通过分析某种基因变异，人工智能已经成为个体的希望，以减少肾移植的风险。传统上，评估肾移植中移植物衰竭风险依赖于HLA（人类白细胞抗原）不匹配。宾夕法尼亚大学的研究团队探索了一种创新的机器学习算法，可以帮助揭示氨基酸不匹配（AA-MMs）与移植物衰竭可能性之间的隐藏联系。
他们的方法被称为FIBRES（风险分层的特征包含箱演化器），利用进化算法自动构建AA-MMs箱，最小化对箱构成的假设。它有助于将移植配对有效地分为高风险和低风险组，以实现移植物存活。通过使用FIBRES方法分析来自（移植者科学登记处）SRTR数据的1,66,754个肾移植的数据集，研究人员发现了传统方法在移植物衰竭风险方面的局限性。他们强调了氨基酸变异的作用，使FIBRES能够识别出两倍于低风险患者的数量。
FIBRES利用进化算法迭代优化AA-MMs箱的适应性，以进行移植物衰竭风险分层。它选择表现较好的“父代”生成新的后代箱，通过在箱内交叉和突变（替换、添加和删除）AA位置。FIBRES包含“风险层最小值”，以确保所得结果的统计可靠性。
该方法应用于三个分析：（1）使用跨越五个HLA位点的AA-MMs构建箱并比较风险分层，（2）分别在每个HLA内对AA-MMs进行分箱，（3）使用交叉验证评估性能。与0-ABDR抗原不匹配相比，它有助于增强风险分层。研究发现，通过AA-MM评估，24.4%的肾移植是低风险，而通过0-ABDR评估只有9.1%。交叉验证证实了FIBRES箱风险预测的普适性，验证了其稳健性。
研究人员强调，FIBRES在确定哪些AA-MMs影响风险方面可能更全面。然而，他们需要更大的数据集。未来，研究人员的目标是通过（1）将分箱扩展到其他HLA位点，（2）比较首次移植和再移植受体之间的结果，以及（3）调整FIBERS以优化能够将供受体配对分层为任意数量的风险组，学习组阈值，并学习AA-MM权重以推断给定MM的重要性。