应用于高维唾液蛋白学的可解释机器学习准确地分类了儿科炎性肠病
Brittany T Rupp1, Joaquin Reyna2, Ally Giunta3,4
1Department of Oral and Craniofacial Molecular Biology, Virginia Commonwealth University, Richmond VA., USA.
medRxiv : the preprint server for health sciences
|November 24, 2025
概括
这项研究引入了一种新的唾液蛋白质和人工智能方法,用于非侵入性的儿科炎性肠病 (IBD) 分类. 它可以识别最小的蛋白质签名,用于准确诊断,改善早期治疗决策.
科学领域:
- 胃肠病学 胃肠病学
- 蛋白质组学是指蛋白质组学.
- 人工智能的人工智能
背景情况:
- 炎症性肠病 (IBD),包括克罗恩病 (CD),性结肠炎 (UC) 和IBD未分类 (IBD-U),是慢性胃肠炎症疾病.
- 目前儿科IBD的诊断和监测方法是侵入性的,昂贵的,耗时的,阻碍了及时管理.
- 需要用于IBD分类和监测的非侵入性,准确和快速的方法.
研究的目的:
- 应用高维唾液蛋白质组学与可解释的人工智能/机器学习 (AI/ML) 集成,用于儿科IBD分类.
- 为了识别唾液中最小的蛋白质特征,以区分儿科IBD亚型 (CD,UC,IBD-U).
- 通过准确和及时的IBD诊断,为治疗决策提供信息.
主要方法:
- 使用NULISAseq炎症面板 (250种蛋白质) 来分析患有CD,UC和IBD-U的儿科患者未刺激的唾液.
- 使用逻辑回归和递归特征消除来识别最小的歧视性蛋白质特征.
- 在独立的后续样本上验证模型的性能,并使用SHapley添加式扩展 (SHAP) 评估患者特异性蛋白质贡献.
主要成果:
- 确定了14种蛋白质的签名,包括化学,细胞,受体,连接体和结构蛋白.
- AI/ML模型在第一次访问样本的分类中达到96.2%的准确性,在后续测试中达到86.4%.
- SHAP分析揭示了患者特异性的驱动因素,并表明IBD-U病例在生物学上与CD或UC档案一致.
结论:
- 唾液蛋白质组和可解释的AI/ML的整合使得使用最小的生物标志物集能够准确,非侵入性地对儿科IBD进行分类.
- 这种方法为未来对IBD的纵向监测提供了一个可扩展的框架.
- 这些发现支持儿童IBD患者更早,更精确的治疗干预措施.
