Стеатозная болезнь печени (SLD), ранее известная как неалкогольная жировая болезнь печени, которая включает ряд состояний, вызванных накоплением жира в печени из-за нарушения липидного обмена, поражает около 25% населения во всем мире, что делает ее наиболее распространенным заболеванием печени. Часто называемую «скрытым заболеванием печени», SLD прогрессирует без заметных симптомов и может привести к более тяжелым состояниям, таким как цирроз (рубцевание печени) и рак печени.
Биопсия печени -; инвазивная процедура, включающая забор образца ткани печени из организма -; является традиционным методом тестирования на SLD. Чтобы упростить диагностику, исследовательская группа под руководством профессора Кохея Сога из Токийского научного университета (TUS) ранее представила гиперспектральную визуализацию в ближнем инфракрасном диапазоне (NIR-HSI) в качестве неинвазивного метода визуализации общего содержания липидов в печени. Ближний свет с более длинными волнами (800-2500 нм), чем ультрафиолетовый и видимый свет, демонстрирует поглощение, приписываемое различным органическим веществам, включая биомолекулы в тканях, что позволяет идентифицировать распределение жира в печени.
Теперь, в новом исследовании, опубликованном в журнале Scientific Reports 23 ноября 2023 года, исследовательская группа, включая проф. Кохей Сога, доцент Масакадзу Умэдзава, доцент Масао Камимура из TUS и профессор Наоко Охтани из Столичного университета Осаки, усовершенствовали этот метод, внедрив модель машинного обучения, которая позволяет дифференцировать тип липидов, присутствующих в печени, на пиксельном уровне. Система дифференцирует липиды на основе длины углеводородной цепи (HCL) и степени насыщения (DS) жирных кислот, помогая оценить риск прогрессирования SLD, стеатогепатита (NASH) и SLD / NASH-ассоциированного рака печени.
«В дополнение к качественной информации, такой как общее содержание липидов, мы теперь также можем визуализировать качественную информацию, такую как характеристики распределения жирных кислот, содержащихся в липидах, в основном триглицеридах», говорит доктор Умезава.
Примечательно, что идентификация липидов на основе молекулярного состава с использованием NIR-HSI столкнулась с трудностями из-за перекрывающихся спектров поглощения различных биомолекул. Для решения этой проблемы исследователи использовали модель машинного обучения с регрессией опорных векторов, которая была обучена распознавать состав 16 жирных кислот. Эти обучающие данные были получены с помощью газохроматографического анализа образцов печени мышей, которых кормили рационами с различным содержанием жира. Применяя машинное обучение к данным NIR-HSI, стало возможным интерпретировать спектральную информацию в терминах распределения жира (DS и HCL) в печени.
DS, указывающий на двойные связи или степень насыщения жирных кислот, рассчитывается как доля CH2 от суммы чисел CH и Ch2. HCL, представляющий длину цепи жирных кислот, определяется соотношением групп CH 3 + CH2 + CH + 1 (COOH) к количеству групп CH3. Используя этот метод, исследователи успешно определили состав жирных кислот в печени мышей, выявив корреляцию с содержанием жира в их рационе. Например, печень мышей, получавших диету, богатую насыщенными жирами, такими как пальмитиновая и миристиновая кислоты, показала заметно высокий DS, тогда как мыши, получавшие ненасыщенные жиры, такие как α-линолевая кислота, показали низкий DS.
DS, HCL и общее содержание липидов были отображены в виде цветной карты, что дало уникальное визуальное представление о распределении жира в печени, что упростило диагностику жировых заболеваний печени. «Визуализация распределения липидов в виде многомерной информации вместо простого использования общего содержания липидов в качестве единственного параметра предоставляет новый инструмент для выявления патофизиологических состояний заболеваний печени и метаболизма», отмечает доктор Умезава.
Действительно, предоставляя быстрый и не требующий маркировки метод выявления жировой дистрофии печени, который поражает большую часть населения, метод может стать потенциальной альтернативой инвазивным процедурам биопсии печени, трансформируя лечение печени.
Эта новая система также может найти потенциальное применение в фармакологических исследованиях, таких как метаболизм, токсичность и эффективность лекарственных средств; изучение метаболических нарушений с помощью метаболической визуализации; и выявление отвечающих и не отвечающих в клинических испытаниях. Исследователи также ожидают, что система найдет применение в определении персонализированных стратегий питания; разработке планов и оптимизации вмешательств для улучшения питания; посредством идентификации биомаркеров и прогнозирования ответа на лечение. Таким образом, новая система, разработанная исследователями, может произвести революцию в здравоохранении и смежных исследованиях.
