使用机器学习来个性化预测2019年冠状病毒病的纵向冠状病毒病在移植接收者中的疫苗反应

科学领域:

• 免疫学 免疫学 免疫学
• 传染性疾病 传染性疾病
• 人工智能的人工智能

背景情况:

• 2019年新冠肺炎 (COVID-19) 疫情凸显了疫苗的重要性,特别是在免疫功能低下的个体,如固体器官移植 (SOT) 接受者,他们表现出免疫反应减弱.
• 预测SOT接种者的疫苗疗效对于管理他们的健康和优化疫苗接种策略至关重要.

研究的目的:

• 为了比较各种深度学习架构与传统机器学习模型在预测严重急性呼吸系统综合征冠状病毒2 (SARS-CoV-2) 疫苗反应方面的性能.
• 在SOT接种者接种疫苗12个月后预测抗受体结合域 (anti-RBD) 抗体水平.

主要方法:

• 加拿大303名SOT接受者的多中心队列提供了数据,包括人口,临床,移植特异性因素和纵向抗体测量.
• 评估的模型包括后勤回归,epsilon支持向量回归,随机森林回归器,梯度增强回归器,长期短期记忆 (LSTM),循环神经网络,以及结合囊网络和LSTM的新型路由LSTM模型.
• 路由LSTM模型是为了减轻对广泛数据集的需求而开发的.

主要成果:

• 路由的LSTM模型表现出卓越的预测性能,平均平方误差为0.02 ± 0.02和Pearson相关系数为0.79 ± 0.24.
• 疫苗反应的关键预测因素包括年龄,免疫抑制水平,突破性感染状态,体重指数,性别和移植类型.
• 路由的LSTM超越了所有其他评估的传统和深度学习模型.

结论:

• 人工智能,特别是路由LSTM模型,显示出预测SOT接种者SARS-CoV-2疫苗反应的巨大潜力.
• 这些人工智能工具可以帮助个性化疫苗策略,以提高弱势免疫受损人群的健康结果.
• 对人工智能应用的进一步研究可以改善移植群体的长期疫苗疗效监测.