基于自编码器和非负矩阵因子化的预测代谢物-疾病关联.

科学领域:

• 生物化学和生物信息学
• 计算生物学 计算生物学
• 疾病诊断 疾病诊断

背景情况:

• 代谢涉及生命必不可少的化学反应,与疾病相关的偏差.
• 异常的代谢物水平可以表明特定的疾病,但传统的检测是劳动密集的.
• 准确识别代谢物与疾病的关系对于诊断进步至关重要.

研究的目的:

• 开发一种高效的深度学习模型,用于预测代谢物和疾病之间的潜在关联.
• 为了克服传统的代谢物分析实验方法的时间和劳动限制.
• 通过可靠地预测代谢物与疾病的联系,增强疾病诊断.

主要方法:

• 开发了MDA-AENMF,这是一个集自动编码器和非负矩阵分解的深度学习模型.
• 利用多个相似性网络和三个模块 (自动编码器,NMF,图表注意力自动编码器) 来提取代谢物和疾病特征.
• 将提取的特征合并为综合向量,用于训练多层感知子分类器.

主要成果:

• 通过五倍交叉验证,获得了0.975的接收器操作特征曲线 (AUC) 下面的面积和0.973的精度回忆曲线 (AUPRC) 下面的面积.
• 与现有的最先进的预测方法相比,证明了卓越的性能.
• 通过案例研究验证了MDA-AENMF预测的大多数新兴关联,证实了其可靠性.

结论:

• MDA-AENMF有效地预测了潜在的代谢物与疾病的关联,准确度很高.
• 该模型为与疾病相关的代谢物分析提供了传统实验方法的可靠和有效的替代方案.
• 这种方法对推进疾病诊断和了解代谢途径具有重大前景.