最新研究: AI通過血液樣本，診斷新冠,I型糖尿病或自身免疫性疾病等

話說上回我們聊到，AI“智慧”目前有#特定領域限定的發展趨勢，在生物醫學和生命科學領域遙遙領先。而最新《科學》美國史丹佛大學的一項對近600人研究(2025年2月20日) 開發了一個用於免疫診斷的機器學習的架構( Mal-ID)，可以解釋人類血液樣本中B細胞和T細胞受體(BCR和TCR)的可變序列。 

將傳統的免疫學分析(如具有相同病情的個體間的共用序列檢測)與來自蛋白質序列的人工智慧(AI)模型的更複雜特徵相結合，稱為蛋白質語言模型(protein language models)。訓練過程中，在健康個體和患病個體之間，比較了BCRs和TCRs序列特徵的六種表示，以瞭解共性，並將這些特徵組合在一個模型中以預測疾病狀態。這種方法能夠區分對照組、患有不同自身免疫性疾病或病毒感染的個體，以及接種流感疫苗的個體[1]。 

source link

研究成果包括:

• 實現準確識別免疫狀態: 生成來自同一個體的BCR重鏈和TCR β鏈序列的大型資料集，跨越六種疾病或免疫反應狀態，以訓練和評估Mal-ID模型。Mal-ID從542名患有COVID-19,HIV,狼瘡,I型糖尿病,近期流感疫苗接種者，和健康對照者的血液樣本中，準確識別了免疫狀態。
• 實現準確的疾病分類: 結合B細胞和T細胞受體資料的特徵，導致了最高的分類性能。即使僅使用BCR序列，仍實現了高分類性能。分類器實現93%敏感性和90%特異性。相對於當前測試的這一性能表明BCR和TCR序列分析，可能檢測臨床相關訊號。
• 建立免疫學知識相匹配: 通過檢查哪些序列類別對預測貢獻最大，確認從數據中發現的模式與已建立的免疫學知識相匹配。
• 加強新冠預測關聯: 該模型為SARS-CoV-2結合BCR外部資料庫的序列，分配了更高的 COVID-19關聯。
• 驗證批次效應和年齡、性別和血統等人口統計因素不影響疾病分類性能，且該模型在來自其他實驗室的外部資料集上，測試時表現良好。

這種新型AI方法檢測特定感染、自身免疫性疾病、疫苗反應和疾病嚴重程度差異。該模型的人類可解釋特徵概括了已知的SARS-CoV-2、流感和人類免疫缺陷病毒的免疫反應，突出了抗原特異性受體，並揭示了系統性紅斑狼瘡和I型糖尿病自身反應性的獨特特徵。該分析架構在免疫反應的科學和臨床解釋方面具有廣泛的潛力。不過，該工具尚未進入臨床階段，但英國劍橋大學分子生物學家Sarah Teichmann評論[2]:

這是一種一次性測序方法，可以捕獲您的免疫系統暴露過的所有內容

B細胞和T細胞受體(BCR和TCR)小科普:

免疫系統通過兩種主要細胞類型(B細胞和T細胞)，保存過去和當前疾病的廣泛記錄。

• B細胞產生附著在病毒和有害分子上的抗體/綁定的受體基礎概念(鑰匙和鎖)。
• T細胞則啟動其他反應或殺死受感染的細胞/綁定的受體基礎概念(鑰匙和鎖)。 

當一個人患有感染或自身免疫性疾病時，身體會錯誤地攻擊自己的組織，他們的B細胞和T細胞數量會增加，並開始產生特定的表面受體。對編碼這些受體的基因進行測序，可以解鎖人對疾病和感染的獨特記錄。下圖是以細胞本體中的B細胞知識樹(版本2025-02-13)簡要說明，更詳細完整的知識本體，敬請密切注意知識本體的更新。

[1] Maxim E. Zaslavsky et al. ,Disease diagnostics using machine learning of B cell and T cell receptor sequences.Science387,eadp2407(2025).

[2] Miryam Naddaf, AI tool diagnoses diabetes, HIV and COVID from a blood sample, Nature News, 20 Feb. 2025