多様な文脈におけるマイクロバイオーム解析のための大規模事前学習済み基盤モデルとしてのMGM

背景:

• マイクロバイオーム解析は、データの不均一性とバッチ効果により課題に直面しています。
• 既存の教師ありメソッドは、普遍的な微生物パターンの特定に苦労しています。
• 多様なマイクロバイオームアプリケーションには、スケーラブルで正確な分析フレームワークが必要です。

研究 の 目的:

• マイクロバイオーム解析のための大規模基盤モデルであるマイクロビアル・ジェネラル・モデル（MGM）を導入すること。
• MGMの堅牢な転移学習と研究を横断する汎化能力を実証すること。
• 微生物群集の分類とそれらの動態の理解におけるMGMの有用性を実証すること。

主な方法:

• 260,000のマイクロバイオームサンプルで事前学習されたトランスフォーマーベースの基盤モデルであるMGMを開発しました。
• 文脈化された微生物表現のために自己注意メカニズムと自己回帰型事前学習を利用しました。
• 分類のためのベンチマークデータセットと動態解析のための縦断的乳児コホートにMGMを適用しました。

主要な成果:

• MGMは、従来のメソッドと比較して、微生物群集分類において優れたパフォーマンス（平均ROC-AUC = 0.99）を達成しました。
• 異なる地理的地域にわたる汎化性能の向上が実証されました。
• 乳児における出産モード特異的なマイクロバイオームの軌跡を特定し、主要な微生物属を特定することに成功しました。

結論:

• MGMは、マイクロバイオーム解析における重要な進歩を表し、統一されたフレームワークを提供します。
• このモデルは、診断、生態学的研究、および治療的発見のためのスケーラビリティと精度を向上させます。
• MGMの自己教師あり学習アプローチは、従来のメソッドの限界を克服します。