Raman technologie voor de diagnose en onderzoek van ME/CVS – Xu Jiabao

Een routekaart voor ME-onderzoek – aflevering 17: Raman technologie voor de diagnose en onderzoek van ME/CVS – Xu Jiabao

Wat weten we? Wat weten we niet? Wat dienen we te weten?

Op 26 oktober jongsleden behandelde het derde webinar het onderwerp metabolisme.

Onderwerpen die bij dit webinar ter sprake kwamen, waren:

Voor deze sessie gaan we eerst naar Schotland, Glasgow, waar Xu Jiabao als docent en onderzoeker verbonden is aan de faculteit Biomedische Technologie van de Universiteit van Glasgow. Zij werkt daar met een techniek die al uit de zeventiger jaren stamt, de Raman-spectroscopie, die zij toepast op individuele cellen. Sinds 2016 heeft zij met deze techniek het celmetabolisme van ME-patiënten onderzocht.

Het resultaat

Het belangrijkste resultaat van mevrouw Xu’s onderzoek is dat zij door middel van deze Raman techniek in combinatie met geavanceerde statistische  bewerkingen (een ‘machine learning’ methode) een diagnostische test heeft ontwikkeld die met meer dan 90% zekerheid ME kan bepalen.

Wat is de Raman spectroscopie?

Daarvoor moeten we terug naar de Britse tijd van India, naar Madras, het tegenwoordige Chennai gedurende het begin van de 20e eeuw. Chandrasekharan Venkata Raman (C.V. Raman) is een Nobelprijswinnaar uit 1930 en de uitvinder van de naar hem vernoemde ‘Raman verstrooiing’.

Als een lichtstraal door een stof wordt gestuurd, veranderen, afhankelijk van het soort materiaal waar hij doorheen gaat, de energieniveau’s en de golflengtes van die lichtstraal. Dit is een heel zwakke maar natuurlijke verstrooiing van het licht, variërend naar gelang het soort molecuul waar het doorheen gaat.

C.V. Raman is de ontdekker van deze lichtverstrooiing. De spectroscoop is het instrument wat die verstrooiing meet. De methode wordt inmiddels al vele decennia gebruikt voor materiaal-analyses, en ook al jaren om biologisch weefsel te analyseren, vooral omdat hij niet ‘invasief’ is. Er wordt geen schade berokkend aan het materiaal waar het licht doorheen reist. Hoewel de methode daardoor dus redelijk makkelijk is te gebruiken, zijn de signalen die door de spectroscoop worden gemeten zwak en moeten door filters worden versterkt. Het verstrooiingspatroon van golflengtes en energieniveaus van de lichtstralen is complex. Een koolstofatoom zal een andere piek geven dan een fosforatoom, en het ene aminozuur zal een ander beeld genereren dan het andere aminozuur. De representatie van zo’n spectrum wordt een Raman-‘vingerafdruk’ genoemd.

Bij het onderzoek dat hier is besproken, wordt de Raman spectroscopie gebruikt om de biochemische samenstelling van individuele immuuncellen te onderzoeken. Men zoekt dus naar de vingerafdrukken van de immuuncellen. De achterliggende vraag daarbij is of die vingerafdrukken mogelijkerwijs anders zijn bij ME patiënten in vergelijking tot gezonde personen.

Voorbeelden van toepassingen

De uitkomst van een Raman-spectroscoopanalyse is een grafiek met vele pieken en dalen die de lichtverstrooiing weergeeft en daarmee de vingerafdruk representeert.

Die vingerafdrukken worden gebruikt om celtypen of weefsels van elkaar te onderscheiden. Een aantal voorbeelden van de analyses die met Raman-spectroscopie zijn gedaan zijn:

  1. een analyse van longkankercellen om de initiële fase van de longkankerontwikkeling te ‘vangen’. Daarbij is een accuratesse van 95% bereikt.
  2. het verschil in het Ramanspectrum van bloedserum van patiënten met Huntington’s disease en gezonde controles. Hieruit werden ‘biomarkers’ gevonden.
  1. slokdarmkankercellen werden getest en vergeleken met daar dichtbij gelegen niet-slokdarmkankercellen. Een accuratesse van meer dan 80% werd gevonden. Daarmee kunnen chirurgen zelfs tijdens de operatie inzicht krijgen in gezonde en niet-gezonde cellen.
  2. Een voorbeeld uit de ME-wereld van een analyse van Raman vingerafdrukken van extracellulaire blaasjes in het bloed (bij 12 patiënten en 12 gezonde controles) gaf een 100% juiste classificering aan.

Het ME/CVS Raman onderzoek

De vraag die aan de basis van Xu Jiabao’s onderzoek ligt, is of individuele immuuncellen, de PBMC’s (peripheral blood mononuclear cells, zie de presentatie van Hanson), een diagnostisch model kunnen zijn om ME-patiënten te onderscheiden van niet-patiënten.

Om dit te onderzoeken, vergeleken zij daarvoor de Raman-metingen van PBMC’s van de UK Biobank van 61 ME-patiënten, van 21 MS-patiënten en van 16 gezonde personen. De MS-patiënten werden meegenomen om als controlegroep te dienen. MS-patiënten kunnen door een MRI-scan worden gediagnosticeerd, dus als de Raman-analyse daar ook een onderscheid in kan vinden, dan zou dit een extra controle kunnen zijn voor de ME-analyses. Vooral ook omdat MS en ME veel symptomen gemeen hebben.

Uiteindelijk blijkt de Raman vingerafdruk gecorreleerd te zijn met de ziektegradatie van ME. Xu’s groep kon dus onderscheid maken tussen MS-patiënten, ernstig zieke ME-patiënten, matig zieke ME-patiënten, mild zieke ME-patiënten en gezonde controles.

Tweedimensionaal geplot ziet dat er als volgt uit, waarbij in de linker grafiek de analyses van de individuele cellen zijn weergegeven, terwijl in de rechter grafiek die cellen zijn gemiddeld voor elk individu:

Er is een duidelijk onderscheid tussen de gezonde controles (groen) en de zieken. De milde ME-patiënten zijn verschillend van de matige en ernstige ME-patiënten. De MS-groep overlapt met de milde en matige ME-patiënten. De verschillen zijn meer evident bij de individuele cellen en zijn minder duidelijk als ze worden uitgemiddeld per individu. Hieruit wordt geconcludeerd dat de analyses op celniveau moeten worden uitgevoerd.

Een ander belangrijk aspect in hun analyse is dat zij géén verschillen vonden in de Raman-vingerafdruk en variabelen als leeftijd, medicijngebruik of andere demografische factoren. De ziekte was daarmee de belangrijkste onderscheidende factor.

Voor de onderzoeken gebruikten zij naast de Raman-spectroscopiemetingen ook complexe statistische bewerkingen om de verschillende Raman metingen – die een complexe structuur hebben van lichtverstrooiing – met elkaar te kunnen vergelijken. Zij kwamen daarmee op meer dan 90% accuratesse voor het identificeren van ME, MS en gezonde controles. Bij het verdere onderscheid tussen milde, matige of ernstige ME kwam men tot een accuratesse van 84%.

Deze benadering van Raman spectroscopie in combinatie met geavanceerde machine learning zou heel goed een indicator kunnen worden voor ME. Daarmee zouden we, zo zegt Xu Jiabao, van de zelf-rapportage en vragenlijsten van symptomen af kunnen komen. En zouden we vroege stadia van de ziekte beter en eerder op kunnen sporen. Hoe verder de ziekte is gevorderd, hoe moeilijker het immers is om haar te behandelen.

Metabolische ontregelingen van immuuncellen

De Ramantechniek geeft ook de mogelijkheid om de hoeveelheden van de verschillende belangrijke biochemische elementen in de cellen te meten. Een voorbeeld is tryptofaan (zie ook de inleiding tot deze metabolismecyclus).

Tryptofaan-concentraties zijn al vaker aangeduid als ‘problematisch’ bij ME-patiënten. Een veranderd tryptofaan-niveau kan zowel de kynurenine- als de serotonine routepaden beïnvloeden. Het immuunsysteem kan door verhoogde kynurenine-niveaus extra worden geactiveerd. En veranderde serotonine-concentraties hebben effect op de hoeveelheden melatonine die weer uit serotonine worden aangemaakt.

In de context van de analyse van hoeveelheden aminozuren, refereert Xu Jiabao aan een door Carmen Scheibenbogen aangehaald artikel van twee Noorse onderzoekers, Oystein Fluge en Olav Mella, dat aangeeft dat enkele aminozuren verbonden aan de citroenzuurcyclus verlaagd zijn bij ME-patiënten, waardoor er bij hen minder ATP (de energiedrager) wordt gevormd bij deze patiënten.

Dit komt overeen met enkele van de Raman-resultaten. Hierbij werden er lagere cholesterolconcentraties gevonden bij alle patiënten, ook bij de MS-patiënten. Het versterkt het vermoeden dat de vetzuurverbranding verlaagd is. Een bevestiging hiervan is dat een andere energiedrager zoals glycogeen ook verlaagd is gevonden.

Toekomstplannen

  1. Omdat, zoals besproken, de Raman-technologie goede aanwijzingen geeft voor een betrouwbare diagnostische test voor ME, wil Xu Jiabao eerst de benadering valideren aan de hand van meer datasets dan die van de 98 individuen, verdeeld over ME, MS en gezond, die nu gebruikt zijn.
  2. Daarnaast wil zij de methode toepassen op Long Covid en bijvoorbeeld Lyme, omdat deze ziekten vergelijkbare ziektebeelden hebben, maar ook verschillend zijn. Zij kent bijvoorbeeld een patiënt met Lyme die daarvan hersteld was, maar wiens symptomen terugkwamen na een corona-infectie.
  3. Het is belangrijk om binnen de individuele immuuncellen naar subpopulaties te kijken, omdat er veel verschillende soorten immuuncellen zijn.
  4. Om het metabolisme en de energetische routepaden van ME-patiënten beter te begrijpen, zouden naast Raman-spectroscopie ook analyses van de verschillende isotopen kunnen worden gedaan.

Belangrijkste onderzoeksprioriteiten

  1. Hoe kan een objectieve, accurate en betrouwbare diagnostische test voor ME worden ontwikkeld?
  2. Is ME een auto-immuunziekte? Kan onderzoek naar immuuncellen de diagnose en de behandeling helpen?
  3. Hoe zorgen we dat we de verschillende gradaties en heterogeniteit van de ziekte beter begrijpen?
  4. Waarom ontwikkelen sommigen ME na een infectie? Is er een verband met Long Covid en andere post-infectieuze ziekten?

Bron tekst en afbeeldingen: NIH/NINDS
Vertaling en bewerking: ME Centraal
De vorige afleveringen vind je hier
zie ook de post op Facebook

by Categories: wetenschapTags: , , Een reactie plaatsen

Plaats een reactie