在使用核心树模型增强可解释的人工智能方法的唐氏综合征患者中发现基于代谢学的生物标志物的识别
Cemil Colak1, Fatma Hilal Yagin1, Burak Yagin1
1Department of Biostatistics and Medical Informatics, Faculty of Medicine, Inonu University, Malatya, Türkiye.
Frontiers in molecular biosciences
|April 24, 2025
概括
研究人员使用机器学习和可解释的人工智能来发现唐氏综合征的代谢差异 (T21). 他们确定了关键代谢物,如L-Citrulline,作为T21的潜在生物标志物,有助于理解和未来的战略.
科学领域:
- 生物化学 生物化学
- 遗传学 是一个遗传学.
- 计算生物学 计算生物学
背景情况:
- 唐氏综合征 (T21) 与复杂的分子和代谢变化有关.
- 识别特定的代谢生物标志物对于理解T21病原和制定有针对性的干预措施至关重要.
研究的目的:
- 开发和应用一个可解释的人工智能 (XAI) 模型与机器学习 (ML) 集成,以调查唐氏综合征患者 (T21) 和健康对照人群 (D21) 之间的代谢差异.
- 识别新型或特定途径的代谢生物标志物,以区分T21与对照.
- 评估各种ML分类器在分析代谢学数据中的性能.
主要方法:
- 使用高分辨率液态染色体质谱法 (LC-MS) 对来自316名T21和103名D21个体的血样本进行代谢分析.
- 应用ML分类器,包括AdaBoost,LightGBM,随机森林,KTBoost和XGBoost进行分类.
- 使用基于XAI的SHAP (SHapley添加物扩展) 分析评估代谢物的重要性.
主要成果:
- KTBoost模型实现了最高的分类性能,准确率为90.4%,AUC为95.9%.
- 在T21和D21组之间观察到代谢物水平的显著差异,有显著的下降/上调.
- 在SHAP分析中,L-Citrulline,Kynurenin,Prostaglandin A2/B2/J2,Urate和Pantothenate被确定为T21的潜在新型/特定途径生物标志物.
结论:
- 该研究成功地证明了结合ML和XAI方法的有效性,用于识别T21中的代谢生物标志物.
- 在患有唐氏综合征的人群中存在显著的代谢变化.
- 鉴定的生物标志物可能有助于更好地了解T21的分子机制,并为未来的诊断和治疗策略提供信息.
