通过对比的机器学习进行表观遗传患者分层,在患有喘的少数儿童中改进了标志性生物标志物

科学领域:

• 基因组学就是基因组学.
• 精准医学是一门精准的医学.
• 计算生物学 计算生物学

背景情况:

• 喘患者的分层对精准医学至关重要,但当前的生物标志物,如血中乙氨基酸细胞计数 (BEC) 和免疫球蛋白E (IgE) 有局限性.
• 这些生物标志物在不同人群中显示出可变的分布,可能会影响健康公平和药物资格.
• 现有的生物标志物在预测某些喘患者治疗结果方面往往是无效的.

研究的目的:

• 使用DNA甲基化 (DNAm) 开发一个客观的患者分层分数,以完善喘药物反应的标志性生物标志物的预测疗效.
• 为了调查基于DNAm的得分是否可以改善儿童喘患者对阿尔布特罗尔的支气管扩展剂反应 (BDR) 的预测.
• 评估DNAm分数在不同种族和族群以及喘内型的表现.

主要方法:

• 开发了Phenotype Aware Component Analysis (PACA),一种新的对比式机器学习方法,用于识别与患者分层相关的DNAm模式.
• 将PACA应用于拉丁裔 (n=1,016) 和非裔美国人 (n=756) 儿科喘队伍的全血DNAm数据.
• 评估了BEC和IgE对BDR的精细预测能力,并与PACA衍生的DNAm得分结合使用.

主要成果:

• 来自PACA的DNAm得分显著改进了BDR的预测. 只有在高DNAm分数的患者中,BEC和IgE可以预测BDR.
• 在上四分之一的DNAm组中,BEC与BDR相关 (OR 1.12),在上四分之一的DNAm组中,IgE与BDR相关 (OR 1.42).
• 这些发现与2型 (T2) 高喘内型一致,表明DNAm得分捕捉了T2喘变异,并突出了T2低患者的局限性.

结论:

• 基于DNA甲基化的分层分数提高了对喘药物反应的预测,单独超过了传统生物标志物.
• 通过使用DNAm分数来完善资格标准,可以提高喘治疗的准确性和公平性,特别是对于生物疗法.
• 这种方法为全球多样化的喘患者提供了一条通往更公平,更有效的精准医学策略的道路.