ME/CFS Portal
Die Forscher präsentieren einen neuen Ansatz zur Identifizierung potenzieller metabolischer Biomarker von #MECFS mithilfe eines maschinellen Lern (ML)-Modells, das auf erklärbarer künstlicher Intelligenz (XAI) basiert.
Die Studie verwendet metabolomische Daten von Blutproben von 19 gesunden Kontrollpersonen und 32 ME/CFS-Patientinnen, um ein ML-Modell zu entwickeln. Durch die Anwendung von ANOVA-basierter Merkmalsauswahl wird die Anzahl der relevanten Biomarker auf 50 reduziert, was zu einer Steigerung der Modellgenauigkeit führt.
Die Ergebnisse zeigen, dass das XGBoost-Modell das beste Klassifikationsmodell mit einer Genauigkeit von 98,18% und einem F1-Score von 98% ist. Die Anwendung von XAI ermöglicht eine Erklärung der Modellentscheidungen und trägt zur Interpretierbarkeit der Ergebnisse bei.
Die Studie identifizierte insgesamt fünf metabolische Biomarker, die mit einem erhöhten Risiko für ME/CFS assoziiert sind.
1. Alpha-CEHC-Sulfat: Ein Metabolit von Vitamin E, der antioxidative Eigenschaften besitzt und an der Regulation von oxidativem Stress beteiligt ist.
2. N-Delta-Acetylornithin: Ein Metabolit, der am Harnstoffzyklus und am Stoffwechsel von Aminosäuren beteiligt ist.
3. Hypoxanthin: Ein Metabolit, der im Zusammenhang mit erhöhten Harnsäurespiegeln bei ME/CFS-Patienten steht und auf mögliche Störungen im Purinstoffwechsel hinweist.
4. Phenylacetylglutamin: Ein weiterer metabolischer Marker, dessen erhöhte Spiegel mit ME/CFS in Verbindung gebracht werden.
5. Oleoyl-Linoloyl-Glycerol (18:1/18:2)[2]: Ein Lipidmetabolit, der ebenfalls mit einem erhöhten Risiko für ME/CFS assoziiert ist.
Diese Biomarker könnten potenziell als diagnostische Indikatoren für ME/CFS dienen und dazu beitragen, die Krankheit besser zu verstehen und Behandlungsstrategien zu verbessern.
Die Diskussion hebt die Bedeutung der entwickelten ML- und XAI-Modelle zur Identifizierung von metabolischen Biomarkern für ME/CFS hervor. Diese Modelle ermöglichen präzisere Diagnosen und könnten die Grundlage für zukünftige prognostische Modelle bilden.
Quelle: National Library of Medicine