生物标志物集成用于改进混合中子+光子暴露的生物对称性
Igor Shuryak1, Shanaz A Ghandhi2, Evagelia C Laiakis3,4
1Center for Radiological Research, Columbia University Irving Medical Center, 630 West 168Th Street, VC-11-234/5, New York, NY, 10032, USA. is144@cumc.columbia.edu.
Scientific reports
|July 6, 2023
概括
使用机器学习的新型生物测量方法集成了多omics生物标志物,以估计混合中子和光子暴露的辐射剂量. 这种方法准确地预测了辐射暴露的大小和组成,以改善灾难应对.
科学领域:
- 辐射生物学 辐射生物学
- 计算生物学是一种计算生物学.
- 毒理学 毒理学 毒理学
背景情况:
- 大规模的辐射暴露对健康构成重大风险.
- 目前的生物对称方法与混合光子和中子辐射作斗争.
- 准确的剂量估计对于减轻辐射引起的疾病至关重要.
研究的目的:
- 为混合辐射场开发新的生物对称方法.
- 使用机器学习 (ML) 集成多omics生物标志物,以改进剂量估计.
- 预测来自生物流体样本的辐射暴露的大小和组成.
主要方法:
- 综合转录组,代谢组和血液细胞计数数据来自暴露于中子+光子混合物的小鼠.
- 利用多个ML算法来识别最佳的生物标志物组合.
- 重建的辐射暴露大小和组成,包括光子相当剂量.
主要成果:
- 在基于中子暴露百分比 (AUC 0.904) 的样本分类中获得了高准确性.
- 在重建光子相当剂量 (R2 0.964) 中表现出强大的性能.
- 验证了用于生物对称的多omics生物标志物集成的潜力.
结论:
- 多omics生物标志物的机器学习集成提供了一个有前途的新型生物对称方法.
- 这种方法可以准确地估计混合中子和光子辐射的剂量.
- 这些发现支持开发用于辐射暴露评估和应对的先进工具.


