机器学习算法应用于根据肠道微生物组组成预测自闭症谱系障碍
Juan M Olaguez-Gonzalez1, Isaac Chairez1,2, Luz Breton-Deval3,4
1School of Engineering and Science, Tecnologico de Monterrey, Monterrey 64849, Mexico.
Biomedicines
|October 28, 2023
概括
机器学习模型通过分析肠道微生物组合来准确诊断自闭症谱系障碍 (ASD). 这项研究以较少的细菌为重点,解释了相互矛盾的发现,并提高了早期ASD检测准确率高达90%.
科学领域:
- 计算生物学和生物信息学
- 微生物组研究和分析.
- 神经发育障碍的诊断神经发育障碍的诊断
背景情况:
- 肠道微生物组组成越来越多地与自闭症谱系障碍 (ASD) 相关,但之前的研究产生了矛盾的结果.
- 现有的研究往往忽略了较少的微生物群落,可能缺少关键诊断指标.
- 机器学习 (ML) 提供了一种强大的方法来分析复杂的生物数据以诊断疾病.
研究的目的:
- 通过机器学习研究肠道微生物组组成在ASD早期诊断中的作用.
- 根据微生物组数据,开发和验证ML模型来将个人分类为神经类型 (NT) 或有ASD.
- 确定与ASD相关的关键微生物预测因素,并解释先前研究中的差异.
主要方法:
- 应用机器学习算法,包括支持矢量机器 (SVM),人工神经网络 (ANN) 和随机森林 (RF) 进行分类.
- 利用来自两个独立数据集 (美国和中国) 的已公布的肠道微生物组组成数据 (16S rRNA测序).
- 训练并验证多个ML模型,重点关注具有最佳性能和可解释性的模型.
主要成果:
- 实现了高分类准确性 (高达90%),在ASD检测方面具有出色的灵敏度 (96.97%) 和特异性 (85.29%).
- ANN模型在一个数据集中展示了神经类型受试者的完美分类,突出了显著的诊断潜力.
- 确定了关键的细菌预测因子,如 *Bacteroides*, *Lachnospira*, *Anaerobutyricum* 和 *Ruminococcus torques*,包括以前被忽视的低丰度微生物.
结论:
- 机器学习模型有效地利用肠道微生物组数据进行准确的ASD诊断,比传统方法有所改进.
- 这项研究表明,较少的微生物群落在ASD的发展和诊断中起着至关重要的作用,解释了先前相矛盾的发现.
- 建议对这些微生物少数群体进行进一步的研究,以完善对ASD的理解和诊断能力.
