遗传变异性及其在糖尿病病理学中的作用

1型糖尿病(T1D)和2型糖尿病(T2D)都涉及遗传倾向和环境触发因素之间的复杂相互作用。在T1D中,特定的人类白细胞抗原(HLA)可能给胰腺β细胞的自免疫破坏带来风险。例如,60多非HLA loci与T1D易感性有关,包括INS(胰岛基因)、PTPN22和CTLA4。 这些遗传变异性会影响免疫调节和胰岛素生产,反过来又影响人工胰岛系统如何补偿残留β细胞功能。例如,一个具有保护性HLA 的病人可能保留一些胰岛分泌分泌的基因,使系统的任务更加容易,而具有高风险的嗜色型病人可能从一开始就需要完全的外源替代。

在T2D中,遗传多态性在TCF7L2,PPPARG,[KCNJ11,SLC30A8中影响胰岛分泌,胰岛素敏感度和糖分泌。同样的基因可以改变外出胰岛素的药理动力学和药理动力学,影响闭锁-放入算法的性能。例如,在KCNJ11中的一个变体改变了β细胞中ATP敏感钾通道,这种变体性能的分泌模式即使在β细胞没有完全丧失时也会改变。这种差异需要单个化的控制算法而不是一个大小均匀的设置。肥力相关基因如]FTO[FJ11]中,同样调节了对活性化的活和再变化。

理解患者糖尿病的遗传基础可以让临床医生预见到在自动胰岛素分娩期间实现稳定葡萄糖水平的挑战。 由于]PPARG变体,具有强烈的胰岛素抗药性的患者可能需要比正常胰岛素敏感患者更高的玄武素率和更具攻击性的餐饮栓塞。 没有基因洞察力,这些差异可能得不到承认,导致低最佳的甘油效果。 聚合成百上千个变体效应的多生风险分数正在成为在人工胰岛素疗法初始化时对患者进行分化的强大工具。

遗传因素如何影响持续的葡萄糖监测准确性

人工胰腺系统严重依赖连续的葡萄糖监测来提供实时反馈. 基因变异会从几个方面影响葡萄糖的性能. 第一,皮肤组成中的差异—— 如焦糖密度、血液流动和间质流体组成—— 部分由基因决定. 这些差异会影响葡萄糖从毛细管扩散到CGM传感器所居住的间质空间的动力学. 葡萄糖等同性延迟,称为生理滞后,在具有某些遗传特征的个人中可能更明显地出现,造成传感器读取与实际血糖水平之间的差异. 例如, ABIQ (二聚氨基)中变异构,改变微血管功能可能延长滞后时间.

第二,hemoglobin变体[可以干扰CGM校正. 许多CGM系统使用工厂校正,假设正常的血红蛋白胶甘化率. 患有镰状细胞病或地中海血红蛋白(双遗传)等血红蛋白病的病人可能已经改变被克的血红蛋白水平,使指棒校正的可靠性降低. 一些系统允许用户校正,但遗传对间质糖和血糖之间关系的影响仍然是个挑战. 特定类型的变体(如HbS vs. HbC)规定误差的程度,而目前的算法很少对此加以说明.

第三,酶中的基因变化,使葡萄糖代谢或产生活性氧物种,可随着时间的推移影响感受器稳定性. 涂有葡萄糖氧化物的传感器,在SOD2或CAT中,在多态性上具有较高氧化应力的个体中,可能会有加速降解的症状. 未来的CGM设计可以包含适应用户基因氧化特征的传感器涂层,提高寿命和准确性. 此外,对传感器插入的免疫反应——在IL6和TNF中由变异性物质所支配的变异性物质,可以改变葡萄糖运输,在头24小时穿戴时进一步降低CGM精度.

胰岛素吸收和行动的遗传决定因素

胰岛素从皮下组织吸收受局部出血,酶降解,皮下基质结构的影响. ADRA2A (α-2肾上腺受体)中的遗传多态性影响于注射地的活性收缩并进而影响血液流动. 患者有增加α-2活性变异的胰岛素吸收速度会较慢,导致高峰期动作延迟并增加后期高血糖的风险. 人工胰岛素算法假设标准吸收特征可能过早地过正,后期不正确,引起吞噬. 遗传变 NOS3 (多变性氮氧化物合成酶)也会调节微血管分泌,增加另一层个体可变性.

此外,IDE(胰岛素降解酶)的变化可以改变胰岛素从循环中清除的频率。高活性IDE变体的患者可能需要更高的胰岛素剂量或更快的投放,以达到同样的效果。为平均IDE活性而校准的闭眼系统可能无法维持这些个体中的目标葡萄糖水平。研究显示,将IDE和其他清除酶的遗传数据纳入算法参数可以降低低血糖和高血糖的频率。例如,KIF11基因也影响到IDE表达,并应当在药典模型中加以考虑。

胰岛素敏感度本身就有很大的转基因调节. IRS1 基因 (胰岛素受体子体 1] ) 隐藏了一种常见的Gly972Arg变体,它会损害胰岛素信号,并与胰岛素抗药性有关. 在人工胰腺上,这意味着胰岛素与碳水合物之比和校正因子必须向上调整. 目前的系统往往依靠人工或自动的适应,但基因基线可以从第一次使用中加快个性化. 此外,在 PPARGC1A (PGC-1α)中,这种变体能影响肌中的线支和胰岛素敏感度,这个算法可以纳入一个因素来预测与锻炼有关的葡萄糖波动.

胰岛素类同剂和辅素类同剂的药理学

人工胰腺系统与各种胰岛素类似物—— 异构物、分体、葡萄糖和活性快的配方相通。在个人如何代谢这些类似物时,基因差异如何影响其时间活性特征。ESR1(受体α)基因,例如影响下皮血流,并可能差别地影响不同类似物的吸收率。一些患者可能受益于更快的胰岛素,因为基因变体延缓吸收,而其他人则可能因早期缺血风险降低而用标准模拟物实现更好的控制。组织层面的INSR(胰岛受体)的变体可以改变不同类似物的结合性,有可能使一种制剂在某些个人中比另一种制剂更有效。

糖尿病的先入药,如:Pramlintide(亚胺类)或类似克卢卡贡的受体激动剂(GLP-1 RAs),有时在双激素人工胰腺系统与胰岛素并用。GLP1R[基因中的基因变体会影响GLP-1 RAS实现的胃空后延迟和克卢卡贡抑制。GLP1R反应不足的病人尽管在胰岛素的交接上得到了足够的分泌,但可能经历后出血红素高血症,需要调整荷尔蒙剂量和算法逻辑。同样,在GCGR (克卢卡贡受体)中,多态对克贡在低血压下期如何有效地提高克洛克贡糖的作用,这对作为救药的双激素系统至关重要。

通过基因数据实现算法参数的个性化

目前人工胰腺算法——无论是比例-内在-衍生(PID)、模型预测控制(MPC)还是模糊逻辑——通常都以人口衍生参数为初始。个性化是通过人工临床医生的调整和机器学习进行的,从数天到数周。然而,在初始化时纳入遗传数据可以减少最佳控制的时间并降低不良事件的风险。越来越多的证据支持使用多源风险分数来设定初始算法激进性,特别是用于在设备使用头72小时时预防低血清。

最佳巴萨胰岛素率

胰岛素敏感和肝糖素生产的遗传标记,如G6PC2和GCK,可以为玄武素率剖面提供起点. 具有促进内生糖高活性变异的病人可能需要高一夜的玄武素率来抑制肝糖素出产. 反之,由于]而具有高效葡萄糖感的病人,GCK活性突变(rare)可能更容易被禁食低血糖分泌,需要更低的玄武素率. MTNR1B基因,它能调解甲胺素信号并影响快活葡萄糖的快活性,是调整细胞素调节个体的鼻生出子糖的又一个候选者.

Bolus 计算器调制

胰岛素-碳水化合物比(ICR)和校正因子(CF)往往来自每日总剂量和体重。遗传因素可以完善这些估计;例如,具有TCF7L2风险变体的患者表现出损伤的胰岛素效应和较高的后葡萄糖出行,因此有必要采取更积极的国际民事反应。同样,ENPP1抑制胰岛素受体信号呼唤更高的校正因子。结合多个变体的遗传分数可以纳入泵的波卢斯法算法,以提供定制建议。对于双荷尔蒙系统,克贡敏感度的遗传输入也可以完善抢克贡剂量的校正因子。

传感器校正频率和反应时间

如前所述,皮肤特性和葡萄糖等同的遗传差异可以改变感官的滞后。根据遗传标记调整变化极限的算法可以帮助防止错误的警报或错失警报。例如,如果患者的遗传特征表明存在重大生理滞后,那么系统可以应用预测性过滤器来解释这种延迟,在快速葡萄糖变化期间提高准确性。 AQP7(aquaporin 7)]中的变体会影响间流体的转接,从而进一步决定最佳的再调整间隔。

通过基因组特征进行机器学习增强

先进的人工胰腺系统开始使用在数千个病人日中训练的强化学习和神经网络。 添加基因特征作为输入变量可以改善模型的通化并减少所需的培训日。 比如,包括病人PPARG基因型的模型可能比仅使用历史葡萄糖数据的模型更快地聚合在正确的碳水化合物吸收率上。 这种方法对从用户行为及其基础生物学中学习的适应系统很有希望。

案例研究:基因个性化对世界的实际影响

几项小规模研究探讨了人工胰腺系统的基因个性化问题。 在2022年的一项试点研究中,研究人员利用T2D的多源风险分数调整了算法的侵略性,并报告说,与标准设置相比,在时间范围内(70-180毫克/升)有所改善。 另一项研究对KCNJ11E23K多态性患者进行了检查;当算法在睡眠期间使用高糖靶时,这些同源体在低血糖上下降12%。 这些例子说明了将全基因组数据纳入闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭

在2023年的一项观测分析中,TCF7L2] 获得经低国际民事登记初始化的MPC算法的患者,其孕后高血糖发生次数比使用标准国际民事登记法的患者要少。 但是,如果该算法的胰岛素行动时间没有调整,那么同一组患者的孕后低血糖期也比较晚。这突出说明了多参数个化而不是单基因调整的必要性。 为了便利这种分析,Artificial Pancreas Consortium 已经开始在其试验登记册中收集遗传数据。

挑战依然存在:许多基因关联在效果上都很小,多种基因和环境因素之间的相互作用使翻译复杂化了。 尽管如此,随着人工胰腺系统变得更加复杂并集成机器学习,基因特征可以作为输入变量来训练个性化模型。 通过可穿戴的RNA传感器来不断进行基因监测的出现,最终可能关闭基因型和实时算法调和之间的循环。

未来的研究和发展方向

下一代人工胰腺系统可能包括实时遗传数据流. 通过RNA或蛋白质活标测量基因表达的可穿戴传感器可以被集成到控制回路中. 例如,传感器检测器增加 IL-6 表达(一种亲炎细胞素)可以信号即将到来而胰岛素抗药性,触发算法,以先发制人地增加胰岛素的分泌. 同样,监测G6PC[表达中的变化可以表示肝糖输出改变,允许动态调整. 反映肌肉糖摄入量的微RNA面板也正在被调查.

以CRISPR为基础的诊断和便携式DNA测序的进展很快可以让护理点在设备初始化之前进行基因剖面分析。 一个简单的颊部可以告知算法,用户胰岛素清除率、传感器滞后趋势以及低血糖风险。 这些信息可以编码为数字剖面,将用户开关转移到任何人工胰腺系统,确保个人化护理的连续性。 FDA的人工胰腺指导现在鼓励制造商在设备标签中考虑特定因素,包括遗传因素。

需要大规模临床试验来验证基因个性化的成本效益和安全性。人工泛美体联合体提出了将基因组数据纳入实验设计的框架。同时,诸如基因组-维德协会研究目录等数据库继续查明与糖尿病治疗中的甘油特质和不良事件有关的新地方。多相相通的多相通体数据——基因组学、蛋白质组学、分泌学——的结合将进一步细化算法个人化,从而抓住基因变异的功能后果。

另一个有希望的途径是使用药物基因组决定支持工具,在遗传因素可能影响人工胰腺性能时提醒临床医生。 比如,如果患者有HLA-DQ2/8 基因型与高T1D自体免疫活性相关,那么该系统可能会建议在患病期间更频繁地进行传感器校正和更严格的糖靶。 将这些规则纳入电子健康记录和设备管理平台对于广泛采用至关重要。 此外,云基算法更新可以适应患者的基因特征,从而可以进行远程优化,而不需要新的硬件。

伦理和实际考虑

遗传个性化提供了令人振奋的可能性,但也引起了对隐私、公平和数据解释的担忧。 糖尿病管理的遗传检测尚未成例,获得机会的差距可能扩大健康差距。 算法必须设计为容纳没有遗传数据的病人,个性化应当是可选的。 需要明确的同意程序,特别是如果基因数据存储在云体人工胰腺系统中的话。 必须通过强力加密和匿名来降低原始CGM和泵取数据与遗传标记相结合的风险。

此外,目前遗传标记的预测力对非欧洲血统的个人来说是有限的,因为大多数基因WAS都是在欧洲人口范围内进行的。 诸如1000基因组项目和所有我们研究方案等努力旨在使基因数据库多样化,使算法更公平个性化。设备制造商应承诺在部署之前在不同的组群中验证其基因特征。基因测序成本持续下降,但基于基因数据的装置个性化的偿还模型仍未开发。

最后,临床医生需要培训来解释遗传报告和相应调整算法参数。 设备界面中的自动决策支持可以减轻这一负担。 随着实地的成熟,监管机构需要制定医疗器械中遗传输入的验证标准,包括证明基因个性化比仅从历史数据中学习的适应性算法提供了有意义的改进。

结论

遗传因素无可否认地影响了人工胰腺系统的表现,从感官精度和胰岛素吸收到算法个性化。 随着我们对基因组的理解的扩大,将基因数据纳入闭锁-闭锁控制将成为精确糖尿病管理的基石。 前进的道路需要遗传学家、内分泌学家、生物医学工程师和数据科学家进行跨学科合作,将基因洞见转化为可操作的装置特征。 通过接受这种复杂性,我们可以更接近完全自动化的个体化胰岛素投放,不仅适应实时葡萄糖读取,而且适应每个患者DNA中独特的生物编码。 基因组学、可穿戴感知和机器学习的趋同,预示着未来人工胰岛系统在出现新陈代谢需求前的预测,减轻糖尿病自我管理的负担并改进基因谱中人们的产能。