МЕТОД ИММУНОСИГНАТУРЫ В ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ РАССТРОЙСТВ АУТИСТИЧЕСКОГО СПЕКТРА. ПИЛОТНОЕ ИССЛЕДОВАНИЕ

Большой и разнообразный репертуар антител кодирует историю прошлого иммунологического опыта, создавая глобальную сеть системы регуляции организма. В этой статье мы предлагаем использовать пептидный микрочип (метод «иммуносигнатуры») для оценки глобальных индивидуальных паттернов антител и биоинформационный анализ данных для дифференциальной диагностики расстройств аутистического спектра. Пептидный микрочип состоит из 124000 случайным образом синтезированных антигенных миметиков, ковалентно связанных с поверхностью стеклянного слайда. Капля плазмы тестируется на наличие антител определенной реактивности, путем измерения связывания их с каждым антигенным миметиком микрочипа с помощью флуоресцентного окрашивания вторичными IgG-антителами, и такая реакция учитывается при лазерной активации. Файлы оцифрованных данных интенсивности флуоресценции, которая презентовала реактивность антител плазмы, связавшихся с антигенными миметиками, использовали для биоинформационного анализа. Обработка данных была проведена пакетами проекта Bioconductor для программно-статистической среды R. На этапе предобработки полученных данных, для выравнивания распределений показателей реактивности антител, применяли квантильную нормализацию. Данные по образцам и другую необходимую информацию объединяли в один файл-контейнер класса ExpessionSet. Для сравнения контрольной и опытной групп использовали однофакторный дисперсионный анализ в модификации Уэлча (для неравных дисперсий). Полученные оценки разности средних значений и статистической значимости P использовали далее для построения вулканной диаграммы, для ранжирования и отбора наиболее перспективных показателей реактивности антител. Для дифференциальной диагностики аутизма и оценки диагностической значимости метода иммуносигнатуры была построена тепловая карта. При построении тепловой карты использовали стандартизованные значения логарифмов реактивности антител и результаты иерархического кластерного анализа, проведённого методом Уорда, с использованием в качестве меры сходства корреляции Пирсона. В результате биоинформационного анализа данных было выбрано 73 антитела, реактивность которых имела статистически значимые различия в группах детей с аутизмом и типично развивающихся детей. Эти антитела были использованы для дифференциальной диагностики, ценность которой определяли при построении тепловой карты. Обнаружено, что группа детей с расстройствами аутистического спектра по показателям реактивности антител обладает выраженной гетерогенностью, и состоит как минимум из двух подгрупп. Кроме того, 60 антител у детей с аутизмом демонстрировали преимущественно среднюю и низкую реактивность, т.е. эти антитела имели слабую силу связывания с антигенными миметиками, и только 13 антител показывали высокую реактивность. В целом, специфичность диагностики расстройств аутистического спектра с помощью метода иммуносигнатуры составила 96,0% (95% ДИ от 82,8 до 99,6%), чувствительность – 78,3% (95% ДИ от 64,9 до 88,2%) и диагностическая эффективность – 82,7%. Наше пилотное исследование позволяет предложить метод иммуносигнатуры для дифференциальной диагностики аутизма и, возможно, расширить наше понимание нарушений при расстройствах аутистического спектра.

1. Bakroon A., Lakshminarayanan V. Visual function in autism spectrum disorders: a critical review. Clin. Exp. Optom., 2016, Vol. 99, pp. 297-308.

2. Baron-Cohen S., Belmonte M.K. Autism: a window onto the development of the social and the analytic brain. Annu. Rev. Neurosci., 2005, Vol. 28, pp. 109-126.

3. Baron-Cohen S. Editorial Perspective: Neurodiversity – a revolutionary concept for autism and psychiatry. J. Child. Psychol. Psychiatry, 2017, Vol. 58, no. 6, pp. 744-747.

4. Bolstad B. preprocessCore: A collection of pre-processing functions. R package version 1.42.0. 2018, https://github.com/bmbolstad/preprocessCore.

5. Brown L.D., Cai T.T., DasGupta A. Interval estimation for a binomial proportion. Statistical Science, 2001, Vol. 16, no. 2, pp. 101-117.

6. Cohen I.R. Real and artificial immune systems: computing the state of the body. Nat. Rev. Immunol., 2007, Vol. 7, no. 7, pp. 569-574.

7. DiCicco-Bloom E., Lord C., Zwaigenbaum L., Courchesne E., Dager S.R., Schmitz C., Schultz R.T., Crawley J., Young L.J. The developmental neurobiology of autism spectrum disorder. J. Neurosci., 2006, Vol. 26, no. 26, pp. 6897-6096.

8. Drăghici S. Statistics and data analysis for microarrays using R and Bioconductor. Boca Raton: Taylor & Francis Group, 2012. 1026 p.

9. Gentleman R.C., Carey V.J., Bates D.M., Bolstad B., Dettling M., Dudoit S., Ellis B., Gautier L., Ge Y., Gentry J., Hornik K., Hothorn T., Huber W., Iacus S., Irizarry R., Leisch F., Li C., Maechler M., Rossini A.J., Sawitzki G., Smith C., Smyth G., Tierney L., Yang J.Y., Zhang J. Bioconductor: open software development for computational biology and bioinformatics. Genome Biol., 2004, Vol. 10, no. 5, R80.

10. Gentleman R., Carey V., Huber W., Hahne F. genefilter: methods for filtering genes from high-throughput experiments. R package version 1.62.0. 2018, https://github.com/Bioconductor/genefilter.

11. Hahne F., Huber W., Gentleman R., Seth Falcon S. Bioconductor case studies. Springer Science & Business Media, 2010. 284 p.

12. Heuer L., Ashwood P., Schauer J., Goines P., Krakowiak P., Hertz-Picciotto I., Hansen R., Croen L.A., Pessah I.N., van de Water J. Reduced levels of immunoglobulin in children with autism correlates with behavioral symptoms. Autism Research, 2008, Vol. 1, no. 5, pp. 275-283.

13. Huber W., Carey V.J., Gentleman R., Anders S., Carlson M., Carvalho B.S., Bravo H.C., Davis S., Gatto L., Girke T., Gottardo R., Hahne F., Hansen K.D., Irizarry R.A., Lawrence M., Love M.I., MacDonald J., Obenchain V., Ole’s A.K., Pag’es H., Reyes A., Shannon P., Smyth G.K., Tenenbaum D., Waldron L., Morgan M. Orchestrating highthroughput genomic analysis with Bioconductor. Nat. Met., 2015. Vol. 12, no. 2, pp. 115-121.

14. Madi A., Hecht I., Bransburg-Zabary S., Merbl Y., Pick A., Zucker-Toledano M., Quintana F.J., Tauber A.I., Cohen I.R., Ben-Jacobb E. Organization of the autoantibody repertoire in healthy newborns and adults revealed by system level informatics of antigen microarray data. Proc. Natl. Acad. Sci. USA, 2009, Vol. 106, no. 34, pp. 14484-14489.

15. Madi A., Bransburg-Zabary S., Kenett D.Y., Ben-Jacob E., Cohen I.R. The natural autoantibody repertoire in newborns and adults: a current overview. Adv. Exp. Med. Biol., 2012, Vol. 750, pp. 198-212.

16. Meltzer A., van de Water J. The role of the immune system in autism spectrum disorder. Neuropsychopharmacology, 2016, Vol. 42, no. 1, pp. 284-298.

17. Mouthon L., Lacroix-Desmazes S., Nobrega A., Barreau C., Coutinho A., Kazatchkine M.D. The self-reactive antibody repertoire of normal human serum IgM is acquired in early childhood and remains conserved throughout life. Scand. J. Immunol., 1996, Vol. 44, no. 3, pp. 243-251.

18. Ousley O., Cermak T. Autism spectrum disorder: defining dimensions and subgroups. Curr. Dev. Disord. Rep., 2014, Vol. 1, no. 1, pp. 20-28.

19. Qiu Х., Wu H., Hu R. The impact of quantile and rank normalization procedures on the testing power of gene differential expression analysis. BMC Bioinformatics, 2013, Vol. 14, no. 124, pp. 1-10.

20. Quintana F.J., Cohen I.R. The natural autoantibody repertoire and autoimmune disease. Biomed. Pharmacother., 2004, Vol. 58, no. 5, pp. 276-281.

21. Quintana F.J., Hagedorn P.H., Elizur G., Merbl Y., Domany E., Cohen I.R. Functional immunomics: Microarray analysis of IgG autoantibody repertoires predicts the future response of mice to induced diabetes. Proc. Natl. Acad. Sci. USA, 2004, Vol. 101, pp. 14615-14621.

22. Quintana F.J., Merbl Y., Sahar E., Domany E., Cohen I.R. Antigen-chip technology for accessing global information about the state of the body. Lupus, 2006, Vol. 15, no. 7, pp. 428-430.

23. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 2013.

24. Restrepo L., Stafford P., Magee D.M., Johnston S.A. Application of immunosignatures to the assessment of Alzheimer’s disease. Ann. Neurol., 2011, Vol. 70, no. 2, pp. 286-295.

25. Restrepo L., Stafford P., Johnston S.A. Feasibility of an early Alzheimer’s disease immunosignature diagnostic test. J. Neuroimmunol., 2013, Vol. 254. no. 1-2, pp. 154-60.

26. Robinson W.H. Antigen arrays for antibody profiling. Curr. Opin. Chem. Biol., 2006, Vol. 10, pp. 67-72.

27. Singh S., Stafford P., Schlauch K.A., Tillett R.R., Gollery M., Johnston S.A., Khaiboullina S.F., de Meirleir K.L., Rawat S., Mijatovic T., Subramanian K., Palotás A., Lombardi V.C. Humoral immunity profiling of subjects with myalgic encephalomyelitis using a random peptide microarray differentiates cases from controls with high specificity and sensitivity. Mol. Neurobiol., 2018, Vol. 55, no. 1, pp. 633-641.

28. Stafford P., Cichacz Z., Woodbury N.W., Johnston S.A. Immunosignature system for diagnosis of cancer. Proc. Natl. Acad. Sci. USA, 2014, Vol. 111, no. 30, pp. E3072-E3080.

29. Sykes K.F., Legutki J.B., Stafford P. Immunosignaturing: a critical review. Trends Biotechnol., 2013, Vol. 31, no. 1, pp. 45-51.

30. Wills S., Cabanlit M., Bennett J., Ashwood P., Amaral D., van de Water J. Autoantibodies in autism spectrum disorders (ASD). Ann. N. Y. Acad. Sci., 2007, Vol. 1107, pp. 79-91.

31. Zaman S., Yazdani U., Deng Y., Li W., Gadad B.S., Hynan L., Karp D., Roatch N., Schutte C., Nathan Marti C., Hewitson L., German D.C. A search for blood biomarkers for autism: peptoids. Sci. Rep., 2016, Vol. 14, no. 6, 19164. doi: 10.1038/srep19164.