在初级渐进性多发性硬化症中基于机器学习的疾病进展预测
Michael Gurevich1,2, Rina Zilkha-Falb1, Jia Sherman3
1Multiple Sclerosis Center, Sheba Medical Center, Ramat-Gan 5262, Israel.
Brain communications
|January 9, 2025
概括
周围血液细胞转录组分析可以预测原发性渐进性多发性硬化症 (PPMS) 患者的疾病进展. 使用基因表达数据的机器学习模型准确预测残疾和大脑体积损失,有助于早期干预.
科学领域:
- 神经科学是一个神经科学.
- 基因组学就是基因组学.
- 医疗成像医学成像
背景情况:
- 初级渐进性多发性硬化症 (PPMS) 呈现出可变的残疾进展,需要预测生物标志物.
- 周围血液转录组分析提供了一种非侵入性的方法来评估疾病活动和患者的结果.
研究的目的:
- 开发机器学习模型来预测PPMS患者的残疾进展和大脑体积损失.
- 确定与疾病快速进展相关的关键血液转录特征.
- 为了能够早期识别高风险的PPMS患者,及时进行治疗干预.
主要方法:
- 在ORATORIO试验中,对来自PPMS患者的外周血液单核细胞进行RNA序列分析.
- 应用机器学习和交叉验证算法来预测120周的临床和放射性结果.
- 利用基线血液转录概况和脑MRI数据用于预后模型开发.
主要成果:
- 一个10基因预测器在120周内确定患有残疾进展的患者时达到70.9%的准确性.
- 一个4基因分类器以74.1%的准确度区分了快速与缓慢的残疾进展.
- 一个12基因分类器以70.2%的准确度预测了大脑体积损失,当与MRI数据相结合时,预测得到了74.1%的改善.
结论:
- 血液转录组数据是预测PPMS中残疾进展和大脑体积损失的宝贵工具.
- 整合基因表达和MRI数据的机器学习模型提高了预后准确性.
- 这些发现支持使用外周血液生物标志物用于PPMS个性化治疗策略.
