通过基因组测序,向代谢学和机器学习来提高新生儿查的准确性
Yuhan Xie1,2, Gang Peng3, Irina Tikhonova1
1Department of Genetics, Yale School of Medicine, New Haven, CT, USA.
BMC medical genomics
|November 19, 2025
概括
将基因组测序和AI/ML与代谢学相结合,可以提高新生儿代谢障碍查 (NBS) 的准确性. 这种方法提高了早期检测,并减少了诊断延迟,最大限度地减少了NBS的错误阳性.
科学领域:
- 基因组学就是基因组学.
- 代谢学 代谢学 代谢学
- 生物信息学是一种生物信息学.
背景情况:
- 使用双重质谱 (MS/MS) 的新生儿查 (NBS) 面临着错误阳性和诊断延迟的挑战.
- 目前的方法需要确认性测试,影响对代谢障碍的及时干预.
研究的目的:
- 评估基因组测序,扩展代谢物分析和人工智能/机器学习 (AI/ML) 的整合,以提高NBS的准确性.
- 提高识别真实阳性病例的精度,减少NBS中的错误阳性.
主要方法:
- 分析了119例查阳性病例的干血斑点 (DBS).
- 基因组测序确定了与疾病相关的基因的变异.
- 一个AI/ML分类器分析了新陈代谢数据,以区分真假阳性.
主要成果:
- 使用AI/ML的代谢学家在检测真实阳性的过程中实现了100%的灵敏度.
- 基因组测序减少了98.8%的假阳性,但作为独立测试的灵敏度较低.
- 致病变体携带者导致错误阳性率升高,特别是在VLCADD病例中.
结论:
- 与AI/ML相结合的向代谢学表明,在NBS中对真正的阳性鉴定具有很高的敏感性.
- 基因组测序有效地减少了假阳性,但与代谢数据的整合是全面NBS准确性的关键.
- 父母或产前载体查可以通过识别有风险的个体来进一步提高NBS的准确性.


