MV-CVIB:基于微生物组的多视图卷积变异信息瓶,用于预测转移性结直肠癌
Zhen Cui1, Yan Wu2, Qin-Hu Zhang3
1Institute of Machine Learning and Systems Biology, College of Electronics and Information Engineering, Tongji University, Shanghai, China.
Frontiers in microbiology
|September 7, 2023
概括
这项研究引入了一种新的机器学习模型,MV-CVIB,使用肠道微生物组数据准确预测转移性结直肠癌 (mCRC). 该模型表现出卓越的性能,有助于诊断这种侵袭性癌症.
科学领域:
- 微生物组研究的研究.
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
背景情况:
- 肠道微生物失衡与各种疾病有关,包括结直肠癌 (CRC).
- 转移性结直肠癌 (mCRC) 由于其高死亡率和转移率而构成重大临床挑战.
- 传统的机器学习模型与高维,小样本肠道微生物数据作斗争.
研究的目的:
- 开发一种有效的方法来利用肠道微生物群数据预测mCRC.
- 解决传统分类策略和机器学习模型在分析复杂微生物数据方面的局限性.
主要方法:
- 从非转移性CRC (非mCRC) 和mCRC患者中收集和处理了16SrRNA和丰度数据.
- 提出了一种基于微生物组的多视图卷积变异信息瓶 (MV-CVIB) 模型.
- 采用疾病疾病分类策略,而不是传统的健康疾病分类.
主要成果:
- MV-CVIB模型实现了mCRC的高预测性能,AUC值超过0.9.
- 该模型在多个已发表的CRC肠道微生物组数据集中显示出一致和令人满意的预测准确性.
- 对比分析显示,MV-CVIB的表现优于其他最先进的模型.
结论:
- MV-CVIB有效地从肠道微生物组数据中预测mCRC.
- 该研究强调了基于微生物组的AI模型在癌症诊断中的潜力.
- 进一步的分析阐明了mCRC和非mCRC之间的微生物差异,将它们与转移性质联系起来.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K
11:43Advanced Animal Model of Colorectal Metastasis in Liver: Imaging Techniques and Properties of Metastatic Clones
Published on: November 30, 2016
12.7K
