敗血症における免疫状態を定量化するためのデータ駆動型アプローチ

要約

本研究では、敗血症患者と健常対照者における白血球、リンパ球、好中球の定量的な関係を解析し、データ可視化解析と3次元数値フィッティングを用いて敗血症における免疫状態を解析し、数理モデルを確立する。

要約

敗血症では、白血球、リンパ球、好中球の相互作用を理解することは、免疫状態を評価し、治療戦略を最適化するために重要です。血液サンプルは、敗血症と診断された患者512人と健常対照者205人、合計717サンプルから採取されました。データ可視化解析と3次元数値フィッティングを行い、白血球、リンパ球、好中球の関係を記述する数理モデルを確立しました。自己組織化特徴マップ(SOFM)を使用して、敗血症サンプルデータをモデルで表される3次元空間に自動的にクラスタリングし、さまざまな免疫状態を生成しました。

分析により、白血球、リンパ球、および好中球の数は、WBC = 1.098 ×好中球 + 1.046 ×リンパ球 + 0.1645 で表されるように、3次元平面内に制約されていることが明らかになり、予測誤差 (RMSE) は 1% になります。この方程式は、空間分布の違いにかかわらず、すべてのサンプルに普遍的に適用できます。SOFMクラスタリングにより、敗血症患者集団内の9つの異なる免疫状態が同定され、免疫状態、振動期間、回復段階の異なるレベルを表しました。

上記の式で表される提案された数学的モデルは、敗血症患者と健康な対照者の両方の免疫細胞集団に基本的な制約境界を明らかにします。さらに、SOFM クラスタリング アプローチは、敗血症患者のこの制約境界内で観察される異なる免疫状態の包括的な概要を提供します。この研究は、敗血症の免疫状態を定量化および分類する将来の研究の基礎を築き、最終的にはより客観的な診断および治療戦略の開発に貢献する可能性があります。

概要

敗血症は、感染に対する宿主の反応の調節不全によって引き起こされる生命を脅かす臓器機能障害であり、救命救急医療¹において依然として大きな課題となっています。敗血症の病態生理学の理解が進んでいるにもかかわらず、免疫系と病原体との間の複雑な相互作用は、この状態を効果的に診断および治療することに困難をもたらし続けています²。現在の臨床アプローチは、感染指標、臓器機能、サイトカイン、微生物検出、腸内細菌叢のモニタリングに重点が置かれていることが多い^です3。しかし、免疫細胞、特に白血球、リンパ球、好中球が敗血症^の進行と解決に重要な役割を果たすことについての認識が高まっています4。

敗血症の経過中、免疫系は複雑な一連の変化を経験し、初期の過炎症期とそれに続く長期の免疫抑制段階⁵を特徴とします。初期段階では、好中球数の急増とそれに伴うリンパ球集団の減少が特徴であり、これは自然免疫応答の活性化と適応免疫の抑制を反映しています⁶。状態が進行するにつれて、好中球レベルが変動したり、疲れ果てたりすることがありますが、リンパ球数は減少し続け、免疫抑制状態になり、患者は二次感染に対して脆弱になります⁷。これらの免疫細胞集団間のダイナミックな相互作用を理解することは、敗血症患者の免疫状態を正確に評価し、的を絞った介入を考案するために重要です。

敗血症における免疫細胞数を分析するための従来のアプローチは、単変量または二変量解析に依存しており、複数の免疫パラメータ間の複雑な関係を捉えることができません⁸。近年のデータ可視化と機械学習技術の進歩により、高次元免疫データの探索に新たな可能性が開かれています⁹。特に、3次元散布図の可視化と自己組織化特徴マップ(SOFM)¹⁰ は、さまざまな疾患状況における隠れたパターンの発見や明確な免疫状態の同定に有望視されています。

この研究は、高度なデータ視覚化とクラスタリング技術を使用して、白血球、リンパ球、および好中球間の定量的な関係を分析することにより、敗血症患者の免疫状態を調査することを目的としています。仮説は、これらの免疫細胞集団が、基礎となる数学的関係によって支配される3次元空間内に制約されているというものです。この関係を明らかにし、SOFMを使用して異なる免疫状態を特定することにより、この研究は敗血症の免疫動態を理解し、臨床的意思決定を促進するためのフレームワークを提供することを目指しています。

このアプローチでは、集中治療室(ICU)に入院した512人の敗血症患者と205人の健康な人、合計717のサンプルから血液サンプルを採取します。研究対象には、男性(54.3%)と女性(45.7%)の参加者が含まれ、年齢は35歳から100歳(平均年齢:73.5歳)の範囲でした。3次元散布図の視覚化と数値フィッティングを適用して、敗血症患者と健康な対照者の両方における白血球、リンパ球、および好中球間の相互作用を説明する数学的モデルを確立します。次に、SOFMを使用して、敗血症サンプルデータを3次元空間に自動的にクラスタリングし、さまざまな免疫状態を生成します。本研究では、敗血症患者の免疫プロファイルと空間分布を、数理モデルで表される制約境界内の健常者の免疫プロファイルと比較することにより、敗血症の根底にある病態生理学的メカニズムの知見を得て、免疫調節療法の潜在的な標的を特定することを目的としています。

敗血症患者の免疫状態を定量的に評価する方法を提供することで、敗血症のより正確な病期分類を可能にし、適切な介入の選択を導くことができる。さらに、SOFMを用いて異なる免疫状態を同定することは、個々の患者の特定の免疫プロファイルに合わせた個別化免疫療法アプローチに関する将来の研究の基礎を築く可能性があります。

要約すると、この研究は、高度なデータ視覚化と機械学習技術を活用して敗血症の免疫状態を理解するアプローチを示しています。敗血症患者と健常者の主要な免疫細胞集団との間の数学的関係を明らかにし、敗血症患者の異なる免疫状態を特定することにより、この研究は敗血症の複雑な免疫動態に関する新たな視点を提供します。このアプローチにより、病状(さまざまなクラスター)をより正確に評価でき、適切な介入の選択を導くことができ、最終的にはより効果的な診断および治療戦略の開発に貢献します。

プロトコル

この研究では、白血球、リンパ球、好中球の関係を調査することにより、敗血症患者の免疫状態を調査します。患者は、中国・北京の東直門病院の集中治療室(ICU)に登録され、インフォームドコンセントを提供した上で標準的な血液検査を受けました。この研究は、機関の人間研究倫理委員会のガイドラインに従って実施されました。データのグループ化と詳細なデータ内容については、補足表 1 を参照してください。この研究で使用したソフトウェアツールは、資料の表に列挙されています。

1. データの収集と準備

注:白血球、好中球、およびリンパ球は、敗血症患者の免疫状態の主要な指標として選択されました。この選択は、リンパ球の数が抑制され、徐々に減少する傾向がある一方で、敗血症患者では好中球の数がしばしば変動するという確立された臨床観察に基づいています。これら 2 つの細胞型は、敗血症患者集団における免疫状態の重要なマーカーとして経験的に認識されています。しかし、これらのパラメータ間の正確な定量的関係は、文献では明確に報告されていません。したがって、白血球、好中球、およびリンパ球は、敗血症患者の免疫状態を定量化するための出発点として選択されました。

1. MATLAB スプレッドシート リンク for Excel アドインのインストール。
   1. Microsoft Excel を開き、リボンの [挿入] タブに移動します。
   2. [アドイン] セクションの [アドインの取得] をクリックします。
   3. [Office アドイン] ダイアログ ボックスで、検索バーで MATLAB スプレッドシート リンクを検索します。
   4. 検索結果で MATLAB Spreadsheet Link for Excel アドインを見つけて、[ 追加 ] ボタンをクリックします。
   5. 利用規約を読んで同意し、[ 続行 ]をクリックしてインストールを続行します。
   6. プロンプトが表示されたら、MathWorks アカウントでログインするか、新しいアカウントを作成してアドインにアクセスします。
   7. インストールが完了すると、Excel のリボンに MATLAB スプレッドシートのリンク タブが表示されます。
   8. [MATLAB スプレッドシート リンク] タブをクリックして、アドインがインストールされ、使用できる状態になっていることを確認します。
2. MATLAB ワークスペースにデータを送信します。
   1. 敗血症患者データ (白血球数、リンパ球数、好中球数など) を含むスプレッドシートを開きます。
   2. データが構造化された形式で整理され、各変数 (白血球数、リンパ球数、好中球数) が個別の列に、各患者が個別の行に整理されていることを確認します。
   3. 白血球数、リンパ球数、好中球数を含む細胞の範囲を選択します。
   4. Excel リボンの [MATLAB スプレッドシート リンク ] タブをクリックします。
   5. [MATLAB スプレッドシート リンク] タブで、[MATLAB へのデータ送信] ボタンをクリックします。
   6. [ MATLAB へのデータの送信 ] ダイアログ ボックスで、複数のインスタンスが実行されている場合は、ドロップダウン メニューから適切な MATLAB インスタンスを選択します。
   7. 「 変数名 」フィールドにデータの変数名を指定します。たとえば、 sepsis_immune_dataです。
   8. MATLAB でインポートするデータに必要なデータ型 (数値行列など) を選択します。
   9. [OK] をクリックして、データを MATLAB ワークスペースに送信します。
   10. MATLAB アプリケーションに切り替えて、ワークスペースで指定した変数名 ( sepsis_immune_data など) を確認して、データが正常にインポートされたことを確認します。
3. MATLAB でのデータの確認
   1. MATLAB Spreadsheet Link アドインを使用して敗血症患者データ (白血球数、リンパ球数、好中球数) を MATLAB に送信した後、MATLAB アプリケーションに切り替えます。
   2. インポートされたデータの内容を確認するには、MATLAB コマンド ウィンドウに変数名を入力して Enter キーを押します。

2. 白血球、リンパ球、好中球の3次元可視化

1. Immune_scatter3関数を使用したプロットの生成
   1. 変数 A は、敗血症患者の免疫データを格納します。関数 Immune_scatter3(A) を呼び出すと、 図1に示すように、サンプルの3次元散布図を表示するグラフィカルユーザーインターフェース(GUI)が表示されます。
      注:プロット内の3次元平面とサンプル分布との間のフィッティング誤差は非常に小さいです。セクション3では、正確な式を提供します。
2. GUI の使用法
   1. 生成されたGUIが提供するインタラクティブ機能を使用して、3次元散布図を探索および解析します。
      1. 回転:プロットをクリックしてドラッグし、プロットを3D空間で回転させ、サンプル分布をさまざまな角度から表示できるようにします。
      2. パン:プロットを右クリックしてドラッグし、プロットを水平または垂直に移動し、プロットの表示領域を調整します。
      3. ズーム:マウスホイールまたはツールバーのズームコントロールを使用して、プロットをズームインまたはズームアウトし、特定の領域またはサンプルに焦点を合わせます。
      4. データカーソル:個々のサンプルをクリックすると、白血球、リンパ球、好中球の対応する値が表示されます。
         注:これらのインタラクティブ機能を利用することで、臨床医は敗血症患者の白血球、リンパ球、好中球の関係とパターンについての洞察を得ることができ、免疫データの探索と分析が容易になります。

3. 計算式

1. MATLAB ワークスペースで、好中球カウント、リンパ球カウント、白血球カウントをそれぞれ変数 X、Y、Z に割り当てます。
2. 正確な数式(式1; WBC = 1.098 ×好中球 + 1.046 ×リンパ球 + 0.1645 (RMSE: 1%)図 1 の 3 次元平面で、次のコマンドを呼び出します。
   [fitresult, gof, output] = fit ([X, Y], Z, 'poly11')
   注:この式は、敗血症患者の白血球、好中球、リンパ球の関係を定量的に記述し、免疫データを簡潔かつ正確に表現します。
3. 適合度を評価するには、次のコマンドを使用して正規化二乗平均平方根誤差 (NRMSE) を計算します。
   gof.rmse / (最大(Z) - 最小(Z))
   注:結果のNRMSE値1%は、フィット平面(式1)が3次元空間の実際のサンプル分布に密接に近似していることを示しています。この低い誤差レベルは、敗血症患者の免疫パラメータ間の複雑な関係を捉える際に得られた数学的表現の信頼性と妥当性を強調しています。

4. 敗血症における免疫状態

注:自己組織化特徴マップ(SOFM)は、敗血症患者の免疫状態を特定するための教師なしクラスタリングに採用されました。

1. Immune_Condition 関数を呼び出すことで、図 2 に示すように、式 1 で表される 3 次元平面上にサンプル ポイントのクラスターを生成します。
2. 図 2.2 で説明したように、図 2 の対話式視覚化機能を使用します。
   注: 図 2 は、SOFM の教師なし機械学習アプローチから派生した 9 つの自動クラスター (Cluster1 から Cluster9) を示しています。このクラスタリング手法は、空間トポロジーとサンプルの密度の両方を考慮に入れており、敗血症患者集団内の異なる免疫状態の特定を可能にします。

5. 敗血症における典型的な免疫振動の軌跡

1. 図 2 に基づいて、hold on コマンドを使用して図をオーバーレイ可能な状態に維持し、次のコマンドを使用して一般的な患者の軌跡データの 3 次元プロットを作成します。
   待つ
   i = 1の場合:サイズ(p、1)-1
   一時停止 (3);plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','線幅',3);
   終わり

結果

敗血症の進行には、ヒトの免疫系と侵入する病原体との間の複雑な相互作用が関与しています。臨床診断と治療では、感染指標、臓器機能マーカー、サイトカイン、微生物検出、さらには腸内細菌叢に多くの注目が集まっています。しかし、この研究では、白血球、好中球、リンパ球という3つの一般的な免疫指標の重要性を強調しています?...

ディスカッション

この研究では、高度なデータ視覚化と機械学習技術を活用して敗血症の免疫状態を理解するアプローチを提示します。主要な免疫細胞集団間の数学的関係を明らかにし、異なる免疫状態を特定することにより、この研究は敗血症における複雑な免疫動態に関する新たな視点を提供し、より効果的な診断および治療戦略の開発に貢献します^11,12

資料

Name	Company	Catalog Number	Comments
MATLAB	MathWorks	2022B	Computing and visualization
Probabilistic Scatter Plots for Immune States	Intelligent  Entropy	Immune States V1.0	Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion