Een nieuw wapen voor de diagnose van tuberculose en de detectie van medicijnresistentie: een nieuwe generatie gerichte sequencing (tNGS) gecombineerd met machine learning voor de diagnose van overgevoeligheid voor tuberculose
Literatuurrapport: CCa: een diagnostisch model gebaseerd op tNGS en machine learning, dat geschikt is voor mensen met minder bacteriële tuberculose en tuberculeuze meningitis.
Titel van het proefschrift: Tuberculosegerichte next-generation sequencing en machine learning: een uiterst gevoelige diagnostische strategie voor schaarse longtubuli en tubulaire meningitis.
Periodiek: 《Clinica Chimica Acta》
ALS: 6,5
Publicatiedatum: januari 2024
In samenwerking met de University of Chinese Academy of Sciences en het Beijing Chest Hospital van Capital Medical University ontwikkelde Macro & Micro-Test een diagnosemodel voor tuberculose, gebaseerd op de nieuwe generatie Targeted Sequencing (tNGS)-technologie en machine learning-methoden. Dit model leverde een ultrahoge detectiegevoeligheid op voor tuberculose met weinig bacteriën en tuberculeuze meningitis. Het leverde een nieuwe methode voor de diagnose van overgevoeligheidsreacties op voor de klinische diagnose van twee soorten tuberculose en droeg bij aan een nauwkeurige diagnose, detectie van resistentie tegen geneesmiddelen en behandeling van tuberculose. Tegelijkertijd bleek dat het plasma-cfDNA van de patiënt kan worden gebruikt als een geschikt monstertype voor klinische bemonstering bij de diagnose van tuberculose.
In deze studie werden 227 plasmamonsters en cerebrospinale vloeistofmonsters gebruikt om twee klinische cohorten op te stellen. De laboratoriumdiagnostische cohortmonsters werden gebruikt om het machine learning-model voor de diagnose van tuberculose vast te stellen, en de klinische diagnostische cohortmonsters werden gebruikt om het vastgestelde diagnostische model te verifiëren. Alle monsters werden eerst onderzocht met een speciaal ontworpen pool van doelgerichte vangprobes voor Mycobacterium tuberculosis. Vervolgens werd, op basis van TB-tNGS-sequencinggegevens, het beslissingsboommodel gebruikt om een 5-voudige kruisvalidatie uit te voeren op de trainings- en validatiesets van de laboratoriumdiagnostische wachtrij, en werden de diagnostische drempels van plasmamonsters en cerebrospinale vloeistofmonsters verkregen. De verkregen drempel wordt overgebracht naar twee testsets van de klinische diagnosewachtrij voor detectie, en de diagnostische prestaties van de leerling worden geëvalueerd met behulp van de ROC-curve. Ten slotte werd het diagnosemodel voor tuberculose verkregen.
Figuur 1 schematisch diagram van onderzoeksontwerp
Resultaten: Volgens de specifieke drempelwaarden van het CSF-DNA-monster (AUC = 0,974) en het plasma-cfDNA-monster (AUC = 0,908) die in deze studie zijn bepaald, was de gevoeligheid van het CSF-monster van 227 monsters 97,01%, de specificiteit 95,65% en de gevoeligheid en specificiteit van het plasmamonster 82,61% en 86,36%. Bij de analyse van 44 gepaarde monsters van plasma-cfDNA en DNA uit cerebrospinaal vocht van TBM-patiënten heeft de diagnostische strategie van deze studie een hoge consistentie van 90,91% (40/44) in plasma-cfDNA en DNA uit cerebrospinaal vocht, en is de gevoeligheid 95,45% (42/44). Bij kinderen met longtuberculose is de diagnostische strategie van deze studie gevoeliger voor plasmamonsters dan de Xpert-detectieresultaten van maagsapmonsters van dezelfde patiënten (28,57% versus 15,38%).
Figuur 2 Analyseprestaties van het diagnosemodel voor tuberculose voor populatiemonsters
