基于血蛋白质组学的免疫状态评估,使用元图卷积网络

科学领域:

• 生物化学 生物化学
• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学

背景情况:

• 血蛋白对于免疫健康评估和疾病风险预测至关重要.
• 血蛋白与全身免疫功能之间的关系需要进一步阐明.
• 开发先进的计算模型对于分析复杂的蛋白质原子数据至关重要.

研究的目的:

• 开发和验证一种新的计算框架,ProMetaGCN,用于使用等离子体蛋白质学评估系统性免疫状态.
• 识别关键的免疫相关蛋白质及其相关的生物通路.
• 建立免疫特征,疾病进展 (COVID-19),衰老和患者存活率 (NSCLC) 之间的联系.

主要方法:

• 整合元学习,图形卷积网络和蛋白质与蛋白质相互作用 (PPI) 数据.
• 机器学习算法的应用 (随机森林,LightGBM,XGBoost,Lasso) 用于免疫分析和生物标志物发现.
• 模型的验证使用独立的COVID-19患者队列和分析非小细胞肺癌 (NSCLC) 患者生存数据.

主要成果:

• 鉴定了309个与免疫相关的因素及其生物功能/途径.
• 发现ADAMTS13,GDF15和SERPINF2作为免疫概况和衰老的重要生物标志物.
• 证明免疫状态与COVID-19感染进展/恢复之间的相关性.
• 引入ImmuneAgeGap指标,显示与NSCLC患者的存活率的关联.

结论:

• ProMetaGCN提供了一个强大的框架,通过血蛋白质组学来评估免疫状态.
• 关键的生物标志物和ImmuneAgeGap指标为个性化医疗和疾病风险分层提供了潜力.
• 这项研究促进了对免疫功能及其在传染病和癌症方面的影响的理解.