用参数和非参数机器学习模型开发人类带血衍生CD34+血造干细胞原始细胞的定量预测算法
Chi-Kwan Leung1, Pengcheng Zhu2, Ian Loke2
1Group Laboratory Operations, Cordlife Group Limited, A'Posh Bizhub #06-01/09, 1 Yishun Industrial Street 1, Singapore, 768160, Singapore. david.leung@cordlife.com.
Scientific reports
|October 24, 2024
概括
从带血中预测CD34+造血干细胞 (HSPC) 的剂量对于移植成功至关重要. 后传神经网络模型有效地预测使用母体和新生儿参数的HSPC产量.
科学领域:
- 血液学 血液学 血液学
- 干细胞生物学 干细胞生物学
- 生物信息学是一种生物信息学.
背景情况:
- 带血干细胞移植是各种疾病的标准治疗方法.
- 对CD34+造血干细胞 (HSPC) 的剂量对于成功的结局至关重要.
- 准确预测HSPC产量对于临床应用至关重要.
研究的目的:
- 评估用于预测冷保存带血中CD34+细胞比例的数学模型.
- 为了确定影响HSPC产量的孕产妇和新生儿参数.
- 为了比较参数和非参数算法的预测能力.
主要方法:
- 从802个经过处理的带血单位 (2020-2022) 中分析了24个预测变量.
- 使用多变量线性回归 (参数),随机森林和反向传播神经网络 (非参数) 开发预测模型.
- 使用根-平方平均偏差和中位数绝对偏差评估模型性能.
主要成果:
- 反向传播神经网络模型显示出最高的预测能力 (56.99%).
- 多变量线性回归产生了最小的根-平方平均偏差 (0.0982).
- 神经网络模型显示了最高的中位数绝对偏差 (0.0689).
结论:
- 孕产妇和新生儿的参数可以用来预测带血产品中的CD34+细胞剂量.
- 后传神经网络为临床利用提供了最准确的预测.
- 这种预测模型可以帮助细胞银行选择最佳的带血单位进行移植.
