代谢和机器学习增强了系统性自身免疫性疾病的患者诊断和分层

科学领域:

• 代谢学 代谢学 代谢学
• 机器学习 机器学习
• 精准医学是一门精准的医学.

背景情况:

• 系统性自身免疫性疾病 (SAD) 呈现出显著的异质性,使患者的分类和诊断复杂化.
• 目前对SAD的诊断方法面临挑战,因为它们的复杂和重叠的临床表现.

研究的目的:

• 描述SADs的代谢指纹,以揭示新的分子见解.
• 使用机器学习 (ML) 增强患者分层和SAD诊断.

主要方法:

• 使用核磁共振 (NMR) 光谱学分析了716名 (272名RA,183名SLE,148名APS,70名SSc,43名健康捐赠者) 个体的循环代谢资料.
• 应用监督和无监督机器学习 (ML) 方法进行数据分析和签名生成.

主要成果:

• 与健康捐赠者相比,在SAD中观察到代谢物水平的显著差异,系统性硬化症 (SSc) 和抗脂综合征 (APS) 显示出最多的变化.
• 共同的SAD标志包括降低抗氧化剂/抗炎代谢物 (例如,白蛋白,胺) 的水平和增加的促炎性GlycA.
• 通过识别与脂质,脂肪酸,能量代谢和氨基酸途径相关的疾病特异特征,ML模型实现了强大的诊断潜力 (AUC 0.79-0.87).
• 无监督的聚类揭示了与特定的临床特征相关的三个不同的患者群,无论个体疾病分类如何.

结论:

• 代谢学与ML相结合,为SAD患者的分类和分层提供了一个强大的方法.
• 已识别的代谢特征和ML驱动的分类对于在自身免疫性疾病中推进精密医学具有重要的临床意义.