使用贝叶斯分析对流细胞计数据进行分类有助于区分ALS患者与健康对照组
Saskia Räuber1, Christopher Nelke1, Christina B Schroeter1
1Department of Neurology, Medical Faculty, Heinrich Heine University of Düsseldorf, Düsseldorf, Germany.
Frontiers in immunology
|August 21, 2023
Insights
贝叶斯网络分析准确地识别了使用多维流细胞计 (mFC) 数据的肌缩性侧面硬化症 (ALS) 患者. 这种新的计算方法优于现有方法,为疾病分类提供了一个有前途的工具.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 生物统计学 生物统计学
背景情况:
- 多维流细胞计 (mFC) 在免疫学中对于分析细胞种群至关重要.
- 传统的mFC数据分析依赖于手动关门,这可能是主观的和耗时的.
- 计算方法正在出现,以增强mFC数据分析.
研究的目的:
- 开发和验证贝叶斯网络分析模型,以使用原始,未检测的mFC数据来分类肌缩性侧面硬化症 (ALS).
- 将贝叶斯网络分析与商业算法 (Citrus) 的性能进行比较.
主要方法:
- 使用健康对照 (HC) 的原始mFC数据构建贝叶斯网络模型,以创建参考"HC树".
- 该模型用于根据标记物分布预测疾病状态 (ALS或HC).
- 算法计算了零标记分布的概率,以评估样本和HC树之间的相似性.
主要成果:
- 贝叶斯网络模型在初级队列中正确识别了64/68个ALS病例,在验证队列中100%的病例.
- 使用7个标志物,200个容器和20名患者 (p < 0.0001) 实现了最佳性能.
- 与商业算法"Citrus"相比,贝叶斯网络分析显示出更高的性能.
结论:
- 贝叶斯网络分析提供了一种新的数据保存方法,可以在没有减少技术的情况下对mFC数据进行分类.
- 这种方法显示出作为临床环境中的补充诊断工具的潜力,用于像ALS这样的疾病.
抽象的
No abstract available in PubMed .
