机器学习支持的框架用于从多重血清学数据对mopox感染和MVA免疫的分类
Rebecca Surtees1, Fridolin Treindl2, Shakhnaz Akhmedova3
1Highly Pathogenic Viruses (ZBS 1), Centre for Biological Threats and Special Pathogens, German Consultant Laboratory for Poxviruses, WHO Collaborating Centre for Emerging Infections and Biological Threats, Robert Koch Institute, Berlin, Germany.
Nature communications
|December 5, 2025
概括
一种新的机器学习试验准确地区分了mopox病毒感染与疫苗免疫. 这种工具对于监测骨质疏松病毒暴露和加强mpox血清监测工作至关重要.
科学领域:
- 传染性疾病 传染性疾病
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 2022年全球mopox疫情强调了动物传播疾病的风险和需要精确的血清学工具的需要.
- 由于交叉反应性抗体,区分病毒 (MPXV) 感染与修饰疫苗安卡拉 (MVA) 接种诱导的免疫力是具有挑战性的.
研究的目的:
- 开发和验证一种机器学习辅助的血清学测定,能够区分MPXV感染与MVA疫苗接种和前免疫血清.
- 评估各种机器学习算法的性能,以分类orthopoxvirus免疫状态.
主要方法:
- 开发了一种基于珠子的血清多重检测,针对15种毒病毒抗原的抗体反应.
- 评估了6个机器学习算法,并选择了梯度增强分类器 (GBC) 由于其卓越的性能.
- 该试验在流行病学和独立队列上得到验证,包括与男性发生性关系 (MSM) 的风险男性.
主要成果:
- 渐变增强分类器 (GBC) 在分类2022年mopox爆发和MSM队列 (n=1,260) 的血清中取得了最高的表现 (F1得分=0.83).
- 在一个独立的验证队列 (n=143) 中,GBC表现出强大的MPXV感染检测 (F1得分=0.70),包括突破病例,具有88%的特异性和92%的敏感性.
- 这种ML辅助试验准确地分类了orthopoxvirus免疫状态.
结论:
- 将机器学习与高维血清学相结合,提供了一个准确的方法来分类orthopoxvirus免疫状态.
- 这种方法为mopox血清监测和对未来疫情的准备提供了一个可扩展的框架.
- 开发的试验有效地区分了mopox感染和MVA疫苗接种.
