Η κλινική επιτυχία της μεταμόσχευσης επηρεάζεται, μεταξύ άλλων παραγόντων, από τον πολυμορφισμό των γονιδίων HLA, καθώς οι ανοσοαποκρίσεις έναντι της ασυμβατότητας HLA αυξάνουν τον κίνδυνο απόρριψης του μοσχεύματος, την ανάπτυξη της νόσου μοσχεύματος έναντι του ξενιστή και τη θνησιμότητας. Είναι ύψιστης σημασίας η συμβατότητα των HLA μεταξύ του ασθενή (λήπτης) και του δότη στην μεταμόσχευση αρχέγονων αιμοποιητικών κυττάρων καθώς βελτιώνει την επιβίωση του μοσχεύματος. Η πιθανότητα επιτυχίας του μοσχεύματος είναι βέλτιστη όταν ο δότης και ο λήπτης είναι πλήρως συμβατοί και παρουσιάζουν πολύ μικρό αριθμό αναντιστοιχιών HLA.
Σήμερα, τα περισσότερα μητρώα δοτών περιλαμβάνουν ένα αρκετά μεγάλο αριθμό δοτών που έχουν τυποποιηθεί με ανεπαρκή ανάλυση και περιέχουν ελλιπείς τόπους και γονίδια. Η εξέλιξη της επιστήμης στα πεδία της τυποποίησης και ονοματολογίας HLA καθιστά δύσκολες τις αναδρομικές αντιστοιχίσεις HLA μεταξύ δότη και λήπτη. Υπάρχει μια συνεχόμενη ανάγκη για την εύρεση κατάλληλων δοτών, η οποία καθιστά τον σχεδιασμό μεθόδων για την πρόβλεψη υψηλής ανάλυσης HLA ύψιστης αναγκαιότητας.
Ο στόχος της μελέτης είναι παρουσίαση διαφορετικών μεθόδων για την πρόβλεψη αποτελεσμάτων τυποποίησης υψηλής ανάλυσης προκειμένου να αυξηθεί η πιθανότητα εύρεσης δότη από ελλιπή δεδομένα HLA. Για την επίτευξη του σκοπού αυτού, εφαρμόστηκαν μέθοδοι που βασίζονται στις συχνότητες εμφάνισης των αλληλίων HLA μέσω του πακέτου «hlaR» και στον αλγόριθμο μηχανικής μάθησης Random Forest για τη δημιουργία μοντέλων σε γλώσσα προγραμματισμού R. Επιπλέον, παρουσιάζεται η μέθοδος στο Attribute Bagging μέσω του πακέτου «HIBAG» το οποίο αν και αποτελεί ένα ολοκληρωμένο πακέτο για την πρόβλεψη HLA, η εφαρμογή του στα δεδομένα μας εμπίπτει σε περιορισμούς.
Σε αυτή τη μελέτη συμπεριλήφθηκαν περίπου 3.000 δεδομένα από τυποποιήσεις HLA μονάδων Ομφαλοπλακουντιακού Αίματος που προορίζονται για αλλογενή μεταμόσχευση αρχέγονων αιμοποιητικών κυττάρων. Οι μονάδες Οπ.Α έχουν γίνει δωρεά από οικογένειες-δότες στην Ελληνική Τράπεζα Ομφαλοπλακουντιακού Αίματος του Ιδρύματος Ιατροβιολογικών Ερευνών της Ακαδημίας Αθηνών.
The clinical success of the transplantation is influenced, among other factors, by the polymorphism of HLA genes, as immune responses to HLA incompatibility increase the risk of graft rejection, the development of graft-versus-host disease, and mortality. The compatibility of HLAs between the patient (recipient) and the donor in hematopoietic stem cell transplantation is paramount as it improves graft survival. The probability of the transplantation success is optimal when the donor and recipient are fully compatible and have a very small number of HLA mismatches.
Today, most donor registers contain a large number of donors that have been typed with insufficient analysis and contain missing genes. Advances in science in the fields of HLA typing methods and nomenclature make it difficult to make retrospective HLA compatibility analysis between donor and recipient. There is an ongoing need to find suitable donors, which makes designing methods for predicting high HLA resolution of the highest necessity.
The aim of the study is to present different methods for predicting high resolution typing results in order to increase the likelihood of finding a donor from incomplete HLA data. To achieve this, methods based on the occurrence frequencies of HLA alleles through the “hlaR” package and the Random Forest machine learning algorithm were used to generate models in the programming language R. Additionally, is presented the Attribute Bagging method through the package “HIBAG”, which although is a complete package for HLA prediction, its application to our data is subject to limitations.
This study included approximately 3,000 data of HLA typing in high and low resolutions of Cord Blood Units intended for allogeneic hematopoietic stem cell transplantation. The CBU have been donated by the donor’s family to the Hellenic Cord Blood Bank of the Biomedical Research Foundation of the Academy of Athens.
Εκτίμηση υψηλής ανάλυσης HLA σε μονάδες ομφαλοπλακουντιακού αίματος με αλγόριθμους συχνοτήτων και μηχανικής μάθησης