探索COVID-19和COVID-19后的代谢异常:一种机器学习方法,使用可解释的人工智能
Juan José Oropeza-Valdez1,2, Cristian Padron-Manrique1,3, Aarón Vázquez-Jiménez1
1Human Systems Biology Laboratory. Instituto Nacional de Medicina Genómica (INMEGEN), Mexico City, Mexico.
Frontiers in molecular biosciences
|September 24, 2024
概括
机器学习和可解释的AI在COVID-19和长期COVID患者中揭示了不同的代谢特征. 这种方法提高了对代谢重编程及其在疾病进展和长期症状中的作用的理解.
科学领域:
- 代谢学和计算生物学
- 传染病和免疫学 传染病和免疫学
- 医疗保健中的人工智能
背景情况:
- 在COVID-19的流行病呈现不同的临床结果和持续的症状 (长COVID).
- 代谢重编程越来越多地与SARS-CoV-2感染的长期影响有关.
- 了解这些代谢变化对于诊断和管理COVID后疾病至关重要.
研究的目的:
- 采用机器学习 (ML) 和可解释的人工智能 (XAI) 来分析COVID-19和COVID-19后患者的代谢变化.
- 为了比较ML/XAI方法与代谢学中的传统统计方法的有效性.
- 为了确定与COVID-19和长期COVID相关的特定代谢特征.
主要方法:
- 分析了来自142名COVID-19,48名COVID-19后和38名对照患者的111种已识别的代谢物.
- 主要组件分析 (PCA) 和部分最小平方区分分析 (PLS-DA) 与通过SHAP值增强的极端梯度增强 (XGBoost) 的比较.
- 使用SHAP值来解释ML模型的预测.
主要成果:
- 与传统方法相比,使用SHAP值的XGBoost显示出更好的预测性能.
- 在COVID-19和COVID-19后的队列中确定了不同的代谢亚组,表明异质反应.
- 在COVID-19后的关键代谢特征包括氨酸,谷氨酸,α-氨酸和LysoPC a C16:0.0.
结论:
- ML和XAI的整合为代谢学研究提供了一个强大的,细粒度的方法.
- 这种方法为COVID-19进展和长期COVID的代谢基础提供了更深入的见解.
- 已识别的代谢特征可能作为后COVID-19综合征的潜在生物标志物.
