U-BIOPRED is a European Union consortium of 20 academic institutions, 11 pharmaceutical companies and six patient organisations with the objective of improving the understanding of asthma disease mechanisms using a systems biology approach. This cross-sectional assessment of adults with severe asthma, mild/moderate asthma and healthy controls from 11 European countries consisted of analyses of patient-reported outcomes, lung function, blood and airway inflammatory measurements. Patients with severe asthma (nonsmokers, n=311; smokers/ex-smokers, n=110) had more symptoms and exacerbations compared to patients with mild/moderate disease (n=88) (2.5 exacerbations versus 0.4 in the preceding 12 months; p<0.001), with worse quality of life, and higher levels of anxiety and depression. They also had a higher incidence of nasal polyps and gastro-oesophageal reflux with lower lung function. Sputum eosinophil count was higher in severe asthma compared to mild/moderate asthma (median count 2.99% versus 1.05%; p=0.004) despite treatment with higher doses of inhaled and/or oral corticosteroids. Consistent with other severe asthma cohorts, U-BIOPRED is characterised by poor symptom control, increased comorbidity and airway inflammation, despite high levels of treatment. It is well suited to identify asthma phenotypes using the array of “omic” datasets that are at the core of this systems medicine approach.

U-BIOPRED aims to characterise paediatric and adult severe asthma using conventional and innovative systems biology approaches. A total of 99 school-age children with severe asthma and 81 preschoolers with severe wheeze were compared with 49 school-age children with mild/moderate asthma and 53 preschoolers with mild/moderate wheeze in a cross-sectional study. Despite high-dose treatment, the severe cohorts had more severe exacerbations compared with the mild/moderate ones (annual medians: school-aged 3.0 versus 1.1, preschool 3.9 versus 1.8; p<0.001). Exhaled tobacco exposure was common in the severe wheeze cohort. Almost all participants in each cohort were atopic and had a normal body mass index. Asthma-related quality of life, as assessed by the Paediatric Asthma Quality of Life Questionnaire (PAQLQ) and the Paediatric Asthma Caregiver's Quality of Life Questionnaire (PACQLQ), was worse in the severe cohorts (mean± se school-age PAQLQ: 4.77±0.15 versus 5.80±0.19; preschool PACQLQ: 4.27±0.18 versus 6.04±0.18; both p≤0.001); however, mild/moderate cohorts also had significant morbidity. Impaired quality of life was associated with poor control and airway obstruction. Otherwise, the severe and mild/moderate cohorts were clinically very similar. Children with severe preschool wheeze or severe asthma are usually atopic and have impaired quality of life that is associated with poor control and airflow limitation: a very different phenotype from adult severe asthma. In-depth phenotyping of these children, integrating clinical data with high-dimensional biomarkers, may help to improve and tailor their clinical management.

Abstract Stratified medicine requires discretisation of disease populations for targeted treatments. We have developed and applied a discrete Morse theory clustering algorithm to a Topological Data Analysis (TDA) network model of 498 gene expression profiles of peripheral blood from asthma and healthy participants. The Morse clustering algorithm defined nine clusters, BC1-9, representing molecular phenotypes with discrete phenotypes including Type-1, 2 & 17 cytokine inflammatory pathways. The TDA network model and clusters were also characterised by activity of glucocorticoid receptor signalling associated with different expression profiles of glucocorticoid receptor (GR), according to microarray probesets targeted to the start or end of the GR mRNA’s 3’ UTR; suggesting differential GR mRNA processing as a possible driver of asthma phenotypes including steroid insensitivity.

Abstract Background Many individuals with neurodegenerative (NDD) and immune-mediated inflammatory disorders (IMID) experience debilitating fatigue. Currently, assessments of fatigue rely on patient reported outcomes (PROs), which are subjective and prone to recall biases. Wearable devices, however, provide objective and reliable estimates of gait, an essential component of health, and may present objective evidence of fatigue. This study explored the relationships between gait characteristics derived from an inertial measurement unit (IMU) and patient-reported fatigue in the IDEA-FAST feasibility study. Methods Participants with IMIDs and NDDs (Parkinson's disease (PD), Huntington's disease (HD), rheumatoid arthritis (RA), systemic lupus erythematosus (SLE), primary Sjogren’s syndrome (PSS), and inflammatory bowel disease (IBD)) wore a lower-back IMU continuously for up to 10 days at home. Concurrently, participants completed PROs (physical fatigue (PF) and mental fatigue (MF)) up to four times a day. Macro (volume, variability, pattern, and acceleration vector magnitude) and micro (pace, rhythm, variability, asymmetry, and postural control) gait characteristics were extracted from the accelerometer data. The associations of these measures with the PROs were evaluated using a generalised linear mixed-effects model (GLMM) and binary classification with machine learning. Results Data were recorded from 72 participants: PD = 13, HD = 9, RA = 12, SLE = 9, PSS = 14, IBD = 15. For the GLMM, the variability of the non-walking bouts length (in seconds) with PF returned the highest conditional R2, 0.165, and with MF the highest marginal R2, 0.0018. For the machine learning classifiers, the highest accuracy of the current analysis was returned by the micro gait characteristics with an intrasubject cross validation method and MF as 56.90% (precision = 43.9%, recall = 51.4%). Overall, the acceleration vector magnitude, bout length variation, postural control, and gait rhythm were the most interesting characteristics for future analysis. Conclusions Counterintuitively, the outcomes indicate that there is a weak relationship between typical gait measures and abnormal fatigue. However, factors such as the COVID-19 pandemic may have impacted gait behaviours. Therefore, further investigations with a larger cohort are required to fully understand the relationship between gait and abnormal fatigue.