深度幽默特征分析与可解释的机器学习相结合,揭示了istosomiasis的诊断标记物和病理生理学

科学领域:

• 免疫学 免疫学 免疫学
• 寄生虫学的寄生虫学
• 计算生物学 计算生物学

背景情况:

• 全球有超过2亿人患上istosomiasis,目前的诊断缺乏对早期或过去感染的敏感性.
• 现有的抗体测试无法区分当前和过去的寄生虫感染.
• 需要先进的诊断工具和更深入地了解istosomiasis中的免疫反应.

研究的目的:

• 开发和使用多重抗体分析平台,对抗虫幽默性免疫反应进行全面分析.
• 通过机器学习,识别与不同阶段的分裂体感染相关的潜在因素和独特的免疫特征.
• 发现新的生物标志物,以准确诊断,并深入了解istosomiasis的发病过程.

主要方法:

• 开发了一种多重抗体分析平台,以评估抗体同型,亚类,Fc受体 (FcR) 结合和糖化.
• 应用可解释的机器学习方法,基本回归 (ER) 和SLIDE,以识别潜在因素和免疫特征.
• 感染个体,健康对照和不同的感染内型 (非专利,先前感染) 之间的抗体概况比较.

主要成果:

• 鉴定了活跃寄生虫感染的独特幽默特征,包括高免疫球蛋白G4 (IgG4),FcR结合和特定抗体糖形.
• 验证了一种签名,可以区分活跃感染与没有活跃感染但具有相似抗体标位的个体.
• 在非活跃感染的个体中发现了两个不同的内型:非专利和先前感染.
• 发现较高的IgG1和FcR1/FcR3A结合量可能有助于防止进展到活跃感染.

结论:

• 开发的抗体分析平台为基于抗体的istosomiasis诊断提供了新的标记物.
• 鉴定了潜伏因素和免疫特征,这些因素提供了对杆菌感染病原学的见解.
• 基于这些发现的选择性抗原向可能有助于早期检测和控制感染严重程度.