Glaucoma Characterization by Machine Learning of Tear Metabolic Fingerprinting
Glaucoma Characterization by Machine Learning of Tear Metabolic Fingerprinting
复制标题
通过泪液代谢指纹图谱的机器学习来表征青光眼
DOI：
10.1002/smtd.202200264
复制
发表时间：
2022-04
期刊：
影响因子：
12.4
通讯作者：
Kun Qian
中科院分区：
文献类型：
--
作者：
Jiao Wu;Mengqiao Xu;Wanshan Liu;Yida Huang;Ruimin Wang;Wei Chen;Lei Feng;Ning Liu;Xiaodong Sun;Minwen Zhou;Kun Qian
青光眼是一种常见的视神经疾病，影响超过7600万人。及时诊断和进展监测都是关键但具有挑战性的。青光眼的常规表征需要多种方法的结合，需要繁琐的程序和经验丰富的医生。在此，通过使用纳米颗粒增强的激光解吸电离质谱的泪液代谢指纹（泪液代谢指纹）的机器学习的平台被建立。使用微量泪液样本（低至10 nL），以非侵入性方式获得快速和高重现性的直接泪液测定。因此，通过机器学习，青光眼患者相对于健康对照进行筛选，曲线下面积（AUC）为0.866。此外，原发性开角型青光眼（POAG）与原发性闭角型青光眼（PACG）不同，并确定了早期POAG。最后，构建了AUC为0.827-0.891的用于青光眼表征（包括筛选、分型和早期诊断）的六种代谢物的生物标志物组，显示了相关的代谢途径。这项工作将提供对眼科疾病的见解，而不仅仅限于青光眼。
Glaucoma is a common optic neuropathy disease affecting over 76 million people. Both timely diagnosis and progression monitoring are critical but challenging. Conventional characterization of glaucoma needs a combination of methods, calling for tedious procedures and experienced doctors. Herein, a platform through machine learning of tear metabolic fingerprinting (TMF) using nanoparticle enhanced laser desorption–ionization mass spectrometry is built. Direct TMF is obtained noninvasively, with fast speed and high reproducibility, using trace tear samples (down to 10 nL). Consequently, glaucoma patients are screened against healthy controls with the area under the curve (AUC) of 0.866, through machine learning of TMF. Further, primary open‐angle glaucoma (POAG) is differentiated from primary angle‐closure glaucoma (PACG) and an early‐stage POAG is identified. Finally, a biomarker panel of six metabolites for glaucoma characterization (including screening, subtyping, and early diagnosis) with AUC of 0.827–0.891 is constructed, showing related metabolic pathways. The work will provide insights into eye diseases not limited to glaucoma.
登录
查看更多内容
DOI：
10.1016/j.jtos.2017.03.006
发表时间：
2017-07
期刊：
The ocular surface
影响因子：
--
作者：
Willcox MDP;Argüeso P;Georgiev GA;Holopainen JM;Laurie GW;Millar TJ;Papas EB;Rolland JP;Schmidt TA;Stahl U;Suarez T;Subbaraman LN;Uçakhan OÖ;Jones L
通讯作者：
Jones L
影响因子：
46.9
作者：
Becht, Etienne;McInnes, Leland;Newell, Evan W.
通讯作者：
Newell, Evan W.
影响因子：
5.6
作者：
R. Vohra;B. Aldana;G. Bulli;D. Skytt;H. Waagepetersen;L. Bergersen;M. Kolko
通讯作者：
R. Vohra;B. Aldana;G. Bulli;D. Skytt;H. Waagepetersen;L. Bergersen;M. Kolko
影响因子：
11.4
作者：
Tribble JR;Otmani A;Sun S;Ellis SA;Cimaglia G;Vohra R;Jöe M;Lardner E;Venkataraman AP;Domínguez-Vicent A;Kokkali E;Rho S;Jóhannesson G;Burgess RW;Fuerst PG;Brautaset R;Kolko M;Morgan JE;Crowston JG;Votruba M;Williams PA
通讯作者：
Williams PA
影响因子：
4.4
作者：
Sharma S;Bollinger KE;Kodeboyina SK;Zhi W;Patton J;Bai S;Edwards B;Ulrich L;Bogorad D;Sharma A
通讯作者：
Sharma A