¹Medizinische Hochschule Brandenburg, Brandenburg
²lifespin GmbH, Regensburg

Text

Einleitung: Metabolisches Profiling (‘metabolomics’) ermöglicht die Detektion und Quantifizierung kleinmolekularer Substanzen (<1,5 kD) aus biologischen Proben (Gewebe oder Flüssigkeiten). Das Verfahren erlaubt potentiell (I) die Identifizierung neuer Biomarker sowie (II) die genauere Charakterisierung pathophysiologischer Prozesse. Im aktuellen Vorhaben wurden 7 distinkte systemische Autoimmunopathien metabolomisch analysiert. Prinzipiell sollten Kandidatenmokelüle identifiziert werden, die zukünftig der genaueren Phänotypisierung eines Erkrankungsfalles dienen könnten.

Methoden: Es handelt sich um eine observationale, monozentrische Kohortenstudie. Sämtliche Patient:innen wurden aus einer rheumatologischen Fachambulanz rekrutiert. Einschluss von Individuen mit ANCA-assoziierter Vaskulitis (AAV), Polymyalgia rheumatica (PMR), systemischem Lupus erythematodes (SLE), systemischer Sklerose (SSs), idiopathischer inflammatorischer Myopathie (IIM), primärem Sjögren Syndrom (SS) sowie Sarkoidose. Metabolisches Profiling mittels Bruker AVANCE NEO 600 MHz NMR Spektrometer. Analyse der Spektren mittels proprietärer Profiler-Software (Version 1.4_Blood, lifespin GmbH, Deutschland), Erstellung einer quantitativen Metabolitenliste.

Ergebnisse: Folgende Kohortengrößen wurden gebildet: AAV n=11, PMR n=11, SLE n=33, SSc n=18, IIM n=9, SS n=16 und Sarkoidose n=6. Sämtliche 2-Gruppenvergleiche ergaben, mit einer Ausnahme (SLE vs. SSc), signifikante Unterschiede in den metabolischen Profilen. Die höchste Anzahl an Differenzen mit statistischer Signifikanz ergab sich zwischen den Kohorten AAV und SS (108). Eine ‘heat map’-basierten Analyse ergab für 4 Erkrankungen besonders auffällige Metabolitencluster: AAV, PMR, SSc und Sarkoidose. Die Cluster zeigten zwischen diesen 4 Entitäten keine wesentlichen Überlappungen.

Schlussfolgerung: Systemische Autoimmunopathien sind durch distinkte Metabolitencluster gekennzeichnet, welche zueinander de facto keine Überlappungen zeigen. Die identifizierten Substanzen könnten zukünftig Eingang ins ‘risk profiling’ betroffener Individuen finden, insbesondere im Hinblick auf die Abschätzung klinisch relevanter Variablen wie Therapiesuszeptibilität und Rezidivrisiko. Longitudinale Daten werden in jedem Fall benötigt.