精準的肥胖代謝體硏究

精準的肥胖代謝體硏究

長庚大學教授 林口長庚醫院 婦產部主治醫師 王子豪

 

身體質量指數(BMI, body mass index)最常用來評估一個人是瘦還是胖,BMI的計算方法就是:體重(公斤)除以身高(公尺)的平方。一般認為正常體重就是BMI介於18.5-25,過重就是BMI 25-30,而肥胖則指BMI >30。然而,因為未成年人的BMI都比較低,所以只要是大於同性別、同年紀的95百分位 (95th percentile) BMI,不一定要高達BMI >30,也是屬於肥胖的未成年人。據此來估計,美國的40%的成人和19%的青少年都屬於肥胖的族群 (延伸閱讀一)。當然某些體質會特別容易發胖,但是飲食和生活習慣的影響最大。最經典的例子是:帶有同樣基因體質的Pima美洲印第安人,居住在美國亞利桑那州(Arizona)的有60%產生肥胖,而住在墨西哥的則只有少於20%是屬於肥胖 (延伸閱讀二)。雖然BMI可用來很方便的劃分什麼人屬於肥胖,但事實上個人的體質異質性 (individual heterogeneity)也影響很大,例如某些人就是骨架較粗壯的 (larger framed),當然容易有較高的BMI。而種族的差異也有重大影響,所以,台灣衛生福利部就建議:在18歲以上台灣成人正常的BMI是介於18.524之間,過重的BMI是介於24和27之間,而肥胖者是指BMI大於27 (延伸閱讀三)

 

如何來評估和治療肥胖,是學界在精準醫學時代的一個重要目標 (延伸閱讀一)。在2018年底刊登於Cell Metabolism的研究,就是整合了代謝體學、基因體學分析,並用雙能量X 射線吸收測量法(dual-energy X-ray absorptiometry imaging, DEXA) 評估內臟脂肪和皮下脂肪的數據,配合其他的血液生化檢查數據,來探討肥胖的種類和臨床影響 (延伸閱讀四)。這個加州聖地牙哥團隊取材自TwinsUK的兩千多個血液檢體,除了用次世代定序來分析受試者的基因體資料,也用液相層析串聯質譜儀 (LC-MS/MS),先找出110個可能當作生物標記的代謝產物。再用另一個含有四百多人的族群 (Health Nucleus Study) 加以驗證,最後鑒定出49個可受驗證的代謝產物 (下圖)。這些可當作生物標記的代謝產物,約有一半是屬於脂類 (n=23),另有三分之一是屬於氨基酸 (n=14)。除了大約一半 (11/23)的脂肪代謝物和七分之一的氨基酸代謝產物 (2/14)會隨著BMI越高而下降,其他大部分的代謝體生物標記都隨著BMI的上升而增加血中濃度 (下圖)。

1

 

將這49個代謝體生物標記放入代謝體分析模式 (metabolomic model),再對應到正常BMI (=18.5-25)和肥胖BMI (>30)的組別時,可獲得89.1%的特異度(specificity)和80.2%的靈敏度 (sensitivity),本研究的作者將它命名為根據代謝體衍生的BMI (mBMI)。利用沿用已久的BMI和本研究新發現的mBMI數據,可將受試者區去分成五群:第一至三群為BMI 和mBMI一致 (下圖藍色點線框),第四組是mBMI<<BMI,而第五組是mBMI>>BMI (下圖紅色點線框)。有用的是:第四和第五組能更清楚反映出受試者的胰島素抗性、腰臀圍比例、三甘油脂總量、高密度膽固醇量、內臟脂肪比例和皮下脂肪比例的差異 (下圖紅色點線框)。

2

 

下圖更可以突顯在mBMI和BMI不一致的受試者的腰臀脂肪分布。在正常體重(BMI=23)或是肥胖(BMI=31)受試者,都可以看到第四組 (mBMI<<BMI)或第五組(mBMI>>BMI)的特例 (outliers)。即使在正常體重組,mBMI過高 (下圖的mBMI=28.5)的腰部囤積的內臟脂肪就特別多,對健康也會產生特別不良的影響。

3

 

所以本研究有幾個重要的發現 (下圖)。 (1) 會不會產生肥胖,受基因體質影響很大。(2) 由代謝體數據衍生出來的mBMI比較能夠精確的反映出對健康的影響,例如,有肥胖代謝體 (obese metabolome)的人-意思就是mBMI高的,產生心臟疾病的機會大增(下圖的上方兩個圖例)。

4

 

延伸閱讀:

  1. Yanovski SZ and Yanovski JA. Toward precision approaches for the prevention and treatment of obesity. JAMA (2018) 319: 223-224.
  2. Schulz LO et al. Effects of traditional and Western environments on prevalence of type 2 diabetes in Pima Indians in Mexico and the US. Diabetes Care (2006) 29: 1866-1871.
  3. 臺灣肥胖防治策略(草案) – 國健署

https://www.hpa.gov.tw/Pages/ashx/File.ashx?FilePath=~/File/Attach/8405/File_8068 .pdf

  1. Cirulli ET at al. Profound perturbation of the metabolome in obesity is associated with health risk. Cell Metabolism (2019) 29: 1-13.

人類腸道微生物相的發育

長庚大學教授 林口長庚醫院 婦產部主治醫師 王子豪

2018年10月28的Nature期刊發表了兩篇重要的人類腸道微生物基因體(gut microbiome)論文。Stewart等人代表一個國際合作團隊 (TEDDY, The Environmental Determinants of Diabetes in the Young),從903位三個月到46個月大的嬰兒收集了12,500支糞便檢體,詳細敘述了這些嬰兒腸道微生物基因體的發育變化。該期的Nature封面並將嬰兒的微生物體描述成嬰幼兒的安全防護毯 (security blanket) (下圖),來強調人體和微生物形成一個唇齒相依的密切互利關係。依照嬰幼兒的年紀來分,3個月到14個月大是屬於發育期 (developmental phase),15個月到30個月左右是屬於過渡期 (transitional phase),而大於30個月大則呈現穩定期 (stable phase) (延伸閱讀1)。在人類腸道微生物發育期以比菲德氏菌 (Bifidobacterium) 為主,而在穩定期則以厚壁菌門 (Firmicutes)為主。會影響腸道微生物基因體結構的因素包括:生產的方式(陰道生產或是剖腹產)、是否餵母奶、嬰幼兒是否有兄弟姐妹、或是家裡有是否養毛小孩 (furry pets)當寵物。

a

Dirichlet多項混合模型(Dirichlet multinomial mixtures modeling, DMM modeling) 是用來分析微生物總體基因體(microbial metagenomics)資料的概率模型分析法,可以將數據呈現為:在各個檢體中,某一分類單元 (taxa)出現次數的頻率矩陣。該研究利用DMM modeling將排在前25名的主要微生物叢列出,依群聚關係 (clustering)呈現為10個群聚 (clusters),畫出熱度圖 (heat map) (下圖a)。依可操作性分類單元 (OTUs)值和Shannon多樣性指數,進一步分析這十個群聚的同生態域多樣性 (alpha diversity) (見下列註解) (下圖b);而這十個群聚的alpha微生物多樣性,是隨著嬰幼兒的年紀而遞增 (下圖c)。儘管如此,在嬰幼兒的微生物基因體發育期(3個月到14個月大),5個微生物門 (phyla) 的改變會非常顯著 (P < 0.001) (下圖c棕色框); 在嬰幼兒的微生物基因體過渡期(15個月到30個月大) 仍有2個微生物門 (phyla) 的改變非常顯著(下圖c紫色框);而到了微生物基因體的穩定期時,儘管此時期的alpha微生物多樣性最高,但不會再有那幾個微生物門會發生顯著改變了。

b

(註) 依據DNA序列的相似度來分析,能夠鑒定出微生物的可操作性分類單元 (Operational Taxonomic Units, OTUs)。例如,在一群微生物中根據16S rRNA基因DNA的序列相似度可呈現各種OTUs,而形成的OTUs可能是在細菌的屬或種的層級。Shannon多樣性指數(Shannon’s diversity index)是用來估算群落多樣性高低的指標,例如,當群落中只有一個族群存在時,Shannon指數達最小值0;當群落中有兩個以上的族群存在,且每個族群的個體數量相等時,Shannon指數達到最大值。因為本研究都只有分析腸道(屬同一生態域)的微生物基因體,所以就用這兩個指數 (OTUs和Shannon diversity index)來呈現 Alpha diversity。如果要比較不同生態域 (例如在不同人,或同一人的不同身體部位)所含的微生物多樣性,那就是在描述 Beta diversity (應用於下一篇論文)。

 

第一型糖尿病是會攻擊胰腺小島貝他細胞 (pancreatic islet beta cells)的自體免疫疾病。第一型糖尿病多是早發的 (early-onset),而和病人的複雜遺傳體質、環境暴露史、和腸道微生物基因體都有相關,尤其病毒感染和嚴重腸道微生物生態失調 (gut dysbiosis)被認為是重要原因。在Vatanen等人為首的國際合作團隊 (也是TEDDY之一) 分析783位白人小孩的10,913糞便檢體的總體基因體學 (延伸閱讀2),其中415位小孩是正常對照組,267位是血清抗體轉換組 (seroconversion, 指已出現對抗胰腺小島的自體免疫抗體 islet autoimmunity但尚未達到第一型糖尿病的診斷),而101位是已確診為第一型糖尿病 (type 1 diabetes, T1D)的病童 (下圖a)。下圖b 則描述三個研究族群中,每一個個案的每次糞便檢體所呈現的Shannon’s alpha diversity:在血清抗體轉換組中每個案的最後檢體(如a的菱形符號)就是出現血清抗體轉換的時間點;而在第一型糖尿病族群則依照時間先後而出現菱形符號(血清轉換的時候)和正方形符號(確診為第一型糖尿病的時候)。

 c

用主要座標分析 (Principal coordinate analysis, PCoA)本研究收到的10,913糞便檢體的微生物,以Bray-Curtis dissimilarity方法依微生物DNA序列來檢定 Beta diversity (如上述:此指在不同人所含的微生物多樣性),可以看到不同嬰幼兒早期的beta微生物多樣性,而這beta微生物多樣性會隨著年紀而逐漸減少 (下圖, 藍色點往左下角移動)。而嬰兒早期的主要腸道微生物是比菲德氏菌 (Bifidobacterium longum, B breve, B bifidum) 和變形菌 (Proteobacteria)。

D

比較健康對照組和疾病組的腸道微生物差別,發現和血清抗體轉換組比較時,健康對照組有較高的 Lactobacillus rhamnosus,支持早期益生菌補充可保護嬰幼兒不產生對抗胰腺小島的自體免疫抗體 (islet autoimmunity)。而相較於第一型糖尿病人的腸道微生物,健康對照組有較高的 Streptococcus thermophilesLactococcus lactis; 而第一型糖尿病人則含較多的 Bifidobacterium pseudocatenulatum, Roseburia hominis, 和Alistipes shahii在功能上,健康對照組細菌的綜合發酵能力(fermentation)比較強,能夠增加短鏈脂肪酸 (short chain fatty acids, SCFAs)的產出:包括丁酸類 (butyrate)、乙酸類 (acetate)、和丙酸類 (propionate)。綜合先前許多動物實驗證據,和本研究的人體資料顯示:這些短鏈脂肪酸的產出,有助於減少第一型糖尿病的發生。

延伸閱讀:

  1. Stewart CJ et al. Temporal development of the gut microbiome in early childhood from the TEDDY study. Nature (2018) 562: 583-588.
  2. Vatanen T et al. The human gut microbiome in early-onset type 1 diabetes from the TEDDY study. Nature (2018) 562: 589-594.

生活方式比遺傳體質更能決定疾病的發生

 

長庚大學教授 林口長庚醫院 婦產部主治醫師 王子豪

人類基因體解碼18年了,現在大多數人都能接受「人類基因體數據可以影響疾病發生」的觀念,有些人甚至會認為:記載於生命之書(基因體)的遺傳體質決定了一切。因此,當接受了各種基因體檢測- 例如在美國很盛行的直接消費者基因檢測 (direct-to-consumer genetic tests),如果拿到的報告顯示體質良好的人,不免沾沾自喜;而報告若呈現好發多種重大疾病的人,則可能非常沮喪。然而今年的美國醫學會心臟學期刊 (JAMA Cardiology2018) 發表,對於糖尿病和多種心血管疾病,遺傳體質和生活方式 (lifestyle)是互相獨立又高度加成的因子。

 

Said等人分析英國生物資料庫 (UK Biobank)收集的339,003位無血源相關的白種人 (延伸閱讀1),將基因晶片獲得的單核酸多形性 (single nucleotide polymorphism, SNP)數據在各種心血管疾病和糖尿病中,根據現有的全基因體關聯研究 (genome-wide association study, GWAS) (參見TPMS網頁,新知分享2018-7-16)資料庫選出疾病特異相關的SNP,例如:冠狀動脈疾病就選用到169個SNP,心房顫動選用25個SNP,中風選用11個SNP,高血壓選用107個SNP,糖尿病則選用38個SNP。根據這些疾病特異相關的SNP,將受分析的人依照遺傳體質成三群: 低危險 (最低的五分之一, quintile 1)、中度危險 (位於中間的五分之二到四,quintiles 2-4)、和高危險群 (最高的五分之一, quintile 5);所以在不同疾病中,依遺傳體質分群所占的人數是不一樣的。本硏究再依照抽煙與否、身體質量指數 (body mass index, BMI)、和體力活動量 (physical activity)當指標,而分成理想 (ideal)、中間群 (intermediate)、和較差 (poor)的生活方式。值得注意的是,理想生活方式群的人數大約占20.3%,中間群大約占74.5%,而較差生活方式的則占5.2%。

 

首先,本研究並未偵測到遺傳體質和生活形態有特別的互動性 (specific interactions);意即,並未檢定出那種遺傳體質特別會導致不良的生活方式。接著,資料顯示遺傳體質決定發病機率的重要性,由高而低依序是: 心房顫動>冠狀動脈疾病>高血壓>中風 (下圖)。最有啟發意義的是,即使在高危險遺傳體質的人,只要保持良好的生活方式也可以大幅降低疾病的發生率。

a

 

生活方式影響疾病發生,在第二型糖尿病更是明顯 (下圖)。雖然高危險的遺傳體質大約會增加第二型糖尿病的兩倍發病率;但是即使在低危險和中危險遺傳體質的人,不良的生活方式更會增加高達10倍的發病機率。當然高危險遺傳體質和不良的生活方式會導致最高的發病率。

b

 

另一個發表於英國醫學期刊 (BMJ2018)的大規模族群研究,也顯示生活方式和遺傳體質可獨立地影響中風的發病率 (延伸閱讀2)。德國和英國的學者分析英國生物資料庫收集的306,473位40-73歲的歐洲白人,在追蹤七年中影響中風發生的因子。本硏究首先依據90個SNP所建構的多基因危險計分 (polygenic risk score)將30多萬受試者均分成三群:high、intermediate、low危險遺傳體質,每群約為102,200人 (下圖左)。再依照是否抽煙、規律運動、健康飲食當指標,而分成較差 (unfavorable)、中間群 (intermediate)、和較佳 (favorable)的生活方式 (下圖右)。分析結果顯示,高危險遺傳體質群發生了785位中風病人,高於低危險遺傳體質群所發生的589位中風病人。但是影響中風發生機率最大的還是生活方式,較差的生活方式會增加66%的中風發生率。

c

 

這些最新研究資料顯示,雖然從一誕生,遺傳就埋下了每個人對一些疾病的好發體質,但是決定最後是否真正發病,更重要的還是取決於我們的生活方式。傳統台語智慧所述的「隨(各)人顧生命」- 個人要管顧自己的健康,與精準醫學強調病人參與的重要性不謀而合 (參見TPMS網頁,新知分享2017-2-2)。


 

延伸閱讀:

  1. Said MA et al. Association of combined genetic and lifestyle risks with incident cardiovascular disease and diabetes in the UK Biobank study. JAMA Cardiology (2018) 3(8):1-10.
  2. Rutten-Jacobs LCA et al. Genetic risk, incident stroke, and the benefits of adhering to a healthy lifestyle: cohort study of 306473 UK Biobank participants. British Medical Journal (2018) 363: k4168.

 

轉移學習讓深度學習更逼近人工智慧

長庚大學教授 林口長庚醫院 婦產部主治醫師 王子豪

 

 

人類智慧累積的通則是:從以前的經驗領略出規則,再應用於解決新的問題。在資訊科學裡,將轉移學習(transfer learning)的概念應用於以神經網路(neural networks)為骨幹的深度學習(deep learning),讓人工智慧(artificial intelligence, AI)更有效率。最近幾年在醫學影像的人工智慧判讀,已獲得重大成果。

 

轉移學習應用的原則 (延伸閱讀一),是從一個巨大但比較鬆散相關的數據集(datasets)-例如有1,200,000圖片、涵蓋1000個分類項目的ImageNet,找出特徵提取(feature extraction)的通則(圖一,上半部);再用所獲得的通則來訓練神經網路的上層(圖一,下半部),典型的例子就如2016年Szegedy發表的Inceptrion-v3 network (延伸閱讀二)。最近兩年被成功應用的分析流程(延伸閱讀三~),就先從一個超大型的數據集操作神經網路分析,以提取特徵,再將這些特徵以轉移學習應用於其他任務。用這個策畧獲得最大的好處是:可以應用於較小型的數據集,例如,大部分的醫學數據集都不可能大到上百萬筆數據。

1

Google團隊和醫學中心合作,用深度學習來偵測糖尿病視網膜病變,發表在2016年的JAMA (延伸閱讀三)。第一個EyePACS-1數據集包含4,997病人的9,963影像數據(圖二A),第二個Messidor-2數據集包含874病人的1,748影像數據(圖二A)。用ROC (receiver operating characteristics) curve評估分析的效率分別可以達到AUC (area under the curve, 此數值越高、越趨近於1越好) 0.991 和0.990。這篇論文的結果,提供了非常優異的原理驗證(proof of principle)。

2

 

運用一樣的轉移學習策略(圖三上半),史丹福大學團隊利用深度卷積神經網路(deep convolutional neural networks, deep CNNs),以影像來診斷皮膚疾病,發表在2017年的Nature。作者從頭到尾,直接以影像來訓練機器學習演算法,只喂以含2,032不同疾病的129,450臨床影像的像素(pixels)和疾病標誌(disease labels) (圖三下半) ;接下來和21位皮膚科專科醫師比較對下列兩種疾病的診斷率: 角質形成細胞癌 (keratinocyte carcinoma,最常見的皮膚癌)和惡性黑色素瘤(malignant melanoma,最惡性的皮膚癌)。結果電腦演算法和皮膚科專科醫師的診斷率一樣好,不分上下(延伸閱讀四)。

3

 

在疾病診斷和偵測上,將轉移學習策略發揮的淋漓盡致的(圖四),當屬2018年發表於Cell的論文(延伸閱讀五)。張康(Kang Zhang, MD., PhD.)教授領導的跨國團隊分析光學同調斷層掃描(optical coherence tomography)數據集,在偵測眼科急症轉診的適應症上,意即:出現脈絡膜新生血管(choroidal neovascularization, CNV)和糖尿病黃斑水腫(diabetic macular edema, DME),用ROC curve評估效率時,可達到AUC 0.999 (圖五A);而分析小兒肺炎胸部X光影像數據集,能夠鑑定出細菌性肺炎的效率也可達AUC 0.94 (圖五B)

4

 

 

5

延伸閱讀:

  1. Rampasek L and Goldenberg A. Learning from everyday images enables expert-like diagnosis of retinal diseases. Cell (2018) 172: 893-895.
  2. Szegedy C et al. Rethinking the inception architecture for computer vision. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2818-2826.
  3. Gulshan V et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA (2016) 316: 2401-2410.
  4. Esteva A et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature (2017) 542: 115-118.
  5. Kermany DS et al. Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell (2018) 172: 1122-1131.

 

英國生物資料庫領軍邁入精準醫學

長庚大學教授 林口長庚醫院 婦產部主治醫師 王子豪

 

 

 

2018年10月Nature刊登了兩篇指標性的文章,用大規模的英國生物資料庫(UK Biobank) 50萬人的數據,不但強調基因體學(genomics)和表型體學(phenomics)的結合, 更是整合人類生命資訊的大量、異質性數據,來獲得對疾病機制的了解。更值得一提的是,英國生物資料庫不僅提供給英國人,還公開給全世界學術人士使用,至今已有八千多位學者登錄使用,進行著796個登錄的研究計劃(延伸閱讀一)。英國展現這樣的學術實力和數據分享的慷慨義舉,堪稱足以領軍邁入精準醫學。

 

Bycroft et al. (延伸閱讀二) 整理了整個英國生物資料庫現有和計劃要收集的數據 (下圖):(1) 利用Affymetrix Axiom平台的基因晶片來獲得50萬人的基因型雖然數目龐大,但是比起獲得其他各種體學數據,獲得每個參與者SNP變異的數據可能還是整個前瞻型精準醫學計劃中最簡單的 (延伸閱讀三);(2)每個參與者都要填寫鉅細糜遺的問卷;(3)接受各種影像學的檢查,包括核磁共振和X光;(4)每個參與者的數據都要連結到電子健康紀錄(EHR)、死亡登錄和癌症登錄; (5)參與者的日常活動、體能鍛煉、和心肺功能都可以利用穿戴式器具來遠距收集;(6)分析各種體液可能產出基因體和生化的生物標記,尤其是利用蛋白質體學和代謝體學分析;和(7)其他人體的各種測量。上述這些不同來源的各項數據和資訊,正是精準醫學要整合分析的範疇。在Bycroft 的報告中,只有人體和微生物互動的總體基因體學(metagenomics)尚未被提到,雖然總體基因體學也是精準醫學的一個重要學門(請參見:2018-2-262018-3-12的新知分享)。

圖1

英國的生物資料庫不只是基因型資料庫,同時也整合各種表型(phenotypes)數據,例如大腦的影像學數據。有些影像學表型(image-derived phenotypes, IDPs)甚至包括了各層次的詳細核磁共振影像:結構核磁共振影像(structural MRI)、功能核磁共振影像(task-based functional MRI, fMRI)、可以用來顯示結構連接性(structural connectivity)的擴散核磁共振影像(diffusion MRI, dMRI)。Elliott et al.就是利用英國生物資料庫中3,144位有詳細核磁共振影像學資料的個案(延伸閱讀四),經由分析影像學的ICVF (intracellular volume fraction)參數,檢定出rs67827860 (位於VCAN基因的intron) 和大腦白質的軸突內水份有關(下圖a, b )。雖然這篇文章中, 有許多腦部MRI的專業知識,我們只能請教影像學專家才說得清楚;但這個研究對我們的啟發,在於它是把詳細、精密的腦部影像學資料納入全表型體學關連研究(Phenome-wide association study, PheWAS)的一個典範(下圖c),因為這些和前腦白質相關的dMRI IDPs和一群基因的SNP有高度相關, 而這群基因主要的功能在於建構細胞外間質(extracellular matrix, ECM)和上皮生長因子的訊息傳遞系統(EGF signaling);這群基因也和導致多發性硬化症、中風、憂鬱症、肌萎縮側索硬化症有關。

圖二

誠如Vanderbilt Genetics Institute的遺傳學家Nancy Cox有感而發:全世界的學術界慶幸能使用英國生物資料庫資料之餘,應該亟思分享自己單位的資料來努力趕上英國這樣的慷慨義舉 (延伸閱讀三)。

 

延伸閱讀:

  1. Crowd screen- Precision medicine relies on studies that track huge numbers of people. Nature (2018) 562: 163-164.
  2. Bycroft C et al. The UK Biobank resource with deep phenotyping and genomic data. Nature (2018) 562: 203-209.
  3. Cox N. Biobank for the masses. Nature (2018) 562: 194-195.
  4. Elliot LT et al. Genome-wide association studies of brain imaging phenotypes in UK Biobank. Nature (2018) 562: 210-216.

CAR-NK(嵌合抗原受體自然殺手細胞)可能比CAR-T更方便安全

和信治癌中心醫院資深臨床藥師: 方麗華

 

免疫系統包括先天免疫力(innate immunity)和適應性免疫力(adaptive immunity)。提供先天免疫力的細胞有自然殺手細胞(Natural killer cells, NK)和巨噬細胞(macrophage);而提供適應性免疫力的細胞則以淋巴細胞(T- and B-細胞)為主。將人類的免疫細胞應用在對抗癌細胞上,都會先考慮T-或NK細胞。

改造T細胞,使其表現嵌合抗原受體(chimeric antigen receptor,CAR)構建物而成為CAR-T,是近年來治療淋巴白血病與淋巴瘤的熱門免疫療法之一,也是人類對付癌症藥物從化療、標靶藥物,更由化學分子進階到以細胞做藥的新紀元。然而,CAR-T 療法仍有它的限制,例如在收集患者自體 T 細胞且進行基因修飾的過程通常是耗時且低效的,以及給藥期間可能發生細胞素風暴(cytokine storm)所引起器官衰竭和死亡等嚴重不良反應,而且對固體腫瘤的效果不佳。

 

CAR-NK-1

 

(圖一,CAR-NK 圖解摘要)

2018年5月,加州大學聖地牙哥分校醫學院的研究團隊於《Cell Stem Cell》期刊發表一篇 “人類誘導性多功能幹細胞(Human iPSC)所衍生的嵌合抗原受體自然殺手細胞在卵巢癌異種移植小鼠模型會增強抗癌的作用”(延伸閱讀一)顯示,在小鼠卵巢癌模型中,表現嵌合抗原受體的自然殺手細胞(CAR natural killer cell, CAR-NK),呈現不錯的抗腫瘤活性,與 CAR-T療效相近,且安全性更高。

調節NK細胞活性並不需要人類淋巴細胞抗原(HLA)的相合,因為NK細胞啟動細胞毒殺是藉由活化、抑制及調節受體基因的綜合表現。活化受體包括天然細胞毒性受體(NCR)有:NKG2D、CD16(FcgRIIIa)、FasL和腫瘤壞死因子相關的凋亡誘導配體(TRAIL)和共刺激受體如:LFA-1、CD244(2B4)和CD137(41BB)(圖一)。這些活化細胞表面受體通過細胞內的免疫受體酪氨酸激活基序(immunoreceptor tyrosine-based activation motifs, ITAMs )如:2B4 and 41BB,與其他跨細胞膜的信號轉接子來觸發細胞溶解程序、和刺激細胞素和趨化因子的分泌。過去10年有許多採用NK細胞的免疫療法的試驗,這些試驗以周邊血、臍帶血和NK細胞系NK92細胞為NK細胞來源。那些臨床試驗中使用同種異體NK細胞的免疫療法也證實它們是安全性,幾乎沒有產生移植物抗宿主病(GvHD)、細胞素釋放綜合症(CRS)或神經毒性。

CAR-NK-2

聖地牙哥研究團隊首先篩選了 9 種不同的 CAR 構建體 (表一),用NK92系細胞載入嵌合抗原受體,建構了含有NKG2D的跨膜結構區域、2B4共刺激結構區域和CD3z信號傳導結構區域等不同組合的嵌合抗原受體(CAR),並結合scFv靶向腫瘤相關抗原 mesothelin (meso),期能促成強烈抗原特異性自然殺手(NK)細胞信號傳導。這9種CARs的殺死腫瘤細胞以CAR4, CAR7,CAR9有最大的抗腫瘤活性。

將NK CAR (CAR4, CAR7,CAR9)表現於人類誘導性多功能幹細胞(iPSC)衍生的 NK 細胞後,證實可改善自然殺手(NK)細胞的抗癌能力,也確認了CAR4的活性是來自抗原特異性(antigen-specific)而不是非特異性NK 細胞的活化。進一步評估NK-CAR4和T-CAR的抗腫瘤活性,比較CAR–iPSC-NK與CAR-primary T cell (CAR原始細胞)。結果CAR4-iPSC-NK細胞抗腫瘤活性優於iPSC-NK細胞。很明顯的,表現CAR4(meso)的iPSC-NK細胞比表現T-CAR的iPSC-NK細胞有更強的腫瘤毒殺(細胞溶解)活性;雖然,表現T-CAR(meso)的T細胞比表現NK-CAR的T細胞有更強的腫瘤毒殺活性。

以卵巢癌異種移植小鼠模型測試時,發現表現CAR4的iPSC-NK細胞比PB-NK細胞、iPSC-NK細胞(沒有載入構建體的對照組),T-CAR-iPSC-NK細胞有顯著抑制腫瘤生長和延長存活,也比表現T-CAR的iPSC-NK細胞有效多了 (圖二)

CAR-NK-3

(圖二)

最後比較CAR-T細胞 與CAR-NK細胞在小鼠的腫瘤反應與存活率。 由圖三可看出,T-CAR-T細胞與CAR4-iPS NK細胞,在第21天都有很強的降低腫瘤細胞量。但接受原始T 細胞群,都有體重減輕,T-CAR-T細胞甚至降低了50%的體重(圖三E),且有發生器官嚴重出血與缺血情形,而有較高的死亡率。在小鼠的存活分析(圖三I)更顯示:表現CAR4的iPSC-NK細胞有最好的存活率,有趣的是,光是iPSC-NK細胞就能比表現T-CAR的T細胞更有效地延長存活率。

CAR-NK-4

圖三 (A) NOD-scid IL2Rγnull (NSG) 小鼠腹腔注入 2×105 luc+ A1847細胞。 3天後 小鼠接受 225 cGy 放療照射,再由腹腔輸入1×107 iPSC-NK 或 T 細胞群。 過來21天,接受iPSC-NK群治療組,依原先需要投與細胞素 (cytokines)。每星期用BLI (bioluminescent imaging)進行腫量瘤評直到第21天。圖B and C :流式細胞術定量 (C)周邊血 CD45+CD3+ T 細胞量 (B) 周邊血CD45+CD56+CD3_ iPSC-NK細胞量,每個點代表一隻小鼠。(D)輸注免疫細胞後,用BLI 數據監測 21天內每組腫瘤量的變化。(E) 每組小鼠輸注免疫細胞21天的體重變化。

(F–H) Levels of (F) hIFN-g, (G) hTNF-a, and (H) hIL-6 輸注免疫細胞後,在不同天經周邊血收集血漿,用ELISA所測得。(I) Kaplan-Meier curve 代表各組的存活率。

結論

人類誘導性多功能幹細胞(Human iPSC)衍生的自然殺手細胞可提供“上架藥品式的 (off-the-shelf)”癌症治療。表現NK-CAR構建體的誘導性多功能幹細胞衍生的自然殺手細胞(iPSC-NK)會活化特定的細胞內信號。NK-CAR iPSC-NK細胞證實在活體內會擴增並有抗癌效能,也有類似CAR-T 細胞的效果,但毒性較低。此外,NK-CAR-iPSC-NK 沒有CAR-T需要有HLA 配對相合的問題,再加上每一組 iPSC 衍生的 NK 細胞能治療數千名患者,它提供了標準化的、“上架藥品式的”治療方法。我們期待這些效果能獲得臨床人體試驗的證實。

延伸閱讀

1. Li Y,Hermanson DL,Moriarity BS, Kaufman DS Human. iPSC-Derived Natural Killer Cells Engineered with Chimeric Antigen Receptors Enhance Anti-tumor Activity. Cell Stem Cell. 2018;23(2):181-192.

2. Siegler EL, Kim YJ, Chen X, Siriwon N, Mac J, Rohrs JA, Bryson PD, Wang P. Combination Cancer Therapy Using Chimeric Antigen Receptor-Engineered Natural Killer Cells as Drug Carriers. Mol Ther. 2017; 25(12):2607-2619.

測量孕婦血中生物標記來預測早產的新進展

icon-16

長庚大學教授 林口長庚紀念醫院 王子豪醫師

早產(preterm delivery)定義為妊娠37週之前發生的分娩,是母胎醫學最常見的疾病,全世界每年約有1500萬早產兒出生。早產是新生兒死亡的首位原因,而存活的早產兒容易也有長期的併發症,例如慢性肺疾病、聽力和視力受損、神經發育異常等等,造成社會、醫療和經濟的重大傷害。因此醫學界致力於各種預測和預防早產的研究,也嘗試開發測量孕婦血液的生物標記就能預測早產的方法。

由美國11個研究中心合作的前瞻性蛋白質體學早產研究(Proteomic Assessment of Preterm Risk study, PAPR),在2016年發表於Am J Obstet Gynecol硏究論文(延伸閱讀一)顯示,用質譜儀分析了5501位孕婦的血液(下圖),

測量孕婦血中生物標記來預測早產的新進展_1

在無症狀孕婦群,以兩個蛋白質(IBP4/SHBG)的比值來預測早產的能力可達0.75靈敏度和0.74特異度(下圖),這些資料在ROC (receiver operating characteristic) curve分析上可得到AUC (area under the curve)值為0.75。開發一種檢測方法時,AUC值越趨近於1越好;而純粹用猜測、無須任何檢測方法,也可以達到AUC為0.5;所以AUC= 0.75,表示這個檢測方法有點用處,但仍大有改善空間。IBP4是insulin-like growth factor binding protein-4,IBP4在孕婦血中濃度增高時,一般認為是反映胎盤著床異常,因此數值升高和早產有關。懷孕時血中濃度SHBG (sex hormone-binding globulin) 會增加5-10倍;早產被認為和羊膜內感染與發炎有關,而這些發炎會導致一些發炎細胞素(inflammatory cytokines,例如TNF-alpha 和IL1-beta)的增加,這些細胞素會抑制肝臟製造SHBG,所以可能和早產孕婦的SHBG下降有關。

測量孕婦血中生物標記來預測早產的新進展_2

史坦福大學的Stephen Quake是研究孕婦血清中胎兒來源核酸(DNA, RNA)的專家,幾年前就發表了:只抽孕婦血就可得到胎兒的全基因體定序資料。他的團隊在2018年於Science的論文(延伸閱讀二) 發表:以次代定序方法(NGS)分析孕婦血液中細胞外RNA (cell-free RNA, cfRNA),最後開發出只要用反轉錄定量PCR測量7種孕婦血液cfRNA (CLCN3, DAPP1, MAP3K7CL, MOB1B, PPBP, RAB27B, RGS18),就可能找出會發生早產的孕婦族群(下圖)。

測量孕婦血中生物標記來預測早產的新進展_3

雖然他們的初步結果顯示,偵測早產孕婦的能力(AUC 值介於0.81-0.86之間)優於上述2016年的蛋白質體研究;但值得注意的是,此硏究的驗證族群太小了(只有23人,而其中5個早產所佔的比例為21.7%)。所以實際的應用性,還有待大規模的驗證。

測量孕婦血中生物標記來預測早產的新進展_4

延伸閱讀:

  1. Saade GR et al. Development and validation of a spontaneous preterm delivery predictor in asymptomatic women. Am J Obstet Gynecol (2016) 214: 633.e1-24.
  2. Ngo TTM et al. Noninvasive blood tests for fetal development predict gestational age and preterm delivery. Science (2018) 360: 1133-1136.

合併電子健康紀錄(EHR)和全基因體關聯研究(GWAS)獲得重大成功

icon-08

長庚大學教授 林口長庚紀念醫院 王子豪醫師

因為高通量的微陣列晶片(microarray gene chips)的普及應用,全基因體關聯研究(genome wide association study, GWAS) 在最近十幾年蓬勃發展,尤其在2007年發表的241篇論文中許多出現在Science和Nature系列期刊,接著GWAS相關論文發表就散布在各個專科和層級的期刊;從2011年到2017年之間,每年都有3000多篇的論文發表;截至2018年7月,用GWAS這個關鍵字可以在PubMed找到三萬多篇的論文。然而,利用電子健康紀錄(electronic health record, EHR)將病人的表現型(phenotypes)合併於GWAS,則至今只有36篇論文發表,第一篇是哈佛和麻省理工學院團隊發表於2011年Am J Human Genetics (延伸閱讀一)。而2018年UCSF和Kaiser Permanente醫療體系的合作團隊發表於Nature Genetics (延伸閱讀二) 的論文,則堪稱是合併EHR和GWAS的地標性研究。

現在GWAS硏究結果要能被學界接受的準則是:在發現族群(discovery group)中所找到的疾病關聯基因位點,都必須在獨立的驗證族群(validation groups)也可以看到一致的疾病關聯性。UCSF的這個硏究利用的發現族群是 GERA (genetic epidemiology resource on adult health and aging)研究的參與者,作者先從94,674人的Affymetrix gene chips基因體資料找出和血脂肪的相關性,而血脂肪檢驗數據則來自於Kaiser Permanente電子健康紀錄(EHR)中近48萬次的抽血資料;本研究的驗證族群有兩個:GLGC (global lipids genetics consortium) database的94,595歐洲人和UK Biobank的46萬人,本研究可以驗證17個血脂肪關聯基因位點。

除了提供我們了解那些基因調控血脂肪的學術價值以外,本研究的結果還能夠幫我們預測疾病和促進健康。因為這個研究分析族群涵蓋了多個種族,而每個種族的數量都大到足以有代表性,所以本研究可獲得不同種族對不同血脂肪昇高的遺傳風險評分 (genetic risk scores, GRS)。例如,東亞人(East Asians)就有最低的HDL 遺傳風險評分,但卻有最高的LDL、 triglyceride、total cholesterol 遺傳風險評分。本研究更進一步結合遺傳風險評分和記錄於EHR的藥物使用資訊,而可推算出某一種族的病人可能在多少歲時,會有必須使用降血脂藥物(statins)的機率。下圖ab 為白種女人和男人的機率圖:在此,如用兩個遺傳風險評分(LDL、TG)為例來看,在a的50歲女性,遺傳風險評分最高的五分之一(quintile) 服藥的機率是遺傳風險評分最低的五分之一之1.66倍; 女性到60歲時,此機率為1.8 倍;而在b的50歲和60歲男性,上述機率則分別為3.04和2.37倍。而下圖cd 為東亞女人和男人的機率圖。

合併電子健康紀錄(EHR)和全基因體關聯研究(GWAS)獲得重大成功_1

合併電子健康紀錄(EHR)和全基因體關聯研究(GWAS)獲得重大成功_2

延伸閱讀:

  1. Kurreeman F et al. Genetic basis of autoantibody positive and negative rheumatoid arthritis risk in a multi-ethnic cohort derived from electronic health records. Am J Hum Genet (2011) 88: 57-69.
  2. Hoffmann TJ et al. A large electronic-health-record-based genome-wide study of serum lipids. Nature Genetics (2018) 50: 401-413.

HER激酶抑制劑於HER2 及HER3 基因變異之癌症病人

icon-16

中國醫藥大學 教授 放射腫瘤科 陳尚文醫師

 HER2 及HER3 基因變異於惡性腫瘤的之整體盛行率雖不超過10%,但此突變卻存在於許多不同種類的癌症。此基因變異位點並非單一,如HER2變異可存在於細胞外、細胞膜、或激酶結構域 (kinase domain)。最近於Nature所發表的籃式臨床試驗(SUMMIT)是一個結合二期臨床藥物試驗與分析基因變異位點的研究。此試驗招收不同種類癌症的受試者,如基因檢測發現病人腫瘤之HER2 或HER3存在變異,受試者將接受標靶藥物 neratinib 的治療與追蹤,此藥物的抗癌機轉是泛HER tyrosine kinase 抑制劑,圖1 為此臨床試驗的設計與流程圖。

HER激酶抑制劑於HER2 及HER3 基因變異之癌症病人_1

圖1 試驗的設計與流程圖。

表1顯示共有141位受試者參與此臨床試驗(HER2突變有125位,HER3突變有16位),含蓋的癌病包括乳癌、非小細胞肺癌、膀胱癌、大腸直腸癌等。圖2以治療反應瀑布圖說明不同種類癌症及不同型態腫瘤基因變異位點對藥物治療反應的差異,其中乳癌受試者的腫瘤對neratinib的治療反應最佳,膀胱癌、大腸直腸癌的藥物反應則不甚理想。

HER激酶抑制劑於HER2 及HER3 基因變異之癌症病人_2

HER激酶抑制劑於HER2 及HER3 基因變異之癌症病人_3HER激酶抑制劑於HER2 及HER3 基因變異之癌症病人_4

圖2 受試者的治療反應瀑布圖。根據(1a) 癌症種類;(1b) 腫瘤基因變異位點及型態。圖1a 顯示乳癌的治療反應最佳;圖1b說明有激酶結構域(kinase domain)位點基因變異的乳癌受試者(以藍綠色表示)對藥物反應較佳。

此試驗重要的發現是: 對測試藥物neratinib之治療反應不只決定HER2 或HER3基因變異的位點,腫瘤的型態、與所合併之不同基因變異都是重要的影響因子。圖3說明相同癌症的的不同基因變異位點對藥物的反應並不相同,此外不同種類腫瘤之同一基因變異位點的藥物反應也不一致。其中以乳癌、子宮頸癌、膽道癌存在有激酶結構域錯義突變(missense mutation)對neratinib之反應最佳。因此未來於籃式臨床試驗的設計上,所招收的癌症受試者應不是只依靠試驗前的臨床數據,應以基因體研究的方式排除治療反應不佳的腫瘤,而將目標集中於可以治療的基因突變患者上,以提升臨床試驗的效益。

HER激酶抑制劑於HER2 及HER3 基因變異之癌症病人_5

圖3  根據癌症種類(縱軸)及HER2等位基因域(allele domain)變異(橫軸)之綜合療效統計。圓圈大小代表受試者人數,圓圈顏色偏藍表示反應較佳的比率較多。柱狀圖紅色部分代表對藥物反應較佳的受試者人數。此圖可發現相同癌症的的不同基因變異位點對藥物的反應並不相同,同一基因變異位點的不同種類腫瘤之藥物反應也不一致。

 

延伸閱讀

  1. Hyman DM, et al. HER kinase inhibition in patients with HER2- and HER3-mutant cancers. Nature 554,189-194(2018). (連結https://www.ncbi.nlm.nih.gov/pubmed/29420467)
  1. Chmielecki J. et al. Oncogenic alterations in ERBB2/HER2 represent potential therapeutic targets across tumors from diverse anatomic sites of origin. Oncologist 20, 7–12 (2015).

醫師特質影響乳癌病人接受基因診斷的比例

icon-08

長庚大學教授 林口長庚紀念醫院 王子豪醫師

台語有一句老話:「醫生郎,病人褔」,字面上的意思是:遇到什麼醫師決定於病人的福氣;更深一層的暗示是:醫師的特質(包括經驗和心態)可能決定病人疾病的預後。2018年七月份登載於美國醫學會期刊外科學(JAMA Surgery) 的一篇原著論文則揭露:乳癌病人如果是遇到一位較常轉介病人做基因檢測的外科醫師,這位病人較有機會做到癌症分子檢測。這個結論雖然非常淺顯直白,但是本硏究證明了這種可以預期的醫病模式,足以提醒醫師對精準醫學進展的自我學習。

 

這篇研究的受訪者採樣自美國喬治亞州和加州的洛杉磯郡,作者問卷調查7303位乳癌病人和488位乳房外科醫師,總共得到了可分析的5080位(69.6%)病人和377位(77.3%)醫師資料。NCCN (National Comprehensive Cancer Networks)的臨床指引建議評估乳癌病人的下列危險因子(下圖),將病人分類為可能帶異常基因的高危險(high risk)、和平均危險(average risk)群,而建議高危險群病人接受基因檢測。

醫師特質影響乳癌病人接受基因診斷的比例_1

下圖整理出受訪醫師對基因檢測和遺傳諮詢的心態。對於高危險病人(A)和平均危險群病人(F),大部分的醫師都會把她們轉介遺傳諮詢。5080位受訪病人總共有27%接受了癌症基因檢測,其中高危險病人有34%接受了癌症基因檢測,而平均危險群病人也有14%接受了癌症基因檢測;但是,即使對於高危險病人,醫師也不常立開癌症基因檢測- 不管是BRCA1/2(B )或是多基因檢測(C);相反的,一些平均危險群病人也被開立了癌症基因檢測(E),這個資料暗示著:不只是危險分群才決定病人接受癌症基因檢測的機率,醫師對基因檢測的態度也扮演很重要的角色。對高危險群病人接受癌症基因檢測時,大部分醫師會等到檢測資料出來才開刀(D)。大部分受訪醫師都很有信心和病人討論癌症基因檢查的優、缺點(G)。本研究並根據圖A到圖G的七項特質,建立出一個稱為手術醫師開立癌症基因檢測的趨勢量表(Surgeon Tendency to Order Genetic Testing Scale),將這個量表標準化後(H),可以看出受訪醫師大致分成兩群-左側的醫師較不開立基因檢測,右側那群是較傾向於開立癌症基因檢測的醫師。

醫師特質影響乳癌病人接受基因診斷的比例_2

外科醫師每年服務乳癌新病人的數量,也會影響她/他開立癌症基因檢測的比例。和每年有一百位以上乳癌新病人(高服務量)的醫師相比時,每年少於50位新病人(低服務量)的醫師最少開立癌症基因檢測,而每年有50到100位乳癌新病人(中服務量)的醫師則介於上述兩群之間(下圖),這結果顯示出:乳癌病人數低服務量和中服務量的醫師,較少開立乳癌相關癌症基因檢測。這個研究同時也顯示,經濟情況和保險狀態都顯著影響接受癌症基因檢測的可能性:經濟較為弱勢的黑人最少接受癌症基因檢測;而保險不給付時,接受癌症基因檢測的機會也最低(下圖)。

醫師特質影響乳癌病人接受基因診斷的比例_3

本研究最突顯的一個現象是:異常基因高危險群的乳癌病人,遇到一位最有開立癌症基因檢測傾向的醫師,例如落在95百分位(percentile) 的醫師時,她大概有72.3%的機率會接受癌症基因檢測;相反地,如果她遇到一位最不傾向開立基因檢測的醫師,例如落在5百分位(percentile) 的醫師時,她大概只有26%的機率會接受癌症基因檢測 (下圖橘黃色曲線)。而平均危險群的乳癌病人,遇到一位最有開立癌症基因檢測傾向的醫師時,她大概有24%的機率會接受癌症基因檢測;相反地,如果她遇到一位最不傾向開立基因檢測的醫師時,她大概只有4%的機率會接受癌症基因檢測 (下圖藍色曲線)。

醫師特質影響乳癌病人接受基因診斷的比例_4

延伸閱讀:

Katz SJ et al. Association of attending surgeon with variation in the receipt of genetic testing after diagnosis of breast cancer. JAMA Surgery (2018) July 3, doi:10.1001/jamasurg.2018.2001