使用代谢学和机器学习发现结核病和非结核菌的尿路生物标志,并使用代谢学和机器学习对非结核菌进行分类
Nguyen Ky Anh1,2, Nguyen Ky Phat1, Nguyen Quang Thu1
1Department of Pharmacology and PharmacoGenomics Research Center, Inje University College of Medicine, Busan, 47392, Republic of Korea.
Scientific reports
|July 3, 2024
概括
诊断非结核性真菌菌 (NTM) 感染是困难的. 这项研究使用代谢学和机器学习确定了新的尿液生物标志物,以区分NTM和结核病 (TB).
科学领域:
- 临床诊断 临床诊断 临床诊断
- 代谢学 代谢学 代谢学
- 机器学习在医学中的应用.
背景情况:
- 非结核菌菌 (NTM) 感染存在诊断挑战,因为症状与结核病 (TB) 重叠.
- 准确的区分对于适当的患者治疗和管理至关重要.
- 目前的诊断方法可能是侵入性的或耗时的.
研究的目的:
- 发现用于区分NTM感染与结核病的非侵入性生物标志物.
- 应用代谢表型和统计建模用于差异诊断.
- 评估机器学习在分类NTM与TB方面的有效性.
主要方法:
- 从NTM和结核病患者的尿样进行非向代谢学分析,使用液态染色体质谱法.
- 统计分析包括单变量和多变量方法.
- 应用五种机器学习模型,包括随机森林,用于分类.
主要成果:
- 在NTM和TB之间观察到氨基酸代谢的显著变化,特别是酸通路.
- 具体的代谢物,如甲氨酸,谷氨酸,氨酸和3-基氨酸酸,显示出不同的水平.
- 随机森林模型在将NTM与TB区分方面取得了高准确性 (ROC AUC>0.8).
结论:
- 六种潜在的非侵入性生物标志物 (甲素,氨酸,谷氨酸,3-氨酸,皮质,英多尔-3-碳酸) 已被确定用于NTM诊断.
- 代谢表型与机器学习相结合,为NTM差异诊断提供了一个有希望的方法.
- 这项研究为开发针对NTM感染的改进诊断工具提供了基础.
