机器学习驱动的多发性硬化症诊断从全血转录组学
Maryam Omrani1, Rosaria Rita Chiarelli1, Massimo Acquaviva1
1Institute of Experimental Neurology and Division of Neuroscience, IRCCS San Raffaele Scientific Institute, Milan, Italy.
Brain, behavior, and immunity
|August 3, 2024
概括
机器学习识别了血液转录特征,以准确诊断多发性硬化症 (MS) 并预测其从临床隔离综合征 (CIS) 的进展. 这为MS提供了潜在的早期,非侵入性诊断工具.
科学领域:
- 神经免疫学 神经免疫学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 多发性硬化症 (MS) 是一种涉及免疫系统失调的神经系统疾病.
- 临床隔离综合征 (CIS) 是第一个表现,可能会发展为明确的MS.
- 早期诊断和预测MS进展对于患者管理至关重要.
研究的目的:
- 使用机器学习 (ML) 评估MS和CIS中血液转录性改变的诊断和预测价值.
- 开发用于MS早期检测和风险分层的非侵入性生物标志物.
主要方法:
- 来自CIS,MS和健康个体的200多个血液RNA样本的深度测序.
- 应用ML二元分类来区分MS和健康受试者.
- 使用ML时间到事件模型来预测CIS转换到MS.
- 通过嵌套交叉验证和独立数据集验证进行算法基准测试.
主要成果:
- 一个血液转录签名准确地分类了健康受试者的确定的MS,准确率为97%.
- ML模型预测CIS转化为MS,准确度为72%使用临床前数据和74.3%使用血液转录组.
- 基于血液的分类器证明了MS发展的显著预测能力.
结论:
- 血液转录组学与ML相结合可以识别MS诊断和CIS转换的预测特征.
- 这些发现支持开发多发性硬化症的早期,非侵入性诊断方法.
- 血液中转录分析提供了一个有希望的途径,可以预测CIS患者的MS风险.
