《通过结合辐射响应性生物标志物的机器学习法实现局部或全身辐射暴露的定量生物剂量评估》

这篇标题为《Machine learning approach for quantitative biodosimetry of partial-body or total-body radiation exposures by combining radiation-responsive biomarkers》的论文由Igor Shuryak、Leah Nemzow等学者撰写，研究中心为哥伦比亚大学放射研究中心（Center for Radiological Research），发表于期刊Scientific Reports，时间为2023年。研究文章的主要目标是开发一种结合辐射响应性生物标志物和机器学习技术的新型生物剂量评估方法，来定量分析局部身体辐射（PBI）和全身辐射（TBI）的暴露。这项研究为辐射紧急事件中快速、高通量的生物剂量评估提供了新的思路，尤其是面对那些由环境屏障（如墙壁或车辆）部分遮挡的辐射暴露情景。

研究背景

由于核装置引发的核辐射或其他大规模辐射事故可能导致人数众多的受害者暴露于辐射中，人类需要可靠的生物剂量学方法（biodosimetry）来准确评估辐射剂量。现有的物理剂量计普遍难以覆盖普通大众，使得血液等生物样本的剂量重建成为研究的核心方向。这类研究尤其关注局部身体受到屏蔽（PBI）的情况，其结果往往不同于全身辐射（TBI），在医疗处理和风险评估方面意义重大。

现有科学文献表明，某些血液生物标志物和蛋白标志物可以在动物模型以及接受放射治疗的癌症患者体内反映辐射暴露。但现有方法在区分PBI与TBI暴露的精确性方面仍然有所不足，亟需发展新的补充技术。

研究目标

本研究测试了以下假设：结合辐射响应性生物标志物如ACTN1、DDB2、FDXR，以及B细胞和T细胞计数，再利用机器学习中的随机森林（Random Forest，RF）算法进行分析，可以实现对PBI和TBI的定量生物剂量评估。同时，研究还探讨了这种方法在区分PBI和TBI暴露情景中的应用潜力。

研究流程

1. 动物模型选择与实验设计

研究中选用了C57BL/6实验小鼠（雌雄皆备，年龄12至14周），分别接受0 Gy（对照组）、2.0–2.5 Gy的部分身体辐射（PBI）或全身辐射（TBI），以及5.0 Gy的辐射暴露。试验共分四批完成，利用哥伦比亚大学Radiological Research Accelerator Facility的独立装置进行辐射暴露。

2. 实验技术

• 血样采集与检测：所有小鼠在暴露后24小时处死，采集外周血液样本进行分析。采用传统流式细胞术与成像流式细胞术（Imaging Flow Cytometry, IFC）相结合的方法，获取白细胞总数以及B细胞和T细胞的荧光比例。
• 蛋白标志物分析：重点检测三种辐射响应性蛋白，即FDXR（铁氧还原酶）、ACTN1（肌动蛋白α1）和DDB2（DNA结合蛋白2），它们均在辐射诱导损伤修复或细胞稳态中发挥重要作用。
• 辐射剂量验证：实验中使用了光学密度法和电离室等高精度设备对给定的辐射剂量进行准确校验。

3. 数据分析与机器学习

数据通过机器学习RF算法进行建模。本研究随机将数据分为训练集与测试集两部分。在分析中使用了Boruta特征选择法筛选最重要的生物标志物与血液计数指标。如T细胞和B细胞的计数、表面标志物（CD3、CD19百分比）以及ln转化后的蛋白荧光强度值等变量。此外，还利用RF模型进行辐射剂量的重建与暴露形式（PBI/TBI）的分类。

研究结果

1. 生物标志物与血细胞计数的剂量响应

研究发现，无论在B细胞还是T细胞计数中，PBI暴露与TBI暴露的剂量响应曲线斜率均显著不同，这反映了PBI情况下部分细胞未受辐射影响。同时，FDXR、DDB2和ACTN1蛋白表达的剂量响应曲线显示，TBI的曲线斜率约为PBI的两倍。

2. 随机森林模型的预测能力

利用RF模型预测辐射剂量时，得到了准确性较高的结果： - 平均绝对误差（MAE）：0.749 Gy； - 均方根误差（RMSE）：1.060 Gy； - 决定系数（R²）：0.738。

对于辨别PBI和TBI，RF算法实现了较高的准确性，其受试者工作特征曲线（ROC）的曲线下面积（AUC）为0.944（95% CI: 0.844-1.0）。

3. 性别及辐射种类的影响

研究显示，小鼠的性别和辐射种类（高能电子或X射线）对模型预测剂量的影响较小，这意味着模型具有较好的普适性。

意义与价值

本研究通过结合生物标志物和血液计数在机器学习框架下实现了PBI和TBI辐射暴露的精准分类与剂量重建。该研究结果有潜力在核事故、大规模辐射事件或类似场景下，为快速诊断与医疗决策提供宝贵的工具。快速评估不仅有助于分级处理潜在受害者，还可以为后续更准确的生物计量学检测（如细胞遗传学分析）节省时间和人力资源。此外，研究还为未来发展能够部署在现场的高通量生物剂量测定设备奠定了理论基础。

研究的局限与未来方向

尽管本研究在方法开发上取得了初步成果，但其局限性包括： 1. 仅限于单一年龄组（成年小鼠）； 2. 仅使用了两种剂量水平； 3. PBI屏蔽方式单一（覆盖下半身）。

未来计划包括：（1）研究不同年龄组（如幼年小鼠的辐射敏感性）；（2）探索其他PBI模式（如特定肢体屏蔽）；（3）对比更先进的机器学习算法（如极限梯度提升，XGBoost）；（4）进一步优化用于人类样本的模型调试。

结论

这项研究证明，结合辐射响应性蛋白标志物与血液计数的机器学习方法可以高效、准确地估算PBI和TBI暴露剂量，并快速分类暴露类型。这些技术在应对核事故中的潜在应用展现出了巨大的前景，有助于推动高通量、快速响应型生物剂量估测系统的发展。