将数据集限制在可分类样本上,可以增加对免疫疾病生物标志物的发现

科学领域:

• 免疫学 免疫学 免疫学
• 生物标志物发现发现
• 计算生物学 计算生物学

背景情况:

• 免疫性疾病在临床表现,严重程度和治疗反应方面表现出显著的异质性.
• 免疫疾病中的生物标志物表达通常反映了这种变异性,使发现和解释复杂化.
• 跨患者类的生物标志物表达不平等限制了它们的信息范围和预测效用.

研究的目的:

• 引入和验证一种新的程序,数据集限制,以克服异质疾病中的生物标志物限制.
• 为了证明数据集限制在识别以前被忽视的生物标志物的应用.
• 提高免疫相关不良事件和免疫治疗相关肝炎等特定疾病的预测模型的准确性.

主要方法:

• 数据集限制:将数据集分为可分类和不可分类的样本的程序.
• 对合成流细胞计数据的应用,以识别新生物标志物.
• 在晚期黑色素瘤中进行验证,以预测与免疫相关的不良事件风险和与免疫治疗相关的肝炎.

主要成果:

• 数据集限制成功识别了以前被忽视的生物标志物.
• 该方法使得在晚期黑色素瘤患者中能够准确预测免疫治疗相关的肝炎.
• 结合受限生物标志物的多变量模型显示,可分类样本的预测确定性有所提高.

结论:

• 数据集限制是一种有效的策略,可以增加对免疫疾病生物标志物的发现.
• 这种程序增强了多变量模型的预测能力,特别是对于信息范围有限的生物标志物.
• 数据集限制的原则广泛适用于超越免疫疾病的各种分类任务.