支气管膜洗中的metagenomic指纹可以区分肺部疾病
Dongsheng Han1,2,3, Chang Liu4,5,6, Bin Yang7
1Department of Laboratory Medicine, The First Affiliated Hospital, Zhejiang University School of Medicine, 310003, Hangzhou, P. R. China. hands1103@163.com.
NPJ digital medicine
|October 7, 2025
概括
甲基因组下一代测序 (mNGS) 与机器学习相结合,可以准确地将肺癌与肺感染区分开来. 这种多模式方法分析微生物和宿主数据,以改善早期诊断.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 大基因组下一代测序 (mNGS) 允许同时分析微生物和宿主遗传物质.
- 肺癌和肺部感染的准确差异诊断在临床上具有重要意义.
研究的目的:
- 开发和验证使用mNGS数据的多式机器学习方法,以区分肺癌和各种肺部感染.
- 评估综合模型的诊断性能.
主要方法:
- 分析了402个来自肺癌,细菌感染,真菌感染和结核病队伍的支气管洗液 (BALF) mNGS数据集.
- 开发一种多式机器学习模型,整合微生物特征,菌体丰富度,宿主基因表达,免疫细胞组成和瘤分数 (CNV).
- 在训练和测试队伍中使用曲线下的面积 (AUC) 和准确度指标评估模型的性能.
主要成果:
- 综合模型 (模型VI) 实现了高AUC值 (0.937在训练中,0.847在测试中).
- 在疾病组之间观察到微生物特征,宿主基因表达和免疫细胞组成的显著差异.
- 规则/排除策略提高了诊断准确度,准确度从0.896到0.915不等,用于区分肺癌和特定感染.
结论:
- 基于mNGS的多模式分析显示,肺癌和肺部感染的精确差异诊断具有显著的潜力.
- 这种方法为早期和精确的诊断提供了一个具有成本效益的策略.
- 机器学习与mNGS数据的整合为复杂疾病差异化提供了强大的工具.
更多相关视频
07:21Processing of Bronchoalveolar Lavage Fluid and Matched Blood for Alveolar Macrophage and CD4+ T-cell Immunophenotyping and HIV Reservoir Assessment
Published on: June 23, 2019
22.2K
11:23Purifying the Impure: Sequencing Metagenomes and Metatranscriptomes from Complex Animal-associated Samples
Published on: December 22, 2014
37.6K
