糖尿病、艾滋、狼疮一次确诊！斯坦福大学开发这款AI工具有多牛？

编译：公子欣传统的诊断往往依赖于患者病史、体检和实验室检测，对于像自身免疫性疾病这类复杂疾病，通常需要多轮检测才能确诊。近日，斯坦福大学的研究人员开发了一种AI诊断工具——

B细胞受体（BCRs）和T细胞受体（TCRs）通过随机重组过程产生，并在感染、接种疫苗或自身免疫性疾病后发生变化，因此具有作为免疫活性生物标志物的潜力。利用受体序列数据可以同时评估多种疾病。研究在《科学》上发表，研究人员分析了593名个体的B细胞受体重链和T细胞受体β链序列。参与者包括63名COVID-19患者、95名HIV患者、86名狼疮患者、92名1型糖尿病患者、37名接种流感疫苗的患者和220名健康对照者。其中542名个体有配对的B细胞受体和T细胞受体数据。

使用免疫受体测序从血液到疾病分类

Mal-ID模型根据542名同时拥有B细胞受体和T细胞受体数据的个体的血液样本，准确地对其免疫状态进行了分类。单独使用B细胞受体数据时，在全部593人的队列中，该模型就取得了很高的分类性能，受试者工作特征曲线下面积（AUROC）达到0.959。

同时，该模型以93%的灵敏度和90%的特异度，准确区分了狼疮与其他疾病状态。

外部数据集验证了模型的通用性，在调整阈值后，独立BCR队列的AUROC达到1.0，TCR队列的AUROC达到0.99。

结果表明，B细胞和T细胞联合分析优于单一位点分析方法。一些免疫球蛋白重链V基因与病毒感染或自身免疫状态相关，这与现有免疫学知识相符。

与健康对照组相比，来自外部数据库的新冠病毒特异性B细胞受体序列获得了更高的COVID-19关联评分。批次效应以及年龄、性别或血统等人口统计学因素对分类性能的影响极小且不显著。

Mal-ID对每种受体类型使用了3种模型：（1）评估基因片段使用情况和体细胞超突变率的受体库组成分析；（2）对互补决定区3（CDR3）序列进行聚类以识别与疾病相关的模式；（3）利用蛋白质语言模型的嵌入来捕捉结构相似性。一个集成模型整合了这些方法来预测疾病状态。

研究结果表明，免疫受体测序有潜力成为一种通用的诊断工具，用于诊断一系列感染性疾病、自身免疫性疾病，以及评估疫苗接种反应。未来的研究可能会进一步验证其更广泛的临床应用潜力。数据图及参考来源：

https://www.science.org/doi/10.1126/science.adp2407

特别声明：本文经上观新闻客户端的“上观号”入驻单位授权发布，仅代表该入驻单位观点，“上观新闻”仅为信息发布平台，如您认为发布内容侵犯您的相关权益，请联系删除!