跨免疫相关疾病状态的慢性炎症的多omics签名

科学领域:

• 免疫学 免疫学 免疫学
• 代谢学 代谢学 代谢学
• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 人口健康 人口健康

背景情况:

• 慢性炎症和免疫细胞通信是许多慢性疾病的核心.
• 在不同疾病状态中整合炎症,代谢和蛋白质组信号的人口规模数据有限.
• 了解这些复杂的相互作用对于疾病风险分层和管理至关重要.

研究的目的:

• 在各种慢性疾病状态中创建系统性炎症,代谢和蛋白质信号的人口规模地图.
• 开发和验证用于预测慢性疾病风险和死亡率的机器学习模型.
• 确定与长期健康结果相关的免疫代谢通信的关键特征.

主要方法:

• 利用英国生物库的数据,将参与者分为六组:健康对照,癌症,自身免疫,传染病,代谢疾病和多种并发症.
• 分析的临床指数,血液学标志物,基于NMR的代谢物和奥林克蛋白质组.
• 训练了多类深度学习模型,包括一个堆叠组合,以获得慢性疾病的机器学习风险得分,并使用Shapley值和竞争风险模型进行分析.

主要成果:

• 在疾病组中观察到炎症标记物,代谢物和蛋白质的显著异质性.
• 与仅临床模型相比,omics增强的深度学习模型表现出更高的性能,整体实现了最高的准确性.
• 机器学习风险评分显示了与癌症和其他原因死亡率的明显关联,仍然可以独立预测结果.

结论:

• 集成的多omics深度学习与竞争风险建模来解码慢性疾病中的人口级免疫代谢通信.
• 与长期死亡率相关的共享炎症和蛋白质组特征.
• 为以机制为重点,以免疫学为基础的风险分层提供了定量框架.