基于代谢学的机器学习诊断SARS-CoV-2感染的急性后续病例
Ethan Cai1, Valentina L Kouznetsova2,3,4, Igor F Tsigelny2,3,4,5
1REHS Program, San Diego Supercomputer Center, University of California San Diego, San Diego, CA 92093, USA.
Metabolites
|December 24, 2025
概括
研究人员开发了一种机器学习模型,通过分析代谢物来识别SARS-CoV-2感染 (PASC) 或长期COVID的急性后续. 该模型在区分PASC与类似条件方面表现有希望,有助于更快的诊断.
科学领域:
- 计算生物学和生物信息学
- 传染病研究传染病研究.
- 代谢学 代谢学 代谢学
背景情况:
- COVID-19在全球造成了数百万人的死亡,其长期影响,称为SARS-CoV-2感染的急性后续 (PASC) 或长期COVID,仍然不太了解.
- 由于其广泛的影响和复杂的症状,PASC对公共卫生构成了重大挑战.
- 区分PASC和其他疲劳性疾病对于准确的诊断和有效的治疗至关重要.
研究的目的:
- 开发和验证一种能够根据代谢物概况区分PASC和PASC类似疾病的机器学习模型.
- 为了识别与PASC相关的独特代谢特征.
- 探索加速PASC诊断和干预的潜力.
主要方法:
- 一个机器学习模型,特别是一个多层感知子,使用PASC失调代谢物 (p ≤0.05) 的分子描述符进行训练.
- 该模型测试了其识别PASC失调代谢物的能力,并将PASC与肌痛性脑脊髓炎/慢性疲劳综合征 (ME/CFS),莱姆病,姿势正静性心力衰竭综合征 (POTS) 和易怒肠综合征 (IBS) 区分开来.
- 进行了对对模型测试,以阐明PASC与其他疾病,特别是纤维肌痛 (FM) 之间的相似性.
主要成果:
- 机器学习模型在独立测试集中识别PASC失调的代谢物时,实现了0.8991的AUC-ROC.
- 该模型成功地将PASC与ME/CFS,莱姆病,POTS和IBS区分开来.
- 该模型无法将纤维肌痛 (FM) 与PASC区分开来,这表明这两种疾病之间存在显著的代谢相似性.
结论:
- 开发的机器学习方法为PASC诊断提供了一种新的方法,可能减少需要长时间排除过程的需要.
- 该模型依赖分子描述器,使其在各种代谢物中具有广泛的适用性.
- 这项研究突出了FM和PASC之间的代谢重叠,并为更快的PASC诊断提供了一个有希望的工具,可能会导致改善患者的治疗结果.
关键词:
在IBS中,IBS是IBS.长时间的COVID.ME/CFS 的意思是 ME/CFS 的意思.帕斯克 (Pasc) 是一个过去.子是什么意思 子纤维肌痛是一种纤维肌痛.机器学习是机器学习.代谢产物的代谢产物
