microBiomeGSM:使用分组,评分和建模 (G-S-M) 方法从元基因组数据中识别分类学生物标志物

科学领域:

• 微生物学 微生物学
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 大基因组测序通过揭示微生物种类的相对丰富性来表征生物环境.
• 人类微生物组的机器学习模型可以识别微生物生物标志物,用于诊断诸如炎症性肠病 (IBD),糖尿病和结直肠癌等疾病.

研究的目的:

• 开发一种有效的分类模型来分析与疾病相关的元基因组数据集.
• 确定与特定疾病相关的分类学生物标志物,以方便诊断.
• 引入microBiomeGSM工具,用于疾病相关的元基因组学分类.

主要方法:

• 微生物GSM工具将现有的分类信息集成到机器学习框架中.
• 它采用了分组评分建模 (G-S-M) 方法,使用物种级信息作为跨分类学级别 (属,家族,顺序) 分类的特征.
• 在四个与疾病相关的元基因组数据集上对各种特征选择方法 (FCBF,SKB,XGB,CMIM,MRMR,IG) 和分类器 (AdaBoost,决策树,LogitBoost,随机森林) 进行了性能评估.

主要成果:

• 在IBDMD数据集的顺序分类层面上,microBiomeGSM实现了0.98%的高曲线下的面积 (AUC).
• 该工具成功地确定了与疾病相关的关键分类组和物种.
• 鉴定的物种与疾病的关联与现有文献进行了验证.

结论:

• microBiomeGSM是一种有效的工具,用于分类与疾病相关的元基因组数据.
• 该工具有助于发现微生物分类学生物标志物,这些生物标志物对于疾病诊断至关重要.
• microBiomeGSM工具和相关文件是公开可用的,以便进一步研究.