使用机器学习检测淋巴瘤B细胞目录中的疾病特异性特征
Paul Schmidt-Barbo1,2, Gabriel Kalweit2,3, Mehdi Naouar2,3
1Department of Biomedicine, Translational Immuno-Oncology, University Hospital Basel, Basel, Switzerland.
PLoS computational biology
|July 2, 2024
概括
下一代B细胞受体谱的测序结合机器学习可以区分主要的B细胞淋巴瘤. 这种方法为分类这些复杂的癌症提供了一个新的诊断工具.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- B细胞淋巴瘤的分类严重依赖病理学家的专业知识和光显微镜.
- 区分淋巴瘤亚型需要分析B细胞受体 (BCR) 克隆类型和瘤微环境.
- 目前的诊断方法耗时,需要广泛的培训.
研究的目的:
- 调查BCR目录下一代测序 (NGS) 结合机器学习用于B细胞淋巴瘤亚分类的诊断实用性.
- 确定BCR曲目特征的计算分析是否可以准确地区分主要淋巴瘤实体.
主要方法:
- 训练随机森林和后勤回归模型,使用来自620个淋巴瘤样本 (NLPBL,DLBCL,CLL) 和291个对照的BCR目录数据.
- 分析了顶级BCR克隆类型的克隆分布,VDJ基因使用和物理化学特性.
- 基于不同淋巴瘤亚型的分类准确度评估模型性能.
主要成果:
- 机器学习模型准确地区分了结节性淋巴细胞占主导地位的B细胞淋巴瘤 (NLPBL),扩散性大B细胞淋巴瘤 (DLBCL) 和慢性淋巴细胞白血病 (CLL).
- 通过使用DLBCL和CLL最常见的克隆型来实现最佳分类,而NLPBL则从分析更广泛的曲目中获益.
- 一个逻辑回归模型在一个独立的测试队列中实现了0.84的加权F1得分.
结论:
- 结合机器学习的NGS,为区分关键的B细胞淋巴瘤实体提供了可行的方法.
- 这种计算方法显示了提高淋巴瘤分类准确性和效率的潜力.
- 该研究提供了使用BCR测序数据在B细胞淋巴瘤的临床诊断中的概念验证.
