Small Methods:机器学习联合泪液代谢指纹图谱进行青光眼表征

青光眼以进行性视神经损害为特征,是全球首位的不可逆致盲眼病。根据世界卫生组织 (WHO)的数据,2020年有超过7600万人患有青光眼,其中15%的人发生不可逆失明。及时诊断对于预防青光眼患者视力障碍和延缓失明至关重要。传统的青光眼诊断需要结合多项检查结果进行,如视力、视野、眼压和视神经成像等,这些检查操作过程繁琐,并且需要经验丰富的医生,不适合大规模筛查应用。因此,迫切需要构建一种简单有效的检测方法,以实现青光眼的及时诊断。

上海交通大学钱昆课题组与上海市第一人民医院孙晓东课题组联合构建了基于纳米材料增强的激光解吸电离质谱平台,从痕量泪液样本中获得青光眼患者的代谢指纹图谱。并且利用不同的机器学习模型进行泪液代谢指纹图谱分析,实现青光眼的筛查、分型和早诊。

研究人员采用纳米颗粒增强激光解吸电离飞行时间质谱,仅仅使用痕量泪液样本(100 nL),以无创方式,实现了泪液代谢指纹谱图高通量(384样本/芯片)、高检测速度、高灵敏度以及高可重复性(CV < 10%)检测。通过对青光眼病人和健康对照的泪液样本的代谢指纹谱图进行机器学习,构建了准确表征青光眼(筛查,分期和早诊)的模型,并筛选出了包含6个代谢物的标志物组合,模型的AUC为0.827-0.891,可应用于临床中青光眼筛查,分期和早诊。通过此检测方法解决了传统青光眼检测技术中存在的操作复杂,检测繁琐和分析速度慢等问题,有望提升在眼病领域的综合诊断能力。

图1 基于泪液代谢指纹图谱的青光眼表征流程

论文信息:

Glaucoma characterization by machine learning of tear metabolic fingerprinting

Jiao Wu, Mengqiao Xu, Wanshan Liu, Yida Huang, Ruimin Wang, Wei Chen, Lei Feng, Ning Liu, Xiaodong Sun*, Minwen Zhou*, Kun Qian*

Small Methods

DOI: 10.1002/smtd.202200264

原文链接:https://onlinelibrary.wiley.com/doi/full/10.1002/smtd.202200264