在移植后早期,利用无监督机器学习探索外围B细胞记忆亚群中的乱
Ariadni Fouza1, Anneta Tagkouta2,3, Maria Daoudaki2
1Department of Transplant Surgery, Medical School, Aristotle University of Thessaloniki, General Hospital "Hippokratio", 54642 Thessaloniki, Greece.
Journal of clinical medicine
|October 14, 2023
概括
移植脏的患者在移植后表现出不同的B细胞模式. 机器学习识别了基于原始B细胞 (NBC) 和记忆B细胞 (MBC) 的两个患者群,与功能 (eGFR) 相相关.
科学领域:
- 免疫学 免疫学 免疫学
- 移植科学 移植科学
- 生物信息学是一种生物信息学.
背景情况:
- B细胞在移植结果中起着至关重要的作用.
- 这项研究调查了移植后的记忆B细胞 (MBC) 和原始B细胞 (NBC) 现型.
- 无监督机器学习被用来将细胞表型与功能联系起来.
研究的目的:
- 分析移植受体中MBC亚群和NBC的分布.
- 为了确定B细胞表型与估计的淋巴细胞过率 (eGFR) 之间的关联.
- 使用机器学习,根据B细胞概况和功能对患者进行分层.
主要方法:
- 流细胞测量用于在基线 (T0) 和移植后6个月 (T6) 的47名稳定移植接受者的MBC和NBC的特征.
- 使用无监督机器学习识别了具有相似T6细胞表型特征的患者群.
- 在已识别的患者群组之间,估计的淋巴球过率 (eGFR) 被比较.
主要成果:
- 从T0到T6观察到NBC频率的显著增加,而MBC亚群保持稳定.
- 集群1显示出NBCs占主导地位,MBCs较少,而集群2显示出MBCs的高频率和NBCs较少.
- 与集群2相比,集群1显示出更高的eGFR,表明功能更好.
结论:
- 移植接受者可以根据B细胞表型 (MBC和NBC) 和eGFR分层成不同的群体.
- 无监督机器学习有效地识别了不同B细胞组成和功能的患者子组.
- 这种分层可以提供对移植后结果和个性化管理策略的见解.
