一个使用质特异性TCR序列的可解释分类模型显示了病的诊断潜力

科学领域:

• 免疫学 免疫学 免疫学
• 胃肠病学 胃肠病学
• 计算生物学 计算生物学

背景情况:

• 病 (CeD) 是一个重要的全球健康问题,由于目前的诊断方法的局限性,经常被诊断不足.
• 对于CeD诊断的黄金标准包括侵入性内镜活检和质挑战,这些对患者不友好,并受诊断变化的影响.
• 迫切需要一种更客观,更少入侵,更准确的CeD诊断测试.

研究的目的:

• 为了研究谷蛋白特异性T细胞受体 (TCRs) 对乳病的诊断潜力.
• 开发和验证用于CeD诊断的机器学习模型,使用TCR目录数据.
• 为了确定特定的TCR序列,表明CeD,可能消除了对质消费的需求.

主要方法:

• 从CeD患者和对照中的粘膜CD4+T细胞中测序TCR谱.
• 在患者数据上训练的可解释机器学习模型的开发.
• 使用独立数据集对模型的验证.

主要成果:

• 机器学习模型在培训中实现了100%的准确性,在CeD诊断测试中达到80%的准确性.
• 该模型甚至在不含质饮食的患者中也表现出诊断能力.
• 确定了20个CD4+TCR序列,具有CeD的高诊断潜力.

结论:

• 识别质特异性TCR为一种不那么主观,更容易获得的CeD诊断测试提供了一个有希望的途径.
• 这种新的方法可能会消除对CeD诊断中的质挑战的需求.
• 鉴定到的TCR序列可能构成一种新的胆固醇疾病客观诊断工具的基础.