AR-CDT NET: 腸内細菌叢ベースの疾患分類のための深層変形畳み込みネットワーク

科学分野:

• マイクロバイオーム研究
• 計算生物学
• 疾患診断

背景:

• 腸内細菌叢の共生異常は複雑な疾患と関連していますが、計算診断は困難です。
• 既存の方法は、大規模で不均衡な細菌叢データセットや微生物相互作用のキャプチャに苦労しています。
• 細菌叢データを使用した正確な鑑別診断は、依然として重要な満たされていないニーズです。

研究 の 目的:

• 腸内細菌叢データから宿主疾患状態を正確かつ堅牢に分類するための新しい深層学習フレームワーク、AR-CDT Netを開発すること。
• 現在の計算アプローチの予測性能、堅牢性、および相互作用キャプチャの限界に対処すること。
• 疾患特異的な微生物シグネチャを分離することにより、正確な鑑別診断を可能にすること。

主な方法:

• マルチスケール変形畳み込み（MS-DConv）とチャネルごとの動的Tanh（CD-Tanh）を統合した深層学習フレームワークであるAR-CDT Netを開発しました。
• コホート内パフォーマンスのために、大規模コホート（> 8000サンプル、8フェノタイプ）で評価しました。
• 異種T2Dコホートを含む独立したコホートでクロスデータセット一般化を検証しました。

主要な成果:

• AR-CDT Netは、コホート内分類タスクにおいて9つの代表的なモデルを上回りました。
• T2Dコホートにおけるクロスデータセット一般化で0.7921という有意なAUCを達成し、転移可能な生物学的シグナルを示唆しました。
• 次元削減とSHAP解釈を使用して、共有された共生異常背景から疾患特異的な病原性シグネチャをうまく分離しました。

結論:

• AR-CDT Netは、細菌叢ベースの疾患分類のための堅牢で正確な深層学習アプローチを提供します。
• このフレームワークは、転移可能な微生物シグナルをキャプチャし、データセット全体で効果的な一般化を示します。
• AR-CDT Netは、鑑別診断を改善するために疾患特異的な微生物パターンを区別する解釈可能な洞察を提供します。