神経細胞外小胞と機械学習を用いてHIV感染者の認知障害を予測する

Using neuronal extracellular vesicles and machine learning to predict cognitive deficits in HIV.

• Lynn Pulliam
• Michael Liston
• Bing Sun
• Jared Narvid

抄録

我々の目的は，血漿神経細胞外小胞（nEV）タンパク質，臨床データ，機械学習を用いて，HIV感染者のHIV関連神経認知障害（HAND）を予測することであった．女性38名、男性22名のHIV感染者とHAND患者40名から血漿60検体を得た。nEVは神経細胞特異的L1CAM抗体を用いた免疫吸着法により分離した。高可動性群ボックス1（HMGB1）、ニューロフィラメントライト（NFL）、リン酸化タウ181（p-T181-tau）タンパク質をELISAで定量した。臨床データとnEVタンパク質を用いて認知機能障害を予測するために、3種類の異なる計算アルゴリズムを実施した。3つの異なるアルゴリズムの中で、サポートベクターマシンが最も優れた性能を示した。臨床データと3種類のnEVタンパク質を用いて4つの異なるモデルを適用したところ、選択した臨床データとHMGB1とNFLの組み合わせが認知機能障害の予測に最も適しており、曲線下面積は0.82であった。最も重要な特徴はCD4カウント、HMGB1、NFLであった。以前に発表されたデータでは、nEVのp-T181-tauがアルツハイマー病（AD）で上昇していることが示されていたが、今回の研究では、p-T181-tauはHANDの評価には重要ではなかったが、実際にはADとの鑑別につながる可能性があるという。機械学習はプログラミングのバイアスをかけずにデータにアクセスすることができる。いくつかのnEVタンパク質に加えて重要な臨床変数を特定することで、神経細胞の損傷をよりよく予測できる。このアプローチは、他の神経変性疾患を区別し、治療法が特定された後の回復を決定する可能性がある。

Our objective was to predict HIV-associated neurocognitive disorder (HAND) in HIV-infected people using plasma neuronal extracellular vesicle (nEV) proteins, clinical data, and machine learning. We obtained 60 plasma samples from 38 women and 22 men, all with HIV infection and 40 with HAND. All underwent neuropsychological testing. nEVs were isolated by immunoadsorption with neuron-specific L1CAM antibody. High-mobility group box 1 (HMGB1), neurofilament light (NFL), and phosphorylated tau-181 (p-T181-tau) proteins were quantified by ELISA. Three different computational algorithms were performed to predict cognitive impairment using clinical data and nEV proteins. Of the 3 different algorithms, support vector machines performed the best. Applying 4 different models of clinical data with 3 nEV proteins, we showed that selected clinical data and HMGB1 plus NFL best predicted cognitive impairment with an area under the curve value of 0.82. The most important features included CD4 count, HMGB1, and NFL. Previous published data showed nEV p-T181-tau was elevated in Alzheimer's disease (AD), and in this study, p-T181-tau had no importance in assessing HAND but may actually differentiate it from AD. Machine learning can access data without programming bias. Identifying a few nEV proteins plus key clinical variables can better predict neuronal damage. This approach may differentiate other neurodegenerative diseases and determine recovery after therapies are identified.