摘要
肌痛性脑脊髓炎/慢性疲劳综合征（ME/CFS）是一种严重的多系统疾病，其特征为运动后不适、睡眠无法恢复以及认知功能受损，但目前尚无客观的诊断生物标志物。无目标血浆代谢组学分析能够全面展现ME/CFS背后的生化紊乱状况，但由于组学数据维度过高，且传统分类方法的可解释性较差，难以将其应用于临床实践。本研究利用197名受试者（106名ME/CFS患者，91名健康对照组，共888个特征指标）的血浆代谢组学和脂质组学数据，评估了三种集成分类算法——可解释提升机（EBM）、XGBoost和LightGBM——在ME/CFS二元分类中的性能。通过帕累托引导的递归神经网络方法降低了特征维度。模型性能通过50次分层交叉验证来评估。结果显示，EBM的准确率最高（0.909；95%置信区间：0.868–0.949），接收者操作特征曲线下面积也为最高（AUC=0.940；95%置信区间：0.909–0.983），XGBoost和LightGBM的表现则较为接近。可解释性分析表明，某些代谢物之间的相互作用——尤其是脯氨酸与吲哚-3-乳酸、酪氨酸与N-乙酰鸟氨酸，以及马来酸与花生四烯酸之间的相互作用——具有最强的区分能力。通过比较包含全部相互作用项的EBM模型（AUC=0.940）与仅考虑主要效应的EBM模型（AUC=0.882），进一步确认了代谢物之间的协同变化比单个代谢物水平更能提供区分价值，这表明氨基酸分解、色氨酸-犬尿氨酸途径紊乱、线粒体能量功能受损以及脂质结构改变是该疾病的潜在病理特征。整体层面和个体层面的解释结果共同揭示了人群层面的代谢特征以及个体间的差异性，凸显了可解释人工智能在代谢组学研究中的临床应用价值。这些研究结果支持将基于EBM的代谢组学分析作为一种经过内部验证的ME/CFS分类方法，未来还需通过外部验证、校准评估以及前瞻性研究来进一步验证其有效性。
