Model matematyczny wskazuje drogę do skuteczniejszych sposobów leczenia COVID-19
Jednym z powodów, dla których COVID-19 jest tak trudną do leczenia chorobą, jest to, że objawia się ona na wiele sposobów, od przebiegu bezobjawowego po niewydolność narządową, a nawet śmierć. Dlatego właśnie zrozumienie heterogeniczności COVID-19 i określenie najlepszego sposobu leczenia w każdym przypadku ma kluczowe znaczenie w walce z wirusem SARS-CoV-2. Naukowcy z Cypru, Iranu i Stanów Zjednoczonych podjęli znaczące kroki w celu realizacji tego zadania. Opracowali oni kompleksowy model matematyczny, który pokazuje, dlaczego wyniki pacjentów z COVID-19 są tak zróżnicowane i jak można dostosować leczenie do potrzeb konkretnych grup pacjentów. Oparty na biologii model jest wynikiem badań wspieranych częściowo przez projekty Immuno-Predictor i CancerFingerPrints, na rzecz których Triantafyllos Stylianopoulos, badacz z Uniwersytetu Cypryjskiego, otrzymał finansowanie ze środków UE. Badania te opisano w pracy opublikowanej w czasopiśmie „Proceedings of the National Academy of Sciences of the United States of America”. Model matematyczny opiera się na znanych mechanizmach SARS-CoV-2 i uwzględnia możliwe mechanizmy działania różnych metod leczenia, które przetestowano u pacjentów z COVID-19. Ponadto pokazuje, w jaki sposób takie aspekty jak wiek i inne schorzenia, które może mieć pacjent, mogą wpływać na jego reakcję na leczenie i wyniki kliniczne. „Nasz model przewiduje, że leki przeciwwirusowe i przeciwzapalne, które po raz pierwszy zastosowano w leczeniu COVID-19, mogą mieć ograniczoną skuteczność, w zależności od stopnia zaawansowania choroby”, stwierdził współautor pracy Rakesh K. Jain z Harvard Medical School i Massachusetts General Hospital w artykule informacyjnym zamieszczonym na stronie „Scienmag”.
Przebieg choroby
W trakcie swoich badań naukowcy stwierdzili, że poziom wiremii (ilość wirusa we krwi) wzrasta we wczesnym okresie zakażenia płuc. Jednak po piątym dniu przebieg zakażenia wirusowego zmienia się w zależności od poziomu aktywowanych limfocytów T, białych krwinek, które są częścią układu swoistej odpowiedzi odpornościowej. U pacjentów poniżej 35. roku życia ze zdrowym układem odpornościowym naukowcy zaobserwowali nieprzerwaną rekrutację limfocytów T. Towarzyszył temu spadek poziomu wiremii i złagodnienie stanu zapalnego, a także obniżenie poziomu komórek nieswoistej odpowiedzi odpornościowej zwanych neutrofilami i makrofagami. Procesy te doprowadziły do znacznego ograniczenia krzepnięcia krwi i przywrócenia poziomu tlenu w płucach. Jednak w przypadkach, w których u pacjentów zakażonych SARS-CoV-2 występował już wysoki poziom zapalenia, stwierdzono słabe wyniki. Stwierdzono je również u osób o aktywniejszej nieswoistej odpowiedzi odpornościowej połączonej z mniej efektywnym układem swoistej odpowiedzi odpornościowej. Do takich przypadków zaliczali się starsi pacjenci oraz osoby z cukrzycą, otyłością, nadciśnieniem tętniczym lub rozregulowaną odpowiedzią odpornościową. Zgodnie z modelem skuteczne leczenie pacjentów chorych na cukrzycę, jak również starszych pacjentów z obecnością stanu zapalnego i upośledzoną swoistą odpowiedzią odpornościową, obejmuje heparynę rozcieńczającą krew lub inhibitor punktów kontrolnych układu odpornościowego w połączeniu z kortykosteroidowym lekiem – deksametazonem. Dodatkowo połączenie heparyny i deksametazonu okazało się mieć korzystne działanie na pacjentów z otyłością lub wysokim ciśnieniem krwi. Oparty na biologii model został opracowany pierwotnie do wykorzystania w badaniach nad nowotworami, prowadzonych przy wsparciu projektów Immuno-Predictor (Mechanical Biomarkers for Prediction of Cancer Immunotherapy) i CancerFingerPrints (Identification of nano-mechanical fingerprints as a biomarker for cancer treatment prognosis). Badacze planują dalszy rozwój tego modelu w celu zbadania reakcji układu odpornościowego na różne szczepionki przeciw COVID-19. Więcej informacji: projekt Immuno-Predictor projekt CancerFingerPrints
Słowa kluczowe
Immuno-Predictor, CancerFingerPrints, COVID-19, SARS-CoV-2, model matematyczny, rak, leczenie
