AMAnD:一种使用DeepSVDD神经网络的自动化元基因组异常检测方法
Colin Price1, Joseph A Russell1
1Life Science Resource Center, MRIGlobal, Gaithersburg, MD, United States.
Frontiers in public health
|July 27, 2023
概括
自动化转基因组异常检测 (AMAnD) 使用DeepSVDD模型识别不寻常的转基因组样本,这对于了解COVID-19和肠道疾病等疾病至关重要. 这个工具有效地标记了复杂的生物数据中的异常.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 超基因组社区的组成反映了局部医疗状况,包括呼吸道和胃肠道疾病.
- 需要精确的计算工具来识别异常的元基因组样本以了解表型,特别是广泛的时间采样.
研究的目的:
- 引入自动化元基因组异常检测 (AMAnD),这是一种用于识别异常元基因组样本的新型计算工具.
- 为了证明AMAnD在检测不同数据集中的异常的能力,包括临床和合成样本.
主要方法:
- 利用了两个深度支持向量数据描述 (DeepSVDD) 模型:一个是来自感染病原体泛基因组学 (PanGIA) 的分类学特征,另一个是kmer频率.
- 采用半监督,一类学习方法,不预定义异常特征,允许检测新型异常类型.
- 在三个数据集上验证了AMAnD:鼻拭子 (健康与COVID-19),肠道微生物组样本 (正常与慢过渡便秘) 和带有污染物的合成元基因组.
主要成果:
- 在鼻 (COVID-19阳性) 和肠道微生物组 (缓慢过渡便秘) 数据集中,AMAnD成功识别了异常样本.
- 该工具有效地标记了合成元基因组中入的污染物,证明了对分类学上相似的生物的强度.
- 即使使用轻量级模型和不同样本覆盖水平,AMAnD也表现出强的表现.
结论:
- AMAnD提供了一种无假设的方法来标记元基因组异常,适用于检测潜在的新型异常.
- 深度学习方法允许实时更新模型训练,增强其用于动态生物监测的实用性.
- 由于其效率和性能,AMAnD非常适合各种应用的元基因组学应用,从环境监测到临床诊断.
