自身抗体特征估计以检测自身免疫疾病患者亚群

自身免疫疾病的特点是针对自身组织分子的高度特异性免疫反应。不同的自身免疫疾病具有不同的免疫反应特征，使得自身抗体可用于诊断和预测。在许多疾病中，自身抗体的靶标尚未完全明确。尽管过去十年中自身抗体发现技术取得了巨大进步，但这些技术每种都会产生数百种可能性，验证起来繁琐且昂贵。我们着手建立一种大幅简化自身抗体发现的方法，使用预过滤步骤，基于放射性标记免疫沉淀蛋白在十二烷基硫酸钠（SDS）凝胶和放射自显影上的迁移来定义具有相似特异性的亚组 [$\textbf{G}$el $\textbf{E}$lectrophoresis and band detection on $\textbf{A}$utoradiograms (GEA)]。当模式复杂或分散于许多样本时，人类识别模式并非最佳。多种误差来源——包括无关的强度差异和凝胶扭曲——对从放射自显影中自动发现模式提出了挑战。在本文中，我们利用带有收缩先验的贝叶斯层次模型解决这些局限，用于模式对齐和空间去扭曲。该贝叶斯模型结合了来自多个凝胶组的信息，并校正空间扭曲，以对由一组标志蛋白的存在与否定义的自身抗体特征进行相干估计。我们展示该预处理创建了更清晰分离的簇，并通过层次聚类提高了自身抗体亚群检测的准确性。最后，我们用硬皮病患者的 GEA 数据证明了所提方法的实用性。