可解释的机器学习来识别慢性淋巴细胞白血病和基于肠道微生物组数据的药物使用

科学领域:

• 微生物组研究 微生物组研究
• 主体与微生物的相互作用
• 临床代谢基因组学

背景情况:

• 药物,特别是抗生素,显著影响肠道微生物群的多样性和组成.
• 人们越来越认识到肠道微生物组在影响癌症进展和整体宿主健康方面的作用.
• 了解疾病状态中的微生物群变异对于开发有针对性的治疗策略至关重要.

研究的目的:

• 调查各种疾病和健康群体的肠道微生物组组成.
• 评估药物,疾病,年龄和性别对微生物群变异的影响.
• 验证和完善基于机器学习的与慢性淋巴细胞白血病 (CLL) 相关的微生物群签名.

主要方法:

• 整合了来自不同患者队伍和健康个体的临床,射门元基因组和药物数据.
• 在包括CLL,AML,MDS,心脏手术患者和脏捐赠者在内的队列中对微生物组多样性和组成进行比较分析.
• 应用机器学习算法来识别和验证特定疾病的微生物组模式.

主要成果:

• 慢性淋巴细胞白血病 (CLL) 患者和预定进行选择性心脏手术的患者之间观察到肠道微生物群多样性和组成的相似性.
• 患有急性骨髓性白血病 (AML) 和骨髓失质综合征 (MDS) 的患者表现出最不多样化和最鲜明的微生物组.
• 药物,疾病,年龄和性别总体上只解释了微生物组变化的很小一部分 (4%-10.4%),90%-95%仍然无法解释.

结论:

• 疾病状态本身对塑造微生物组合的影响有限,CLL和心脏手术患者队列之间的相似性证明了这一点.
• 显著的未解释的微生物群变异强调了需要识别影响肠道微生物群落的新因素的必要性.
• 与CLL相关的微生物群签名的验证证实了其在管理CLL中的稳定性和临床应用潜力.