通过微样本驱动生物传感器和机器学习对SARS-CoV-2助推失活化疫苗的抗体反应的动态分析和预测
Sumin Bian1, Min Shang2,3, Ying Tao1
1CenBRAIN Neurotech Center of Excellence, School of Engineering, Westlake University, Hangzhou 310024, China.
Vaccines
|April 27, 2024
概括
这项研究使用微采样和生物传感器来跟踪对COVID-19疫苗的抗体反应. 机器学习准确地预测了抗体水平,帮助个性化疫苗接种策略.
科学领域:
- 免疫学 免疫学 免疫学
- 生物技术是生物技术.
- 数据科学数据科学数据科学
背景情况:
- 失活的SARS-CoV-2疫苗的第三剂对全球疫苗接种计划至关重要.
- 了解疫苗接种后的抗体动力学对于评估疫苗有效性和持续时间至关重要.
研究的目的:
- 在使用微采样和光学生物传感器进行第三剂SARS-CoV-2疫苗接种后,分析中和抗体 (NAbs) 和结合抗体 (BAbs).
- 应用机器学习来预测不同时间点的抗体反应.
- 为了评估光纤生物层干扰测量 (FO-BLI) 与已建立的测试的性能.
主要方法:
- 集成微采样与精细光纤生物层干扰测量 (FO-BLI) 生物传感器,用于快速,多重的NAb和BAB检测.
- 从15名接种疫苗的捐赠者中,通过微量采样和静脉穿刺收集了9个月的血液样本.
- 利用机器学习算法来预测抗体水平,并将FO-BLI结果与伪病毒中和试验相关联.
主要成果:
- 在微样本和血清中野生型SARS-CoV-2 NAb水平之间存在高相关性 (Pearson r=0.919).
- 野生类型的NAb水平在增强剂后一个月内达到峰值,在三个月内下降到无法检测的水平.
- 从疫苗诱导的NAbs中显著地,尽管不完全地,逃避Omicron亚型.
- FO-BLI与伪病毒中和试验有很强的相关性 (Pearson r=0.983).
- 机器学习模型在预测NAb和BAB水平时达到了<5%的误差.
结论:
- 微样本驱动的生物传感提供了快速,可访问的抗体监测.
- FO-BLI是评估中和结合抗体反应的可靠工具.
- 机器学习可以准确预测抗体动态,支持个性化疫苗接种策略.
- 开发的技术显示出疾病预防和疫苗开发的潜力.
