De kernpunten
- Omdat het immuunsysteem aan de basis ligt van zoveel ziekten, schreef Eric Topol vorig jaar over het belang van de ontwikkeling van een “immunoom” – een manier om eenvoudig alle immuunactiviteit te registreren.
- Dit jaar is er, in wat volgens Topol een “buitengewone” studie is, mede geschreven door een “lijst van de allergrootste immunologen en reumatologen”, een grote stap voorwaarts gezet in de creatie van zo’n immunoom – een stap die van invloed zou kunnen zijn op ziekten als ME/cvs, FM en long covid.
- Het onderzoek ontcijferde de gebieden op T- en B-cellen die zichzelf herschikken wanneer het immuunsysteem geconfronteerd wordt met ziekteverwekkers, gifstoffen en auto-immuunprocessen. Deze herschikkingen zijn zo complex dat niemand ze tot nu toe heeft kunnen ontcijferen.
- Met behulp van kunstmatige intelligentie en andere data-analysetechnieken voorspelde dit team voor het grootste deel correct welke deelnemers auto-immuunziekten of diabetes hadden, een griepvaccinatie hadden gekregen, enz. Wanneer deze technieken worden toegepast op een afzonderlijke ziekte, kunnen ze er subgroepen uithalen en de effectiviteit van de behandeling volgen, aldus de auteurs.
- Dat is waar ziekten zoals ME/cvs en long covid om de hoek komen kijken. Topol zei dat deze techniek perfect was voor het ontcijferen van mysterieuze, heterogene, op het immuunsysteem gebaseerde ziekten zoals ME/cvs, langdurige COVID en postbehandeling Lymesyndroom.
- Topols recente interview met de auteurs gaf aan dat hun technieken snel zijn verbeterd en dat volgens hen deze analyses goedkoop en betaalbaar kunnen worden. Dat zal waarschijnlijk nog wel even duren.
- Deze studie laat zien dat het onmogelijk is om de impact van AI-gedreven vooruitgang op complexe ziekten zoals ME/cvs en langdurige COVID te voorspellen. Wie weet waar we over twee, drie of vijf jaar zullen staan?
“Het is verbijsterend dat we hier in 2024 ons realiseren hoe belangrijk ons immuunsysteem is om ons te beschermen tegen infecties en ernstige ziekten… maar dat we toch nog geen verklarende klinische test hebben om het te onderzoeken. We hebben dringend een methode nodig om ons immuunsysteem te kunnen evalueren.” Eric Topol juli 2024
“De studie levert een eerste proefconcept, een opstapje, naar een volledig immunoom.” Eric Topol februari 2025
Topol schreef afgelopen juli voor het eerst over de behoefte aan een immunoom, een manier om alle componenten van het immuunsysteem samen te onderzoeken. Hij merkte op dat andere studies het “immunogen” begonnen te begrijpen, maar dat ze allemaal technieken gebruikten die te duur waren om in de praktijk toe te passen. Dat geldt niet voor deze nieuwste techniek, die de mogelijkheid biedt om op een goedkope manier het immunoom in kaart te brengen – vandaar Topols titel, ”Het eerste diagnostische immunoom“.
Topol noemde het onderzoek “Ziektediagnostiek met behulp van automatisch computerleren van B- en T-celreceptorsequenties”, dat verscheen in het tijdschrift Science, “buitengewoon” en zei dat het mede was geschreven door een keur aan immunologen en reumatologen.
De studie onderzocht de receptoren of antennes op T- en B-cellen. Omdat deze receptoren elke ziekteverwekker, vaccinatie, auto-immuunreactie en toxische blootstelling waaraan onze cellen worden blootgesteld, opsporen en moeten bijhouden, vormen ze een levende encyclopedie van onze immuungeschiedenis.
Maar om te kunnen reageren op de vele factoren waaraan ons immuunsysteem wordt blootgesteld, moeten deze receptoren extreem wendbaar zijn. Dat betekent dat ze snel hun genen herschikken of muteren om het bombardement van aanvallen waaraan ons immuunsysteem wordt blootgesteld, te kunnen bijhouden. Door die complexiteit was het tot nu toe moeilijk – zo niet onmogelijk – om hun sequentie te bepalen. Het is dan ook niet verrassend dat dankzij kunstmatige intelligentie het onmogelijke mogelijk wordt.
Topol merkte op dat Sarah Teichmann van de Universiteit van Cambridge verklaarde: “Dit is een methode van sequentiebepaling die in één keer alles vastlegt waaraan je immuunsysteem ooit is blootgesteld.”
De onderzoekers, onder leiding van Maxim Zaslavsky, gebruikten een proces dat Mal-ID (Machine Learning for Immunological Diagnosis) wordt genoemd. Aan het onderzoek namen bijna 600 personen deel met verschillende aandoeningen (gehospitaliseerd met acute COVID, auto-immuun type 1-diabetes, HIV, een recente griepprik) en gezonde controles. Daarbij werd de sequentie vastgelegd van de twee delen van B- en T-cellen (de zware keten van de B-celreceptor en de bètaketen van de T-celreceptor) die een cruciale rol spelen bij het herkennen van immunologische aanvallen (antigenen) en bij het binden aan deze antigenen (zodat het immuunsysteem kan reageren), bij tientallen miljoenen T- en B-cellen.
De auteurs gebruikten drie verschillende analysemodellen om de gegevens te beoordelen. Ze ontdekten dat T-celreceptoranalyse het beste was in het voorspellen van lupus en type 1-diabetes, terwijl B-celreceptorsequenties het beste waren in het identificeren van HIV, SARS-CoV-2-infectie of een recente griepvaccinatie.
Het samen combineren van de verschillende modellen tot een “ensemblemodel” gaf de beste resultaten. De onderzoeksresultaten rezen de pan uit omdat het model in staat was om iedereen correct te classificeren ((AUROC) van 0,999 (1,0 = perfect)). Dat is een ongekende effectiviteit voor diagnoses.
Het vermogen van de test om de specificiteit en gevoeligheid van de ziekte nauwkeurig vast te stellen was lager (93% werd correct beoordeeld als gezond of niet gezond, en van 87,5% werd correct vastgesteld welke ziekte men had). Hoewel van sommige gezonde mensen werd beoordeeld dat ze een auto-immuunziekte hadden, merkte Topol op dat deze mensen kwetsbaar zouden kunnen zijn voor een auto-immuunziekte.
Topols gesprek met de hoofdauteurs wees uit dat ze sequentiebepaling gedaan hadden bij veel meer mensen met auto-immuunziekten en dat de tests verhelderende inzichten in therapieën hadden opgeleverd. Bovendien zouden de tests, wanneer ze beschikbaar komen, goedkoop op grote schaal in batches moeten kunnen worden uitgevoerd met een snelle doorlooptijd.
De mogelijkheid van deze techniek om ziektetoestanden op moleculair niveau in te delen, zou vooral nuttig kunnen zijn bij heterogene ziekten zoals ME/cvs, FM en long covid. Een van de coauteurs – Boyd – merkte op dat zelfs auto-immuunziekten subgroepen hebben die significant verschillen op biologisch of moleculair niveau. Boyd vertelde aan Science Daily:
“Mal-ID zou ons kunnen helpen subcategorieën van bepaalde aandoeningen te identificeren die ons aanwijzingen kunnen geven over welke behandeling het meest nuttig zou zijn voor iemands ziektetoestand.”
We hebben al gezien dat, hoewel Golfoorlogsyndroom en ME/cvs er in sommige opzichten hetzelfde uitzien, het inderdaad heel verschillende verschijnselen zijn. Een soortgelijke revolutie vond plaats in de botanische classificatie met de komst van genetische analyses. Sommige planten die op basis van hun uiterlijk in families werden ingedeeld, bleken helemaal geen familie van elkaar te zijn en de classificatie van planten werd fundamenteel veranderd.
Topol merkte ook op dat het gebruik van een AI-model op basis van uitgebreide taaldatabanken, ESM-2 genaamd, een cruciale rol speelde in deze studie. Hoewel het onderzoek een beetje “gekunsteld” was omdat de auteurs een beperkt aantal omstandigheden gebruikten om het model op te testen, verklaarden de auteurs dat er veel vooruitgang was geboekt sinds het schrijven van de publicatie.
Topol stelde zich voor dat de T- en B-celbevindingen samengevoegd zouden kunnen worden met andere immunologische resultalten (autoantilichamen, blootstelling aan virussen en ziekteverwekkers, flowcytometrie, functionele T-celtests, interferon, HLA-typering, enz. ) om een volledig beeld te krijgen van het immunoom. Dit lijkt heel goed mogelijk gezien de spectaculaire toename in onze mogelijkheden om grote hoeveelheden gegevens te analyseren. De beperkende factor lijkt niet aan de analytische kant te liggen, maar aan ons vermogen om alle gegevens te verzamelen, d.w.z. om de financiering te krijgen om zoveel mogelijk gegevens van zoveel mogelijk mensen te verzamelen.
Toepassingen op ME/cvs, langdurige COVID en andere postinfectieuze ziekten
Topol stelde dat deze nieuwe techniek perfect was voor het begrijpen van mysterieuze, gecompliceerde ziekten zoals Long Covid (en dankzij de vraag van Mark Camenzind) ook van ME/cvs en postinfectieuze ziekten zoals het postbehandeling Lymesyndroom (PTLD). Topol stelde niet alleen dat “het diagnosticeren en volgen van individuen met long covid een voorbeeld is van hoe dit toegepast zou kunnen worden”, maar ook dat het gebruikt zou kunnen worden om de effectiviteit van behandelingen te testen.
Toen ME/cvs-belangenbehartiger Mark Camenzind vroeg of deze methode kon worden toegepast op ME/cvs, noemde Topol het “zeker, een perfecte toepassing voor ME/cvs”, en hij antwoordde hetzelfde op een vraag over het na behandeling Lymesyndroom (PLDTS). De benadering zou ook gebruikt kunnen worden om te ontdekken wat er mis is gegaan bij het postvaccinatiesyndroom en wie er risico op loopt. Mark Camenzind merkte op dat het onderzoek zijn oorsprong vindt in Stanford en dat Paul Utz – die ME/cvs bestudeert en covoorzitter is van het RECOVER long COVID programma in Stanford – een medeauteur was.
Het zal nog wel even duren voordat deze technologie beschikbaar is, maar het laat zien dat we in boeiende tijden leven. Met kunstmatige intelligentie die medisch onderzoek op zoveel manieren kan ondersteunen, wie weet wat er nog allemaal zit aan te komen?
Het onderzoek werd zwaar gefinancierd door de NIH (20 beurzen (!)) en door andere beurzen en filantropische donaties. Topol – die nogal kritisch is geweest over de NIH – hekelde niettemin de recente veranderingen bij de NIH, de CDC, de FDA en het Ministerie van Volksgezondheid en Sociale Diensten. Topol noemde het “donkere tijden voor de biomedische wetenschap”, maar zei – verwijzend naar de “uitgesproken versnelling van de vooruitgang” die zich voordoet, deels te danken aan AI – dat hij zijn optimisme niet had verloren.
Lees ook: Long COVID, ME/CFS and the Trump Administration: Where We Stand Now
© Health Rising, 4 maart 2025. Vertaling Els, redactie admin, ME-gids.
