25rhk20510.3205/25rhk205urn:nbn:de:0183-25rhk2053Meeting AbstractMulti-OMIC-Analyse zur Korrelation von OMICs-Basisprofilen der Krankheitsaktivität und des Ansprechens auf verschiedene immunmodulatorische Behandlungen bei Patienten mit systemischem Lupus erythematodes – eine explorative Pilotstudie unter Verwendung eines Multi-OMICs-AnsatzesKöhmKöhmMichaelaMUniversitätsmedizin Frankfurt & Fraunhofer Institut für Transnationale Medizin und Pharmakologie ITMP, Rheumatologie, Immunologie – Entzündungsmedizin, Klinische Forschung, FrankfurtauthorGurkeGurkeRobertRFraunhofer Institut für Translationale Medizin und Pharmakologie ITMP, FrankfurtauthorGeisslingerGeisslingerGerdGFraunhofer Institut für Translationale Medizin und Pharmakologie ITMP, FrankfurtauthorBehrensBehrensFrankFUniversitätsmedizin Frankfurt & Fraunhofer Institut für Transnationale Medizin und Pharmakologie ITMP, Rheumatologie, Immunologie – Entzündungsmedizin, Klinische Forschung, FrankfurtauthorGerman Medical Science GMS Publishing House
Düsseldorf
61020250917germThis is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License.Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung).M0627205Deutsche Gesellschaft für RheumatologieDeutsche Gesellschaft für Orthopädische Rheumatologie53. Kongress der Deutschen Gesellschaft für Rheumatologie (DGRh), 39. Jahrestagung der Deutschen Gesellschaft für Orthopädische Rheumatologie (DGORh)Deutscher Rheumatologiekongress 2025Vaskulitiden & KollagenosenWiesbaden2025091720250920VK.56TextEinleitung: Der systemische Lupus erythematodes (SLE) ist eine chronisch immunvermittelte Systemerkrankung, die ein sehr heterogenes klinisches Bild zeigt. Trotz einer Vielzahl von Behandlungsmöglichkeiten sprechen nur etwa 30% der Patienten auf die Erstlinientherapie an. Biomarker Analysen durch Nutzung von Multi-OMIC-Plattformen bieten einen Ansatz, das Verständnis der molekularen Änderungen, die mit der unterschiedlichen Krankheitsaktivität beim Einsatz immunmodulatorischer Behandlungen einhergehen, zu verbessern und so die gezielte Auswahl von immunmodulierenden Therapien in der klinischen Routine zu unterstützen. Vor allem Lipidomaanalysen stellen hier eine besondere Möglichkeit dar, Änderungen im Lipidstoffwechsel zu detektieren, um Vorhersagen zum Therapieansprechen treffen zu können.Methoden: Aus einer prospektiven Kohortenstudie wurden 11 Patienten mit unterschiedlichem Aktivitätsgrad des SLE und Einleitung oder Fortführung einer DMARD-Therapie ausgewählt. Plasmaproben und PBMCs wurden bei zwei Visiten im Abstand von drei Monaten entnommen und untersucht. Neben einer breit angelegten Lipidomuntersuchung wurden die Proben zur Charakterisierung der systemischen Immunzellarchitektur mittels Durchflusszytometrie und gezielter Proteomanalyse unter Verwendung des OLINK-Entzündungspanels genutzt. Das Ansprechen auf die DMARD-Therapie wurde anhand der Differenz des SLEDAI-2K-Scores für die Krankheitsaktivität zwischen den beiden Visiten bewertet. Ein Ansatz des maschinellen Lernens (Multiblock sPLS-DA) wurde verwendet, um die Variation innerhalb der Multi-OMICDaten in Bezug auf die Veränderung der Krankheitsaktivität zwischen den beiden Zeitpunkten zu analysieren. Es wurden die Korrelationsstrukturen zwischen zytomischen, proteomischen und lipidomischen Analyten aufgedeckt, die sich am besten zur Unterscheidung der Gruppen eignen.Ergebnisse: 11 Patienten mit SLE wurden in dieser Pilotstudie zur Analyse ausgewählt. Nach der klinischen Bewertung mittels SLEDAI-2K zeigten 5 Patienten eine mäßige Krankheitsaktivität, 2 eine geringe Krankheitsaktivität und 4 befanden sich zu Beginn der Studie in Remission. Der Status vor der Behandlung und der aktuelle Behandlungsstatus mit Behandlungsänderungen sind in Abbildung 1A dargestellt. Trotz der geringen Stichprobengröße war ein überwachter maschineller Lernansatz (Multiblock sPLS-DA) in der Lage, drei Krankheitsaktivitätsgruppen auf der Grundlage von Unterschieden im systemischen Zytom, Proteom und Lipidom zwischen den beiden Besuchen zu unterscheiden. Bestimmte korrelierte Merkmale wurden für weitere Untersuchungen ausgewählt (Netzwerk) (Abbildung 1B ). Zwei Sphingomyeline wurden vom Modell für eine optimale Unterscheidung zwischen den Gruppen, die mit der Krankheitsaktivität zusammenhängen, auf derGrundlage von Veränderungen im systemischen Lipidstoffwechsel ausgewählt (Abbildung 1C ). Es wurde festgestellt, dass die beiden Analyte bei Patienten mit einer Verbesserung ihres SLEDAI-2K-Wertes beim zweiten Besuch erhöht waren.Schlussfolgerung: Diese explorative Pilotstudie wurde durchgeführt, um das Potenzial der Multi-OMICs-Analyse für die Vorhersage der Krankheitsaktivität und des Ansprechens auf die Behandlung bei SLE-Patienten zu bewerten. Mehrere Studien haben darauf hingewiesen, dass Veränderungen im Sphingolipid-Stoffwechsel mit Veränderungen der SLE-Krankheitsaktivität und dem Ansprechen auf die Behandlung verbunden sind, was wir bestätigen können , . Es werden jedoch weitere Daten benötigt, um diese Ergebnisse in Zukunft zu bestätigen.Song WTang DChen DZheng FHuang SXu YYu HHe JHong XYin LLiu DDai WDai YAdvances in applying of multi-omics approaches in the research of systemic lupus erythematosus2020Int Rev Immunol163-73Song W, Tang D, Chen D, Zheng F, Huang S, Xu Y, Yu H, He J, Hong X, Yin L, Liu D, Dai W, Dai Y. Advances in applying of multi-omics approaches in the research of systemic lupus erythematosus. Int Rev Immunol. 2020;39(4):163-73. DOI: 10.1080/08830185.2020.1736058http://dx.doi.org/10.1080/08830185.2020.1736058Huang XLuu LDWJia NZhu JFu JXiao FLiu CLi SShu GHou JKang MZhang DXu YWang YCui XLai JLi JTai JMulti-Platform Omics Analysis Reveals Molecular Signatures for Pathogenesis and Activity of Systemic Lupus Erythematosus2022Front Immunol833699Huang X, Luu LDW, Jia N, Zhu J, Fu J, Xiao F, Liu C, Li S, Shu G, Hou J, Kang M, Zhang D, Xu Y, Wang Y, Cui X, Lai J, Li J, Tai J. Multi-Platform Omics Analysis Reveals Molecular Signatures for Pathogenesis and Activity of Systemic Lupus Erythematosus. Front Immunol. 2022 Apr 19;13:833699. DOI: 10.3389/fimmu.2022.833699http://dx.doi.org/10.3389/fimmu.2022.833699011
Abbildung 1: A: Krankheitsaktivitätsstatus und Behandlungsstatus der eingeschlossenen Kohorte von SLE-Patienten. B: Überwachter maschineller Lernansatz (Multiblock sPLS-DA), korrelierte Merkmale wurden für weitere Untersuchungen ausgewählt (Netzwerk). C: Vom Modell ausgewählte Sphingomyeline zur optimalen Unterscheidung zwischen Gruppen, die mit der Krankheitsaktivität zusammenhängen.