非向的代谢学和机器学习揭示了淋巴结结结核病的代谢失调

科学领域:

• 代谢学 代谢学 代谢学
• 生物化学 生物化学
• 机器学习 机器学习

背景情况:

• 淋巴结结核病 (LNTB) 是最常见的肺外结核病形式.
• 由于类似的症状和不足的诊断工具,很难将LNTB与其他疾病区分开来.
• 目前的LNTB诊断缺乏足够的灵敏度和特异性.

研究的目的:

• 为了确定LNTB和非LNTB患者之间的代谢区别.
• 探索LNTB的潜在病理机制.
• 通过机器学习发现LNTB的新型诊断生物标志物.

主要方法:

• 来自40名LNTB和30名非LNTB患者的血清样本使用超高性能液态染色体质谱分析.
• 鉴定了不同的代谢物,并使用KEGG进行了途径丰富分析.
• 机器学习模型 (SVM,随机森林) 选生物标志物,通过ROC曲线验证.

主要成果:

• 在1294种检测到的代谢物中,89种显示了LNTB和非LNTB组之间的显著差异.
• 关键受影响的途径包括 fenilalanine,tyrosine 和 tryptophan 的生物合成, fenilalanine 的代谢和 aminoacyl-tRNA 的生物合成.
• 确定了四种生物标志物,其中Leu-Ala显示了最高的诊断准确性 (AUC=0.8292,灵敏度=73.5%,特异性=86.7%).

结论:

• 代谢分析显示,LNTB患者的代谢失调显著,特别是在氨基酸和tRNA生物合成途径.
• 莱乌-阿拉已经成为一个有前途的新生物标志物来诊断LNTB.
• 将代谢学与机器学习相结合,为LNTB检测提供了潜在的进步,需要进一步验证.