利用可解释的自动化机器学习 (AutoML) 和代谢学来进行强大的诊断和病理生理洞察力,用于肌痛性脑筋炎/慢性疲劳综合征 (ME/CFS) 的治疗

科学领域:

• 生物标志物发现发现
• 计算生物学 计算生物学
• 代谢学和脂质学

背景情况:

• 肌痛性脑筋炎/慢性疲劳综合征 (ME/CFS) 是一种复杂的,使人虚弱的疾病,原因不明,没有客观的诊断标记.
• 目前对ME/CFS的诊断方法依赖于症状评估,强调需要客观生物标志物.
• 血代谢和脂质组分析为识别ME/CFS特异性的分子特征提供了一个有希望的途径.

研究的目的:

• 使用自动机器学习 (AutoML) 开发和验证ME/CFS的准确诊断工具.
• 分析血代谢和脂质组数据,以确定ME/CFS的歧视性生物标志物.
• 通过可解释的人工智能模型获得对ME/CFS病理生理学的生物学见解.

主要方法:

• 利用了106名ME/CFS患者和91名对照患者的888个代谢和脂质组特征的公共数据集.
• 针对ME/CFS的分类,对三个AutoML框架 (TPOT,Auto-Sklearn,H2O AutoML) 进行了基准测试.
• 采用单变量ROC,PLS-DA,交叉验证,排列测试和SHAP分析来进行特征选择和模型解释性.

主要成果:

• TPOT AutoML框架实现了高诊断性能:92.1%的AUC,87.3%的精度,85.8%的灵敏度和89.0%的特异性.
• PLS-DA证实了ME/CFS患者和对照人群之间的统计学上显著的歧视.
• 可解释的AI确定了与线粒体功能障碍,炎症,肠-大脑轴和细胞膜完整性相关的关键代谢物.

结论:

• 自动ML,特别是TPOT,提供了一种高度准确和可靠的方法,用于使用omics数据检测ME/CFS.
• 鉴定的生物标志物为ME/CFS病理生理学提供了宝贵的见解,可能指导临床决策支持.
• 这种方法为开发ME/CFS的新型治疗点铺平了道路.