基于机器学习的HTLV-1相关脊髓病高风险携带者特征解析与预测模型构建

本研究针对HTLV-1感染者中仅部分人群发展为脊髓病（HAM）的临床难题，通过整合前病毒载量（PVL）和Tax/Env/Gag蛋白抗体滴度数据，建立机器学习模型识别高风险携带者。研究发现约76.47%异常携带者呈现"HAM样"特征，揭示了Gag p15和Env抗体的预测价值，为早期干预提供新思路。

　　

人类T淋巴细胞病毒1型（HTLV-1）感染可导致成人T细胞白血病（ATL）和HTLV-1相关脊髓病（HAM），但多数感染者终身无症状。这种临床异质性使得高风险人群识别成为重大挑战——仅0.25-4%携带者会发展为HAM，而传统标志物前病毒载量（PVL）因个体差异大、缺乏明确阈值而应用受限。更棘手的是，HAM潜伏期可长达30年，使得前瞻性研究成本高昂。

日本北海道大学（Hokkaido University）联合熊本大学的研究团队在《Scientific Reports》发表创新研究，首次将机器学习（ML）框架应用于HTLV-1抗体谱分析。该研究采用两步法策略：先通过隔离森林算法从264名无症状携带者中筛出17例"异常携带者"（AC），再通过随机森林模型（RF）分析其与HAM患者的免疫特征相似性。关键技术包括：1）改良的荧光素酶免疫沉淀系统（LIPS）定量Tax/Env/Gag p15/p19/p24抗体；2）基于PRAUC指标优化嵌套交叉验证的ML模型；3）SHAP值解析驱动特征。

检测潜在高风险携带者

研究团队首先排除存在多重共线性的Gag p19数据，通过隔离森林算法以-0.05为阈值，从无症状携带者中识别出17例AC样本（含1例后续确诊HAM的CDH样本）。这些AC样本在随机森林模型预测中，76.47%被归类为HAM，且与HAM组在PVL（p=1.0）、Tax（p=1.0）等5项指标无显著差异。

亚组间特征值比较

箱线图分析显示AC组所有抗体水平均显著高于非异常携带者（p<0.05），而仅Env抗体与HAM组存在差异（p=0.0048）。值得注意的是，ATL组的PVL显著高于其他组，印证了PVL在白血病诊断中的特异性。

异常携带者的生物标志物探索

SHAP分析揭示Tax是HAM最显著特征（可能与Tax蛋白的免疫原性相关），而AC组则呈现独特的Gag p15主导模式。Env抗体在AC组SHAP值较高，但在HAM组相对降低，提示其可能反映疾病进展动态。

这项研究开创性地证明机器学习能捕捉传统方法难以识别的HAM进展风险。其核心价值在于：1）发现AC群体具有与确诊HAM相似的免疫特征；2）确立Gag p15作为潜在预警标志物；3）揭示抗体滴度动态变化可能反映疾病转化过程。尽管存在样本量限制和缺乏长期随访数据，该研究提出的"抗体谱+PVL"多维评估框架，为HTLV-1感染的精准管理提供了新范式。未来需通过前瞻性队列验证这些生物标志物的预测效能，并深入探究Gag蛋白在神经病理学中的具体作用机制。