生物地图AI:人工智能多omics模拟肌痛性脑筋炎 / 慢性疲劳综合征
Ruoyun Xiong1,2,3, Elizabeth Aiken1, Ryan Caldwell1
1The Jackson Laboratory, Farmington, CT, 06032.
bioRxiv : the preprint server for biology
|July 9, 2024
概括
一个人工智能工具BioMapAI分析了多omics数据,以确定肌痛性脑筋炎/慢性疲劳综合征 (ME/CFS) 的生物标志物. 它揭示了肠道微生物,免疫细胞和代谢物之间的联系,有助于诊断和理解这种复杂的疾病.
科学领域:
- 免疫学 免疫学 免疫学
- 微生物组研究的研究.
- 计算生物学是一种计算生物学.
背景情况:
- 肌痛性脑筋炎/慢性疲劳综合征 (ME/CFS) 由于其复杂,多因素的性质,提出了诊断和治疗方面的挑战.
- 现有研究强调了ME/CFS的异质性,需要先进的分析方法来理解其潜在机制.
研究的目的:
- 开发和验证BioMapAI,一个深度神经网络,用于分析ME/CFS的纵向多omics数据.
- 通过综合生物和临床数据识别疾病和症状特异性生物标志物,并对ME/CFS进行分类.
- 在ME/CFS中生成微生物组,免疫系统和代谢组的系统级连接地图.
主要方法:
- 在249名ME/CFS参与者的四年纵向数据集上训练了一个监督的深度神经网络 (BioMapAI).
- 综合的多omics数据,包括肠道转基因组学,血代谢学,免疫细胞分析和临床症状.
- 采用可解释的AI方法来构建一个全面的连接地图.
主要成果:
- 在持有和独立的外部队列中,BioMapAI准确地对ME/CFS进行了分类.
- 确定了微生物代谢物 (例如,SCFA,BCAA,氨酸),血脂,胆酸和炎症T细胞反应 (MAIT, γδT) 之间的破坏性关联.
- 在特定的免疫细胞子集中发现了增强的炎症标志物,包括IFNγ和GzA.
结论:
- 生物地图AI提供了前所未有的系统层面的洞察力ME/CFS病理生理学.
- 这些发现完善了现有的假设,并提出了新的途径,有助于ME/CFS异质性.
- 这种人工智能驱动的方法增强了ME/CFS的生物标志物发现和分类.
