و به ژنتیک، رفتارهای سلامت (میزان خواب و فعالیت بدنی) و وزن بالا نسبت داده می شود.

به طور نگران کننده ای، شیوعT2D در سطوح بی سابقه ای در حال افزایش است که منجر به کاهش کیفیت زندگی و افزایش قابل توجه بار اقتصادی برای بیماران و خانواده های آنها و افزایش مرگ و میر بیماران شده است. متأسفانه، هیچ درمانی برای دیابت وجود ندارد، و هدف مداخلات بالینی سنتی تنها کاهش یا به تاخیر انداختن شروع دیابت نوع 2 است.تشخیص یا پیش‌بینی زودهنگام خطر دیابت نوع 2در آماده‌سازی پزشکان و بیماران بالقوه برایT2D مزمن ضروری است. متأسفانه، رویکردهای پیش‌بینی‌کننده ی موجود، در حالی که می‌توانند بین خطر کم و پرخطر تمایز قائل شوند، فاقد ویژگی(specificity) هستند و ممکن است با ترکیبی از عوامل خطر مخدوش شوند.

در مورد این مطالعه

یک مدل مختصر تنها با چهار متابولیت(گلوکز، IDL-CE-pct، LA-pct، و M-LDL-TG-pct) قدرت پیش بینی تقریباً یکسانی را در مقایسه با مدل کامل 11 متابولیتی نشان داد که بر کاربردی بودن آن برای استفاده بالینی تأکید می کند.

پیشرفت در طیف‌سنجی تشدید مغناطیسی هسته‌ای (NMR) و کاربردهای آن در تحقیقات متابولومیک، دیدگاه‌های جامع‌تری از تغییرات متابولومیک مختلف قبل از شروع T2D ارائه می‌کند و پتانسیل آنها را در مدل‌سازی پیش‌بینی T2D برجسته می‌نماید. در مطالعه حاضر از این مفهوم در استخراج یک امتیاز خطر جدید T2D با استفاده از داده‌های متابولومیک NMR از دو مجموعه داده مبتنی بر جمعیت بلندمدت استفاده شد.

داده های این مطالعه برای استخراج مدل و اعتبار سنجی داخلی از Biobank بریتانیا(UKB؛ 70٪ آموزش، 30٪ اعتبار) به دست آمد که شامل 502493 شرکت کننده 37-73 ساله در 22 سایت در اسکاتلند، ولز و انگلیس است. اعتبار خارجی مدل حاصل با استفاده از گروه ESTHER، یک مجموعه داده جمعیت محور آلمانی (سارلند) که از 9940 شرکت‌کننده بین 50 تا 75 سال به‌دست آمد، تایید شد. شرکت کنندگان با سابقه ی پزشکی دیابت و داده های از دست رفته از مدل سازی و تجزیه و تحلیل حذف شدند.

داده‌های متابولومیک NMR با استفاده از پلت‌فرم پرتوان Nightingale Health، شامل 250 متابولیت مشتق شده از پلاسمای خون به‌ دست آمد. در طول تجزیه و تحلیل، یکی از متابولیت ها (گلیسرول) در مجموعه داده های اکثر شرکت کنندگان وجود نداشت و از این رو از داده های مورد استفاده در ایجاد مدل نهایی حذف شد. انتخاب مدل، رگرسیون LASSO(یک رگرسیون خطی برای کوچک‌سازی و انتخاب متغیر با استفاده از مقدار مطلق کمینه) را به عنوان قابل اعتمادترین شناسایی کرد. یک تبدیل ورود به سیستم از داده های ورودی (در نتیجه اطمینان از نرمال بودن و در نظر گرفتن نقاط پرت) برای افزایش عملکرد مدل انجام شد.

این مطالعه همچنین تجزیه و تحلیل های زیر گروهی را برای بررسی استحکام مدل جدید در گروه های مختلف از جمله سن، جنس و وضعیت چاقی انجام داد. برای مقایسه و بهبود استاندارد طلایی پیش‌بینی‌کننده ی دیابت نوع 2فعلی، متغیرهایی از امتیاز خطر دیابت کمبریج (CDRS) در مدل گنجانده شدند به طوری که 249 متابولیت ارزیابی‌شده در اینجا به متغیرهای CDRS به تدریج اضافه شدند. این امکان محاسبه بهبود نسبی در قدرت پیش‌بینی را برای هر متغیر متابولومیک اضافی و شناسایی آنهایی که دارای بالاترین قدرت پیش‌بینی هستند(تحلیل‌های منحنی مشخصه عملکرد گیرنده[ROC]) را فراهم می‌کند.

یافته های این مطالعه

تفاوت در وضعیت ناشتا و نوع نمونه (پلاسما در مقابل سرم) در بین گروه‌ها تأثیر کمتری بر غلظت متابولیت‌ها داشت که بیانگر استحکام بیومارکرهای متابولومیک مورد استفاده در این مطالعه است.

از بیش از 512000 شرکت‌ کننده شامل گروه‌های UKB وESTHER، 86232 (UKB) و 4383(ESTHER)  شرکت‌کننده معیارهای ورود به مطالعه را داشتند و در تحلیل‌ها (اشتقاق مدل و اعتبارسنجی) وارد شدند. این شرکت کنندگان از سنین (59.9 و 60.2) و توزیع جنسی (44.3 و 42.7 درصد مرد) مشابه به ترتیب در مجموعه داده های UKB و ESTHER بودند. شایان ذکر است، سطح شاخص توده بدنی (BMI) و هموگلوبین A1c بین هر دو گروه تقریباً یکسان بود که مقایسه آنها را برجسته می کند.

تجزیه و تحلیلLASSO ، یازده متابولیت با بالاترین قدرت پیش بینی را از 249 مورد تجزیه و تحلیل نشان داد. این متابولیت ها شامل متابولیت مربوط به گلیکولیز(4 مورد)، اجسام کتونی (2 مورد)، اسید آمینه (2 مورد)، مرتبط با لیپوپروتئین (2 مورد) و یک متابولیت مرتبط با اسید چرب بودند، نمونه های کلیدی عبارت بودند از گلوکز، پیروات، لاکتات و سیترات. قابل توجه این است که دقت پیش‌بینی 10 ساله این متابولیت‌ها مستقل از متغیرهای CDRS بالا بود (به ترتیب C-index = 0.733 و 0.735 در مجموعه داده‌های اعتبارسنجی داخلی و خارجی). هنگامی که متابولیت های مشتق شده از UKB به صورت تدریجی با CRDS ترکیب شدند، دقت پیش بینی (شاخص C پایه = 0.815) به طور قابل توجهی افزایش یافت (ترکیب شاخص C = 0.834).

بهبودهای مشابهی در گروه اعتبارسنجی خارجی ESTHER مشاهده شد (شاخص C از 0.770 به 0.798 افزایش یافت). به طور چشمگیری، مدل جدید "امتیاز خطر دیابت بانک زیستی بریتانیا (UKB-DRS)" تنها با استفاده از چهار متابولیت از 11 متابولیت شناسایی شده، به پیشرفت های قابل مقایسه ای دست یافت.

استحکام مدل ساده شده در منحنی‌های کالیبراسیون مشهود بود که عملکرد پیش‌بینی مشابهی را با مدل کامل در هر دو گروه نشان داد.

نتیجه گیری

مطالعه ی حاضر گسترده‌ترین مجموعه داده های مورد استفاده در استخراج یک مدل پیش‌بینی T2Dرا نشان می‌دهد و ارزش داده‌های متابولیتی مشتق ‌شده از NMR را در ارزیابی خطر 10 ساله یک فرد برای ابتلا به دیابت نوع 2 برجسته می‌کند. پیشرفت‌ها در تصویربرداری NMR بار مالی این ارزیابی‌ها را به‌طور قابل‌توجهی کاهش داده است، و سهولت جمع‌آوری داده‌ها (مقادیر کم متابولیت ها در پلاسمای خون) کاربرد روش‌شناختی و بالینی این رویکرد را برجسته می‌کند.

این مطالعه یک مدل جدید UKB-DRS ارائه کرد که به طور قابل‌توجهی دقت پیش‌بینی استاندارد طلایی فعلی (CDRS) را بهبود می‌بخشد، در نتیجه به پزشکان و بیماران بالقوه، زمان بیشتری برای کاهش، به تاخیر انداختن یا اجتناب از شروع دیابت نوع 2 می‌دهد. مطالعات آتی برای تایید این مدل در میان جمعیت‌های قومی متفاوت و گروه‌های سنی جوان‌تر توصیه می‌شود.

منبع:

https://www.news-medical.net/news/20241212/Metabolomic-biomarkers-improve-diabetes-risk-prediction-accuracy.aspx