Design of a classification cancer model on the basis of immunosignature technology

Abstract

Full Text

Суть метода иммуносигнатур заключается в отслеживании иммунных реакций. Каждое заболевание вызывает ответ иммунной системы, по которому можно узнать, болен ли человек и чем именно. Для получения иммуносигнатуры капля крови обследуемого, содержащая в себе клетки иммунной системы, наносится на биочип, разделенный на сектора, в каждом из которых находится уникальная аминокислотная последовательность. В зависимости от того, с какой интенсивностью в конкретных ячейках проявится иммунная реакция, формируется профиль (сигнатура) для конкретного человека. Таким образом, иммуносигнатура показывает, какие последовательности аминокислот активируют иммунную систему пациента, к чему у него выработано больше антител, т. е. с чем организм борется в данный момент. Зная это, можно понять, чем человек болен. В ходе экспериментов были получены результаты исследования двух групп людей: контрольной группы (25 человек) и группы с диагнозом С50 «Злокачественное новообразование молочной железы» (10 человек). Для получения наиболее достоверных данных для каждого пациента было проведено 3 исследования через различные промежутки времени. По результатам исследований было выявлено, что светимости пептидов в трех измерениях, проводимых для одного пациента отличаются друг от друга. Причем значения светимостей могут отличаться в несколько раз. Проведенный корреляционный анализ показал, что коэффициент корреляции для трех экспериментов для каждого пациента имеет значения в диапазоне от 0,62 до 0,97. На основании полученных данных было выдвинуто предположение, что на результат эксперимента оказывают влияние микрочастицы пыли, находящиеся в окружающем воздухе. Пылинки, попадая на сектора с аминокислотными последовательностями, вызывают сильное свечение соответствующих ячеек. Этот эффект может сильно влиять на конечный результат. Таким образом, на начальном этапе исследований, необходимо было выявить, как сильно внешнее воздействие пыли может влиять на конечный результат исследований. Так как артефакт (например, пылинка) очень ярко светится и зачастую затрагивает только часть пептидного пикселя, то наличие артефактов можно определить, рассчитав логарифм отношения средней к медианной светимости пептида. Ведь наличие яркого пятна сильно увеличивает среднюю светимость и мало увеличивает медианную светимость. При этом пептидный пиксель без артефакта обладает одинаковой средней и медианной светимостью. Соответственно логарифм отношения средней к медианной светимости равен нулю. Экспериментально было получено, что при фильтрации пептидов с уровнем шума (логарифм отношения средней к медианной светимости) менее 0,01 коэффициенты корреляции приблизились к единице. Таким образом, путем избавления от 5% записей уровень информативности эксперимента был улучшен. Используемый нами метод иммуносигнатур выдает светимость 10 000 пептидных последовательностей, на основе которых должно приниматься решение об отнесении пациента к той или иной группе. Соответственно анализ такого большого количества параметров затруднен. Следовательно, необходимо существенно сократить выборку входных параметров на несколько порядков без существенного уменьшения информативности. Для достижения поставленной задачи был выбран метод доверительных интервалов. То есть, целью численного эксперимента стало выявление наиболее значимых пептидных последовательностей. Выявление таких последовательностей должно позволить осуществить классифицирование между разными группами пациентов. Анализ данных показал, что разные эксперименты для одного и того же пациента показывают разную среднюю светимость пептидных последовательностей. В качестве маркеры были использованы пиксели EMPTY. Данные пиксели не содержат пептидов и соответственно должны при сканировании выдавать минимальное значение светимости, близкое к нулю. Естественно, что при разных экспериментах EMPTY должны обладать одинаковой светимостью. Также светимости пептидных последовательностей должны быть больше светимостей EMPTY. В соответствии с изложенными выше условиями исходные данные подверглись нормализации. В соответствии с разработанной формулой определялась разность между медианной светимостью пептида и медианной светимостью фонового свечения около пептидной последовательности. Затем определялось отношение полученной разности к средней светимости EMPTY. На основании полученных нормализованных данных рассчитывались средние значения светимости пептидов и стандартное отклонение. В результате проведенных исследований были выявлены пептиды, которые для всех пациентов в пределах одной группы имеют стабильное значение светимости с малым отклонением. Таким образом, для группы пациентов с диагнозом С50 «Злокачественное новообразование молочной железы» было выявлено 20 характерных пептидов, однозначно относящих пациента к данной группе. В дальнейшем построение классификационной модели на основе полученных характерных пептидов не представляет сложности.