CBmed: Blutprobenbestimmung mittels Machine Learning
Die Lagerung von menschlichen Plasmaproben in Biobanken stellt eine wertvolle Ressource für die Forschung dar. Die Qualität der Proben kann jedoch nur gewährleistet werden, wenn über den gesamten Zeitraum optimale Lagerungsbedingungen herrschten. Gerade bei älteren Proben ist es jedoch oft nicht möglich, die Verarbeitungs- und Lagerungsgeschichte genau nachzuvollziehen. Um die Qualität einer Probe feststellen zu können, werden dringend neue, schnelle Methoden benötigt. Projekt 1.22 hat sich als Ziel gesetzt, dieses Problem mittels Machine Learning unterstützter Analyse von metabolischen Fingerprints zu lösen.
Die metabolomischen Profile von unterschiedlich gelagerten Plasmaproben wurden mit einem Probe Electrospray Ionization (PESI) Massenspektrometrie (MS) System von Shimadzu gemessen, welches eine schnelle und einfache massenspektrometrische Analyse direkt aus der originalen Probe ermöglicht. Plasma von 100 gesunden Studienteilnehmerinnen und Studienteilnehmern wurde gesammelt und vordefinierten Lagerungsbedingungen ausgesetzt. Insgesamt wurden 2100 PESI-Messungen durchgeführt. Die vordefinierten Lagerungsbedingungen sollten Szenarien widerspiegeln, die in der klinischen Praxis häufig auftreten. Sie umfassten die Lagerung vor der Verarbeitung unter verschiedenen Konditionen (Temperatur und Dauer), verschiedene Lagerungstemperaturen, zusätzliche Gefrier-Tau-Zyklen und verschiedene Auftau-Temperaturen. Die metabolomischen Profile wurden danach einem Machine Learning Prozess unterzogen, der aus einer Algorithmenauswahl und einer Modellauswahl bestand. Von den fünf in Frage kommenden Algorithmen zeigten Random-Forests die beste Leistung. Im nächsten Schritt wurde das bestmögliche Random-Forest-Modell ausgewählt. Das endgültige Modell wurde dann anhand eines unabhängigen Testdatensatzes auf seine Leistung geprüft. Mit einer Gesamtgenauigkeit von 0,82 kann das endgültige Modell korrekt gelagerte Proben mit einer Sensitivität von 0,86 und einer Spezifität von 0,93 klassifizieren.
Wirkungen und Effekte
Die finale Anwendung meldet dem Nutzer die Wahrscheinlichkeit, dass eine Probe korrekt oder inkorrekt gelagert wurde und bietet somit ein einfach verständliches Ergebnis. Dies ermöglicht die Vorauswahl von Proben mit hoher Qualität für die nachgeschaltete Biomarker-Analyse und erhöht somit die Reproduzierbarkeit und Zuverlässigkeit der Messungen.
