机器学习和多omics集成识别了自身免疫性脑炎的免疫学预测因素和机械学见解

科学领域:

• 神经免疫学 神经免疫学
• 计算生物学 计算生物学
• 翻译医学是一种翻译医学.

背景情况:

• 自身免疫性脑炎 (AE) 带来了诊断和预后方面的挑战.
• 了解AE病原体和识别可靠的生物标志物对于有效治疗至关重要.
• 目前对AE的预测工具缺乏可解释性和全面的多种经济一体化.

研究的目的:

• 使用免疫学指标创建一种可解释的AE预后预测模型.
• 通过多组学探索核胺 (NPM1) 在AE病变发生中的作用.
• 评估蛋白A免疫吸附 (PAIA) 和NPM1作为药物点的治疗潜力.

主要方法:

• 使用免疫学数据开发和验证了基于机器学习的AE预后模型.
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
• 在EAE模型中集成单细胞RNA测序,空间转录组学和PheWAS,以调查NPM1.
• 对病原性抗体减少进行评估的PAIA.

主要成果:

• 六个关键的免疫学指标 (QIgG,淋巴细胞,DN T,DP T,NK细胞计数,T细胞百分比) 被确定用于预后建模.
• 机器学习模型 (RF,XGBoost,LGBM) 实现了高预测性能 (AUC高达0.978).
• 在减少抗NMDAR抗体方面,PAIA显示了初步的有效性.
• 在EAE病变中,NPM1的表达被上调,与增强的细胞间信号传递 (PSAP通路) 相关,并且在PheWAS中没有显著的脱效应.

结论:

• 为AE建立了一个可解释的预后框架.
• 初步证据支持PAIA作为一种潜在的治疗方法,并提名NPM1作为AE的关键机制参与者.
• 虽然NPM1是一个有希望的治疗标,但需要进一步验证其安全性.