مدل نشانگرهای بیولوژیکی خاصی را نشان می‌دهد که بر اساس ویژگی‌های بیمار و پاسخ به درمان متفاوت هستند –


محققینی که اخیراً یک مدل ریاضی ایجاد کرده‌اند که نشان می‌دهد چرا پاسخ‌های درمانی در بین افراد مبتلا به کووید-19 بسیار متفاوت است، اکنون از این مدل برای شناسایی نشانگرهای بیولوژیکی مرتبط با این پاسخ‌های مختلف استفاده کرده‌اند. این تیم که توسط دانشمندان بیمارستان عمومی ماساچوست (MGH) و دانشگاه قبرس رهبری می‌شد، خاطرنشان می‌کند که این مدل می‌تواند برای ارائه درک بهتری از تعاملات پیچیده بین بیماری و پاسخ استفاده شود و می‌تواند به پزشکان در ارائه مراقبت‌های بهینه برای انواع مختلف کمک کند. بیماران.

اثری که در EBioMedicine، به این دلیل شروع شد که COVID-19 بسیار ناهمگن است، به این معنی که بیماری به دنبال عفونت SARS-CoV-2 از بدون علامت تا شرایط تهدید کننده زندگی مانند نارسایی تنفسی یا سندرم دیسترس تنفسی حاد (ARDS) متغیر است که در آن مایع در ریه ها جمع می شود. دکتر Rakesh K. Jain، نویسنده ارشد این مقاله توضیح می دهد: “حتی در زیر مجموعه بیماران مبتلا به کووید-19 بدخیم که به ARDS مبتلا می شوند، ناهمگنی قابل توجهی وجود دارد. تلاش های قابل توجهی برای شناسایی زیرشاخه های ARDS که توسط ویژگی های بالینی یا نشانگرهای زیستی تعریف شده اند انجام شده است.” ، مدیر آزمایشگاه های EL Steele برای بیولوژی تومور در MGH و اندرو ورک کوک پروفسور انکولوژی تشعشع در دانشکده پزشکی هاروارد (HMS). “برای پیش‌بینی پیشرفت بیماری و شخصی‌سازی درمان، لازم است ارتباط بین ویژگی‌های بالینی، نشانگرهای زیستی و زیست‌شناسی زمینه‌ای مشخص شود. اگرچه این امر می‌تواند در طول کارآزمایی‌های بالینی متعدد به دست آید، این فرآیند زمان‌بر و بسیار پرهزینه است.”

به عنوان جایگزین، جین و همکارانش از مدل خود برای تجزیه و تحلیل اثراتی که ویژگی‌های مختلف بیمار بر نتایج پس از درمان با درمان‌های مختلف ایجاد می‌کنند، استفاده کردند. این به تیم اجازه داد تا درمان بهینه را برای دسته‌های مجزای بیماران تعیین کند، مسیرهای بیولوژیکی مسئول پاسخ‌های بالینی مختلف را نشان دهد و نشانگرهای این مسیرها را شناسایی کند.

محققان شش نوع بیمار (که با وجود یا عدم وجود بیماری‌های همراه مختلف تعریف می‌شوند) و سه نوع درمان که سیستم ایمنی را تعدیل می‌کنند شبیه‌سازی کردند. لنس مان، دکتری، نویسنده ارشد و مسئول، که معاون آزمایشگاه استیل است، می‌گوید: «با استفاده از یک سیستم امتیازدهی اثربخشی درمان جدید، متوجه شدیم که بیماران مسن‌تر و پرالتهاب بهتر از بیماران چاق و دیابتی به درمان تعدیل‌کننده ایمنی پاسخ می‌دهند. دانشیار در HMS. ما همچنین دریافتیم که زمان بهینه برای شروع درمان تعدیل ایمنی بین بیماران متفاوت است و به خود دارو نیز بستگی دارد. نشانگرهای بیولوژیکی خاصی که بر اساس ویژگی‌های بیمار متفاوت بودند، زمان بهینه شروع درمان را تعیین می‌کردند و این نشانگرها به برنامه‌ها یا مکانیسم‌های بیولوژیکی خاصی اشاره می‌کردند که بر نتیجه بیمار تأثیر می‌گذاشتند. نشانگرها همچنین با نشانگرهای بالینی شناسایی شده شدت بیماری مطابقت داشتند.

برای COVID-19 و همچنین سایر شرایط، رویکرد تیم می‌تواند محققین را قادر سازد تا یک کارآزمایی بالینی را با بیمارانی که به احتمال زیاد به یک داروی خاص پاسخ می‌دهند، غنی کنند. Triantafyllos Stylianopoulos، نویسنده ارشد، دکترا، استادیار دانشگاه قبرس می‌گوید: «چنین غنی‌سازی بر اساس بیومارکرهای پیش‌بینی‌شده آینده‌نگر، یک استراتژی بالقوه برای افزایش دقت آزمایش‌های بالینی و تسریع توسعه درمان است».

سایر نویسندگان مشترک عبارتند از Sonu Subudhi، Chrysovalantis Voutouri، C. Corey Hardin، محمدرضا نیک منشی، Melin J. Khandekar و Sayon Dutta از MGH. و Ankit B. Patel و Ashish Verma از بریگام و بیمارستان زنان.

بودجه این مطالعه توسط مؤسسه ملی بهداشت، مرکز سرطان هاروارد لودویگ، بنیاد تحقیقات نیلز آلبرایت و بنیاد اعتماد جین تامین شده است. Voutouri دریافت کننده کمک هزینه تحصیلی انفرادی Marie Sk?odowska Curie Actions است.

منبع داستان:

مواد ارائه شده توسط بیمارستان عمومی ماساچوست. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.