Science | 免疫系统的“记忆库”被打开？机器学习诊断准确率逼近99%

正文

请到「今天看啥」查看全文

单次全身PET-CT检查辐射量相当于200次X光胸片

研究数据显示，传统检测对狼疮的诊断灵敏度仅85%，特异性不足70%。而Mal-ID模型在区分狼疮患者时，达到 93%灵敏度和90%特异性 ，相当于在100名真实患者中正确识别93例，同时将健康人误判为患者的概率控制在10%以内。

Mal-ID：当机器学习遇见免疫组学

这项革命性技术融合三大创新：

蛋白质语言模型： 将受体序列转化为650维数学向量，捕捉肉眼难辨的分子特征

深度聚类算法： 识别跨个体的"公共克隆"（Public Clones），发现新冠患者共有的IGHV1-24受体家族

多模态集成学习： 整合BCR/TCR双通道数据，诊断准确率比单一指标提升12%

研究团队对593人的1600万条BCR和2300万条TCR序列进行深度学习。结果显示，联合使用B/T细胞数据时，模型在区分6种免疫状态时表现出最优性能。特别是在新冠检测中，模型优先识别IgG型抗体——这与已知的血清转化规律完美吻合。

数据的力量：从分子特征到疾病指纹

研究揭示关键发现：

特异性序列标记： 新冠康复者血液中，IGHV2-70基因的使用频率是健康人的3.2倍

动态演化规律： 流感疫苗接种7天后，特定IgG克隆扩增幅度达接种前的40倍

治疗反应监测： 接受治疗的狼疮患者，其异常TCR信号强度与SLEDAI疾病活动指数呈正相关

通过"模型可解释性"技术，研究人员发现Mal-ID的决策依据与已知免疫学知识高度一致。例如，在识别新冠患者时，模型赋予SARS-CoV-2刺突蛋白结合抗体的权重是随机抗体的6.9倍。

多病联检：从单线作战到全景扫描

传统检测如同"单孔望远镜"，每次只能观察特定指标。Mal-ID却像"广角镜"，一次血液检测即可评估： 病毒感染（新冠、HIV）、 自身免疫病（狼疮、糖尿病）、 疫苗应答和 健康基线状态。

在扩展验证中，模型对51名仅含BCR数据的患者仍保持95.9%的准确率。这意味着未来可能通过常规血检实现疾病早期筛查， 特别是对于症状重叠的疑难病例 。

狼疮诊断的破局时刻

系统性红斑狼疮的诊断历来是医学难题。研究显示：

模型识别出IGHV4-34基因的异常激活，该基因编码的抗体易攻击DNA

请到「今天看啥」查看全文