通过纤维 evanescent 波谱法通过机器学习先进的法布里病的诊断和预后视角

科学领域:

• 生物化学 生物化学
• 医学诊断 医学诊断 医学诊断
• 频谱学是一种光谱学.

背景情况:

• 法布里病 (FD) 是一种罕见的遗传性疾病,由于α-Galactosidase (α-Gal) 缺乏,导致脂积累.
• 这种积累会导致逐渐的器官损伤,重要器官衰竭,残疾和过早死亡.
• 目前的诊断方法 (基因测试,酶分析) 昂贵,耗时,容易延误或不准确.

研究的目的:

• 开发一种创新,可靠和具有成本效益的诊断工具,用于早期检测法布里病.
• 为了利用中红外纤维发射波谱 (FEWS) 与机器学习 (ML) 进行生物标志物检测.
• 为了分析尿液和血清样本中的globotriaosylsphingosine (Lyso-Gb3) 水平.

主要方法:

• 使用中红外纤维发射波谱 (FEWS) 来监测生物样本的红外光谱.
• 使用统计分析和机器学习 (ML) 算法来解释光谱数据.
• 在尿液和血清中检测出全球三烯酸辛素 (Lyso-Gb3) 生物标志物.

主要成果:

• 机器学习 (ML) 在特定的光谱范围 (血清中的胺A和胺I) 中对FD检测表现出高的选择性.
• 该方法成功地确定了尿液中的glycosphingolipids的α-D-galactosyl残留物,这表明了FD.
• 结合ML的FEWS在检测FD生物标志物Lyso-Gb3.3方面被证明是有效的.

结论:

• 开发的基于FEWS的方法为法布里病提供了一个有希望的,具有成本效益的,快速的诊断工具.
• 这种方法可使敏感的早期检测和监测FD.
• 光谱和ML的整合提高了罕见遗传疾病的诊断能力.