Machine Learning Reveals Distinct Immunogenic Signatures of Th1 Imprinting in ART-Treated Individuals with HIV Following Repeated SARS-CoV-2 Vaccination
Notice bibliographique
Résumé
Abstract The human immune system is intrinsically variable and remarkably diverse across a population. The immune response to antigens is driven by a complex interplay of time-dependent interdependencies across components of the immune system. After repeated vaccination, the humoral and cellular arms of the immune response display highly heterogeneous dynamics, further complicating the attribution of a phenotypic outcome to specific immune system components. We employ a random forest (RF) approach to classify informative differences in immunogenicity between older people living with HIV (PLWH) on ART and an age-matched control group who received up to five SARS-CoV-2 vaccinations over 104 weeks. RFs identify immunological variables of importance, interpreted as evidence for Th1 imprinting, and suggest novel distinguishing immune features, such as saliva-based antibody screening, as promising diagnostic features towards classifying responses (whereas serum IgG is not). Additionally, we implement supervised and unsupervised Machine Learning methods to produce physiologically accurate synthetic datasets that conform to the statistical distribution of the original immunological data, thus enabling further data-driven hypothesis testing and model validation. Our results highlight the effectiveness of RFs in utilizing informative immune feature interdependencies for classification tasks and suggests broad impacts of ML applications for personalized vaccination strategies among high-risk populations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».