AR-CDT NET: una red convolucional deformable profunda para la clasificación de enfermedades basada en el microbioma...

Área de la Ciencia:

• Investigación del microbioma
• Biología computacional
• Diagnóstico de enfermedades

Sus antecedentes:

• La disbiosis del microbioma intestinal está relacionada con enfermedades complejas, pero el diagnóstico computacional es un desafío.
• Los métodos existentes luchan con conjuntos de datos de microbioma grandes e desequilibrados y la captura de interacciones microbianas.
• El diagnóstico diferencial preciso utilizando datos del microbioma sigue siendo una necesidad insatisfecha importante.

Objetivo del estudio:

• Desarrollar un marco novedoso de aprendizaje profundo, AR-CDT Net, para la clasificación precisa y robusta de los estados de enfermedad del huésped a partir de datos del microbioma intestinal.
• Abordar las limitaciones en el rendimiento predictivo, la robustez y la captura de interacciones de los enfoques computacionales actuales.
• Permitir un diagnóstico diferencial preciso mediante el desentrelazamiento de firmas microbianas específicas de la enfermedad.

Principales métodos:

• Se desarrolló AR-CDT Net, un marco de aprendizaje profundo que integra la convolución deformable multiescala (MS-DConv) y el Tanh dinámico canal a canal (CD-Tanh).
• Se evaluó en una cohorte grande (>8000 muestras, 8 fenotipos) para el rendimiento dentro de la cohorte.
• Se validó la generalización entre conjuntos de datos en cohortes independientes, incluida una cohorte T2D heterogénea.

Principales resultados:

• AR-CDT Net superó a nueve modelos representativos en tareas de clasificación dentro de la cohorte.
• Logró un AUC significativo de 0.7921 en la generalización entre conjuntos de datos en la cohorte T2D, lo que indica señales biológicas transferibles.
• Desenterró con éxito firmas patógenas específicas de la enfermedad de los fondos disbióticos compartidos utilizando la reducción de dimensionalidad y la interpretación SHAP.

Conclusiones:

• AR-CDT Net ofrece un enfoque de aprendizaje profundo robusto y preciso para la clasificación de enfermedades basada en el microbioma.
• El marco demuestra una generalización efectiva entre conjuntos de datos, capturando señales microbianas transferibles.
• AR-CDT Net proporciona información interpretable, distinguiendo patrones microbianos específicos de la enfermedad para mejorar el diagnóstico diferencial.