微生物研究における疾患バイオマーカー発見のためのハイブリッドフレームワーク：ベイジアンネットワーク、機械学習、およびネットワークベースの手法を組み合わせたもの

科学分野:

• 微生物叢研究
• ネットワーク推論
• 生態学における機械学習の応用

背景:

• 微生物叢の研究は、正確な微生物関連ネットワークの構築において課題に直面しています。
• 疾患に関連する特定の微生物分類群を特定することは、宿主と微生物の相互作用を理解するために重要です。
• ネットワーク推論と特徴選択のための既存の方法は、信頼性と解釈可能性において限界があります。

研究 の 目的:

• ベイジアンフレームワークを使用した微生物相互作用ネットワークを推論するための堅牢なRパッケージ（CMIMN）を開発すること。
• 複数の推論方法を統合して信頼性を向上させるためのコンセンサスネットワークアプローチを作成すること。
• 疾患関連分類群の同定のために機械学習とネットワーク分析を組み合わせたマルチメソッド特徴選択フレームワークを設計すること。

主な方法:

• 条件付き相互情報量を利用してベイジアンネットワーク推論を行うCMIMN Rパッケージを開発しました。
• CMIMNをSPIEC-EASI、SPRING、およびSPARCCと統合して、コンセンサス微生物叢ネットワークを構築しました。
• 特徴選択のために機械学習パイプラインとネットワークベースの戦略（中心性の違い、複合スコアリング）を実装しました。

主要な成果:

• CMIMNパッケージは、土壌微生物叢データに対するブートストラップ分析を通じて堅牢性を示しました。
• コンセンサスネットワークアプローチは、微生物関係の安定性と生物学的解釈可能性を向上させました。
• マルチメソッドフレームワークは、特定の門、綱、目を含む、ジャガイモの一般的なかさぶた病に関連する主要な土壌微生物分類群を特定することに成功しました。

結論:

• CMIMNは、微生物ネットワーク推論のための信頼性の高いツールを提供します。
• コンセンサスネットワークとマルチメソッド特徴選択は、疾患関連微生物の同定に対する信頼性を高めます。
• この統合アプローチは、植物病における土壌微生物叢の役割の理解を進めます。