在多阶段机器学习管道中利用卡帕-兰巴达签名来通过流细胞计检测B细胞淋巴瘤

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学

背景情况:

• 对B细胞淋巴瘤诊断流细胞计数据的手动解释是主观的,耗时的.
• 现有的计算方法往往无法结合关键的生物原理,如免疫球蛋白轻链限制.

研究的目的:

• 为准确和可复制的B细胞淋巴瘤检测开发一个生物信息的机器学习管道.
• 将免疫球蛋白卡帕 (IGK) 和羔羊 (IGL) 签名集成到自动化分析中.

主要方法:

• 一个三阶段的XGBoost机器学习管道被开发使用21个免疫表型标记在超过1500万个单细胞事件.
• 该管道顺序分类光链表达,细胞表型和样本级预测,结合IGK/IGL签名.

主要成果:

• IGK/IGL分类器达到88.0%的测试准确率 (AUC 0.957),细胞级分类达到92.9%的准确率 (AUC 0.983).
• 样本级分类实现了94.7%的准确性 (AUC 0.976),IGK/IGL丰富是最有信息的特征.

结论:

• 结合IGK/IGL签名等生物学基础的特征,可以提高自动流细胞计分析的准确性和可解释性.
• 这种方法为B细胞淋巴瘤诊断提供了可扩展,可复制和临床相关的手册审查的替代方案.