综合代谢学与机器学习相结合,用于直接从上呼吸道样本中识别SARS-CoV-2和其他病毒

科学领域:

• 生物化学和分子生物学
• 传染性疾病 传染性疾病
• 计算生物学 计算生物学

背景情况:

• 目前的呼吸道病毒分子诊断具有局限性,包括敏感性和无法区分活跃和已解决的感染.
• 代谢分析提供了一种补充方法,以了解宿主-病原体相互作用和疾病病理生理学.
• 质谱法 (MS) 可以检测生物样本中的小分子 (代谢物).

研究的目的:

• 在呼吸道样本中识别代谢生物标记特征,以区分感染和未感染呼吸道病毒的个人,包括SARS-CoV-2.
• 评估各种呼吸道病毒感染的代谢数据训练的机器学习模型的诊断性能.
• 探索代谢学作为传染病的补充诊断工具的潜力.

主要方法:

• 非定向液态色谱四极飞行时间质谱 (LC-QTOF-MS) 用于呼吸道样本的初始代谢分析.
• 机器学习 (ML) 算法,包括光梯度增强模型 (LGBM),用于识别差异化生物标记符号.
• 针对性的液体染色学-并联质谱法 (LC-MS/MS) 用于验证,共分析了1226个样本.

主要成果:

• 该LGBM模型实现了严重急性呼吸综合征冠状病毒2 (SARS-CoV-2) 检测的高诊断性能,接收器操作特征曲线 (AUC) 下的面积为0.99,灵敏度为0.96,特异性为0.95.
• 代谢学方法还证明了在识别甲型流感病毒 (AUC 0.97) 和呼吸道同胞病毒 (RSV) (AUC 0.99) 中的高性能.
• 发现的关键区分代谢物包括3-oxo-heneicosanoic acid和2-(4-hydroxyphenyl) 乙醇.

结论:

• 呼吸道样本的代谢分析,结合机器学习,显示出作为呼吸道病毒感染诊断工具的巨大潜力.
• 这种方法可以补充现有的分子诊断方法,提供对病理生理学的见解,并可能识别新的治疗点.
• 将基于MS的代谢学进一步应用于各种传染病,可以扩大对宿主-病原体代谢相互作用的理解.