基于机器学习的MALDI-TOF质谱技术用于筛查HBsAg阳性患者 张天天（Tiantian Zhang）、 黄世轩（Shixuan Huang）、 李俊勋（Junxun Li）、 吴宇伟（Yuwei Wu）、 赵新宇（Xinyu Zhao）、 高贺（He Gao）、 杨娟（Juan Yang）、 杨玲爽（Lingshuang Yang）、 曹璐璐（Lulu Cao）和 吴青平（Qingping Wu） + 另有5位作者

《Microorganisms》：Machine Learning-Enhanced MALDI-TOF Mass Spectrometry for Screening HBsAg-Positive Patients Tiantian Zhang, Shixuan Huang, Junxun Li, Yuwei Wu, Xinyu Zhao, He Gao, Juan Yang, Lingshuang Yang, Lulu Cao and Qingping Wu + 5 authors

　　

。

。

摘要

乙型肝炎病毒（HBV）仍然是全球主要的公共卫生挑战，其早期筛查对于控制传播和改善治疗效果至关重要。我们通过基质辅助激光解吸/电离飞行时间质谱（MALDI-TOF MS）分析了422名参与者的血清样本，以建立一种用于检测乙型肝炎表面抗原（HBsAg）阳性的筛查模型。经过多bin预处理和单样本光谱聚合后，我们评估了三种机器学习算法：随机森林、深度神经网络和LightGBM。其中，LightGBM模型的表现最佳，优化后的F1分数为0.87，接收者操作特征曲线下面积（AUC）为0.94。通过100次迭代的集成特征稳定策略，我们确定了12个独特的m/z峰作为HBsAg阳性筛查的稳定生物标志物。独立验证显示，该方法的敏感性为77.7%，特异性为76.0%——虽然不足以用于个体诊断，但可能适用于与确认测试结合的人群监测项目，特别是在资源有限且传统方法不切实际的情况下。值得注意的是，该方法检测时间约为1分钟，每个样本的成本约为0.14美元。总之，MALDI-TOF MS与机器学习的结合提供了一种快速、低成本的HBV大规模检测工具。