基于嵌入瓦瑟斯坦距离的多尺度变化图自编码器识别与疾病相关的微生物

科学领域:

• 微生物学 微生物学
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 微生物在人类健康中起着至关重要的作用.
• 识别微生物疾病关联有助于理解疾病机制,早期诊断和个性化医疗.
• 现有的方法面临的挑战是数据扰动和低于最佳的潜在表示.

研究的目的:

• 开发一种用于预测疾病相关微生物的新框架.
• 为了解决数据扰动的局限性,并改进隐藏的表示.
• 为了提高微生物疾病协会的预测精准医学.

主要方法:

• 提出了一种嵌入瓦斯斯坦距离 (MVGAEW) 框架的多尺度变量图自动编码器.
• 使用相似性网络混集成多个相似性.
• 采用了改进的变量图自编码器用于节点隐藏表示和XGBoost用于预测.
• 引入了多顺序节点嵌入重建以提高表示能力.

主要成果:

• MVGAEW框架有效预测了与疾病相关的微生物.
• 该模型证明了对数据扰动的弹性,并产生了强大的潜在表示.
• 对阿尔茨海默病,克罗恩病和结直肠瘤的实验证实了该框架的有效性.

结论:

• 拟议的MVGAEW模型显著优于现有的最先进的方法.
• 在HMDAD数据库中取得了实质性的改进.
• 强调了该框架在推动微生物疾病关联研究方面的潜力.