被忽视的热带病是指影响全球数百万人的一组疾病，通常发生在世界上的贫困地区，但却没有得到应有的科学关注。血吸虫病就是这样一种疾病——一种持续存在的寄生虫感染，影响着78个国家，特别是非洲和拉丁美洲的约2.5亿人。
由于对血吸虫病的研究不足，改进诊断工具和治疗方法往往是事后才想到的。目前用于检测和治疗血吸虫病的诊断方法并不总是在感染的早期阶段或在感染较轻时发现感染。而且血液检测通常无法区分活跃的感染和过去的感染。未经诊断和治疗，血吸虫病可导致严重的膀胱或肝脏并发症。
现在，包括埃默里大学医学院传染病专家和副教授杰西卡·费尔利（Jessica Fairley）在内的一组研究人员已经找到了在其他不太敏感的测试无法检测血吸虫病的情况下检测血吸虫病的方法，从而导致早期治疗，从而改善长期结果。他们的研究结果发表在《科学转化医学》（Science Translational Medicine）杂志上，显示出开发一种临床抗体测试的希望，这种测试可以快速、轻松地检测出即使是低水平的感染。
研究小组使用可解释的机器学习将活跃感染的个体与过去感染的个体分开。比较来自巴西和肯尼亚的两个人类队列中的健康和感染个体，揭示了以前未表征的活动性疾病特征，可用于更精确的诊断。
该论文的合著者、埃默里大学和佐治亚理工学院的生物医学工程师阿尼鲁德·萨卡尔（Aniruddh Sarkar）主要将他的研究重点放在电子芯片的微纳米级流体行为上。由于所有的生物活动都是在流体中进行的，而电子芯片也在细胞和生物分子存在的微观尺度上发挥作用，因此萨卡尔与费尔利合作，利用他的专业知识“在非常基础的层面上探索生物过程”，用他的话说。
Fairley和Sarkar将他们在传染病和生物数据分析方面的知识结合起来，以一种新的、以前未被认识到的方式来诊断血吸虫病。
“传统的黄金标准是血吸虫虫卵的显微镜可视化，”费尔利说。“你在显微镜下观察，这是非常耗时的。它也可能错过感染。”
通过与Sarkar和匹兹堡大学的机器学习专家jishhnu Das（论文的另一位合著者）合作，他们能够开发出一个机器学习平台，该平台可以识别血吸虫病的生物标志物组，这些生物标志物组对特定患者的疾病发展有最深入的了解。Sarkar说，基于抗体群的质量而不是单一标记物的数量进行诊断，将有可能更好地在早期可靠地检测出这种疾病。
萨卡尔说：“当你用肉眼观察这数百个测量结果时，即使你用条形图或饼状图来绘制它，也很难找到规律。”“这看起来就像一团乱麻。这就是这些技术的用武之地。它使真正重要的数据部分得到关注。”
这组科学家的最终目标是扩大抗体测试的规模，使其能够取代许多其他诊断技术，并在血吸虫病经常最流行的农村地区快速、方便地使用。
费尔利乐观地认为，传染病知识和机器辅助数据分析之间的合作可以为公共卫生做出更大的贡献。
“把jishhnu和Aniruddh介绍给被忽视的传染病领域，使我们能够利用他们的分析专长来创造新的诊断方法，”Fairley说。“这种跨学科的伙伴关系表明，我们可以给予血吸虫病等未被充分研究的疾病应有的关注，并在改善全球公共卫生方面取得进展。”
更多信息：Anushka Saha等人，深度体液分析结合可解释的机器学习揭示了血吸虫病的诊断标志物和病理生理学，科学转化医学（2024）。DOI: 10.1126 / scitranslmed。期刊信息：科学转化医学由埃默里大学提供引文：热带病研究人员开发新的工具来改进血吸虫病的诊断（2024年，10月17日）检索自2024年10月18日https://medicalxpress.com/news/2024-10-tropical-disease-tool-diagnosis-schistosomiasis.html此文件受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
