机器学习编码尿液和血清代谢模式用于自身免疫性疾病的歧视,分类和代谢失调分析
Qiuyao Du1,2, Xiao Wang1,2, Junyu Chen1,2
1Beijing National Laboratory for Molecular Sciences, Key Laboratory of Analytical Chemistry for Living Biosystems, Institute of Chemistry, Chinese Academy of Sciences, Beijing 100190, China. hhliu@iccas.ac.cn.
The Analyst
|August 7, 2023
概括
这项研究引入了一种新的代谢学方法,使用液体染色学-并联质谱学 (LC-MS) 和机器学习来准确诊断自身免疫性疾病 (AD). 尿液分析在区分ADS方面比血清更有效,为精准医学铺平了道路.
科学领域:
- 生物化学和分子生物学
- 免疫学 免疫学 免疫学
- 计算生物学和生物信息学
背景情况:
- 自免疫性疾病 (ADs) 由于复杂的病原和模糊的症状,存在诊断上的挑战.
- 代谢学提供了对代谢障碍的洞察,有助于疾病机制分析和诊断.
- 之前的代谢学研究缺乏足够的对ADS的区分能力.
研究的目的:
- 开发和验证一种液体染色体协同质谱 (LC-MS) 策略,结合机器学习来进行AD歧视和分类.
- 为了比较尿液与血清样本在AD检测中的诊断效果.
- 为了确定差异化代谢物,并调查ADs中的代谢失调.
主要方法:
- 从267名受试者收集了尿液和血清样本 (127名健康对照,140名阿尔茨海默症患者在六种类型中).
- 采用液体染色学并联质谱法 (LC-MS) 进行全面的代谢分析.
- 利用机器学习算法进行数据分析,区分和ADS的分类.
主要成果:
- 使用LC-MS衍生代谢模式和机器学习实现了ADs的令人满意的歧视和分类.
- 与血清样本相比,尿样在疾病分化和选方面表现出更高的准确性.
- 识别了差异性代谢物和评估了代谢物组,提供了对AD病变发生的洞察力.
结论:
- 集成的LC-MS和机器学习方法为AD诊断和分类提供了一个有希望的,准确的方法.
- 尿液代谢学显示出非侵入性AD检测和患者分层的显著潜力.
- 这项研究推动了代谢学和机器学习在针对自身免疫性疾病的精密医学中的应用.
