一项基于中国江苏省人群的回顾性机器学习研究，利用整合的临床数据与病毒基因组数据分析COVID-19的严重程度

《BMC Microbiology》：A population-based retrospective machine learning study of COVID-19 severity using integrated clinical and viral genomic data in Jiangsu Province, China

　　

摘要

背景

随着2019冠状病毒病（COVID-19）进入以持续传播和广泛混合免疫为特征的流行阶段，了解不同地区导致重症疾病的特定因素对于实际风险分层和公共卫生规划仍然十分重要。

方法

本研究采用回顾性监测方法，分析了江苏省13个城市从2023年1月至2024年12月的5,072个严重急性呼吸综合征冠状病毒2型（SARS-CoV-2）全基因组序列及其对应的临床数据。通过五种机器学习模型对来自临床、病毒基因组以及区域流行病学领域的特征进行了分析，并在2024年的独立队列中进行了验证。此外还使用SHapley加性解释法来评估模型的可解释性，同时通过表位预测、多肽-HLA对接及结合亲和力分析来研究关键突变可能带来的免疫学影响。

结果

与仅使用单一领域特征相比，综合多维度特征展现出更强的预测能力。在2024年的独立验证队列中，LightGBM模型的整体性能最佳（F1得分=0.603；AUC值=0.735）。SHAP分析显示，年龄是影响预测的最主要因素，其次是年龄与病毒载量的相互作用、地区位置、疫苗接种状况以及某些病毒基因组特征。表位预测和结构分析表明，在江苏省人群中高频出现的HLA I类等位基因中，L452W突变会导致预测的多肽-HLA相互作用模式发生变化，这些发现可为未来的实验研究提供依据。

结论

在流行阶段，COVID-19的严重程度似乎与宿主易感性、病毒基因变异以及区域流行病学环境之间的相互作用有关，其中年龄和疫苗接种情况是重要的预测因素。这一基于人群且具有可解释性的分析框架能够凸显出具有临床意义的风险相关特征，有助于在当前及未来的传染病监测工作中进行有效的风险分层。