《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：Reliable discrimination of type 1 and type 2 diabetes by flow-through leukocyte-endothelium interactions exploiting advanced hydrodynamic detection parameters
編輯推薦：
本研究聚焦于傳統炎癥生物標志物難以區分1型糖尿病(T1D)與2型糖尿病(T2D)這一臨床挑戰，提出并驗證了一種基于平行平板流動腔和定量視頻追蹤的新方法。研究人員從T1D、T2D患者及健康個體的中性粒細胞動力學中提取了一組新穎的流體力學變量，并基于線性判別分析(LDA)構建了機器學習模型。研究結果表明，一組精簡的先進流體力學描述子能夠穩健地區分健康個體、T1D和T2D患者，其鑒別能力超越了傳統的流動參數和循環生物標志物。這項工作強調了基于流動的白細胞動力學與可解釋機器學習模型相結合，在表征糖尿病炎癥性微血管改變方面的巨大潛力，為心血管風險分層和個性化預防策略開發提供了一個有前景的功能性平臺。
糖尿病，尤其是其兩種主要類型——1型糖尿病(T1D)和2型糖尿病(T2D)，是全球范圍內導致心血管疾病和微血管并發癥的主要原因之一。這兩種類型的糖尿病都伴隨著慢性炎癥和內皮功能障礙，這使得血管系統更容易受到損傷，從而引發動脈粥樣硬化等嚴重問題。然而，盡管T1D和T2D的病理生理機制有所不同——T1D主要由自身免疫攻擊胰島β細胞導致胰島素絕對缺乏，而T2D則與胰島素抵抗和代謝紊亂相關——但基于傳統的循環炎癥生物標志物（如細胞因子、黏附分子）來準確區分這兩種類型仍然非常困難。這種鑒別診斷的模糊性，限制了為不同糖尿病患者制定更具針對性和有效性的個性化治療及早期干預策略。因此，醫學界迫切需要能夠更靈敏、更特異地反映糖尿病相關血管炎癥和功能障礙的新型生物功能學評估工具。
在這樣的背景下，一項發表在《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》雜志上的概念驗證研究應運而生。該研究提出了一個大膽的設想：能否利用在流動條件下白細胞與內皮細胞相互作用的高級流體力學描述子，來揭示區分糖尿病表型的寶貴信息？研究人員將目光投向了免疫反應的前線——中性粒細胞。在炎癥狀態下，中性粒細胞會與血管內皮發生一系列動態相互作用，包括捕獲、滾動、牢固黏附及遷移，這一過程被稱為白細胞黏附級聯反應。研究人員推測，T1D和T2D患者體內不同的炎癥微環境，可能會在中性粒細胞的這些動態行為上留下獨特的“指紋”。于是，他們設計了一項研究，旨在探索這些細微的動力學差異是否能成為區分糖尿病類型的可靠新指標。
為開展這項研究，研究人員從西班牙巴倫西亞的Dr. Peset大學醫院招募了參與者，包括T1D患者、T2D患者和健康對照者各10名。研究主要采用了幾個關鍵技術方法：首先，使用平行平板流動腔系統，在模擬生理血流條件下，讓從受試者血液中分離出的中性粒細胞流過培養的人臍靜脈內皮細胞單層，從而觀察其相互作用；其次，利用定量視頻追蹤技術，記錄并分析中性粒細胞的運動軌跡；最后，從這些軌跡數據中提取并定義了一組全新的、涵蓋速度、加速度、滾動、相互作用和數量等多個維度的先進流體力學變量。隨后，研究人員運用了監督式機器學習模型，特別是線性判別分析(LDA)，來構建并驗證基于這些新變量的分類模型，以區分不同的研究組別。
標準參數用于評估白細胞-內皮細胞相互作用的結果
研究人員首先評估了三個經典參數：滾動速度、滾動通量和黏附。結果顯示，在基礎條件下，T1D組的滾動速度顯著降低，而T1D和T2D組的滾動通量均增加。在用腫瘤壞死因子-α(TNF-α)激活內皮細胞后，T1D患者的滾動速度進一步降低，T2D患者的白細胞黏附顯著增加。然而，盡管部分組間比較顯示出統計學差異，但這些經典的單變量參數無法穩健地區分所有組別，特別是在區分T1D和T2D時表現不佳。基于這些經典參數構建的LDA模型，其判別能力有限，交叉驗證準確性不高，突顯了需要更敏感參數的迫切性。循環生物標志物的分析也顯示，單個標志物缺乏足夠的鑒別力，并且與經典流動參數的相關性較弱，表明它們捕獲的是靜態分子信息，無法充分反映動態功能變化。
從視頻記錄中篩選新的白細胞流體力學變量
為了克服傳統參數的局限，研究團隊利用專業軟件從視頻記錄中提取并定義了一套全新的、更全面的流體力學變量集。這些變量分為六類：速度變量（如平均速度、中位速度、特定速度區間的平均速度）、加速度變量（如平均加速度、中位加速度及其與速度的比值或乘積）、滾動變量（如平均正/負滾動事件數及其比值）、標準差變量（速度與加速度的標準差及其比值和乘積）、相互作用積變量（不同速度或加速度區間值的乘積）以及計數變量（落在特定速度或加速度區間內的白細胞數量）。方差分析表明，多個新變量在健康、T1D和T2D組間存在顯著差異，顯示了它們在構建高判別力模型方面的潛力。
使用先進流體力學變量進行線性判別分析的分類研究
研究人員利用這些新的流體力學變量構建了一系列LDA模型。
首先，在二元比較模型中，新變量展現出了卓越的判別能力。例如，區分T1D與T2D的模型僅使用少數幾個變量，就實現了100%的原始分類準確率和交叉驗證準確率，Wilks' lambda值低至0.162，顯著優于基于經典參數的模型。
其次，在更復雜的多元分類模型中，研究取得了突破性進展。一個旨在同時區分健康、T1D和T2D個體的三元模型，僅使用了五個精選變量，就獲得了高達96.7%的分類準確率和良好的交叉驗證表現。這五個變量包括：速度在500-1000 μm/s區間的白細胞計數(Nvx500-1000)、速度在1000-1500 μm/s區間的白細胞計數(Nvx1000-1500)、低速與中速區間的速度乘積(vx0-500× vx500-1000)、正負滾動事件的平均比值(Rave+/Rave-)以及平均速度(vxave)。該模型的Wilks' lambda值為0.316，表明組間差異顯著。重要的是，當使用獨立的測試集進行驗證時，該模型對所有測試個體實現了100%的正確分類，證明了其強大的預測能力和魯棒性。相比之下，在包含TNF-α激活條件或所有六組的更復雜模型中，分類性能下降，提示基礎條件下的白細胞動力學可能更能反映糖尿病固有的病理生理差異，而外源性炎癥刺激可能掩蓋了這些細微特征。
研究結論與重要意義
這項研究成功證明，通過平行平板流動腔實驗結合先進的視頻分析技術，能夠提取出一系列全新的、多維度的白細胞流體力學描述子。這些描述子超越了傳統的滾動速度、通量和黏附參數，能夠更精細地捕捉中性粒細胞與內皮細胞相互作用的動態細節。
研究最核心的發現是，利用線性判別分析等機器學習方法整合這些先進的流體力學變量，可以構建出高精度的分類模型。即使在樣本量有限的情況下，這些模型也能穩健地區分健康個體、1型糖尿病和2型糖尿病患者，其判別性能顯著優于基于經典參數或循環生物標志物的方法。這表明，白細胞在血流中的動力學行為蘊含著豐富的、與糖尿病炎癥表型和內皮功能障礙相關的功能性信息，這些信息是靜態的分子生物標志物所無法提供的。
這項工作的重要意義在于，它提出并驗證了一種全新的、功能性的炎癥表型分析平臺。該方法將生物物理測量（白細胞動力學）與可解釋的機器學習模型相結合，為在糖尿病等慢性炎癥性疾病中進行早期心血管風險分層、鑒別疾病亞型以及開發個性化的預防和治療策略開辟了新的途徑。它不僅為理解T1D和T2D中不同的微血管炎癥機制提供了新的視角，也為未來將其應用于其他涉及白細胞-內皮相互作用的疾病（如動脈粥樣硬化、自身免疫性疾病）的診斷和監測奠定了基礎。
