肠道微生物群景观和潜在的生物标志物识别在女性系统性红斑狼患者使用机器学习
Wenzhu Song1, Feng Wu2, Yan Yan2
1School of Public Health, Shanxi Medical University, Taiyuan, Shanxi, China.
Frontiers in cellular and infection microbiology
|January 3, 2024
概括
这项研究确定了特定的肠道细菌,与女性的系统性红斑狼 (SLE) 有关. 使用这些显著失调的微生物群 (SDM) 的机器学习模型显示出SLE早期检测的前景.
科学领域:
- 微生物组研究的研究.
- 自身免疫性疾病研究的研究.
- 计算生物学是一种计算生物学.
背景情况:
- 系统性红斑狼 (SLE) 是一种复杂的自身免疫性疾病,不成比例地影响女性.
- 肠道微生物群越来越多地被认为与SLE病变发生有关.
- 早期诊断和预防对于在妇女健康中管理SLE至关重要.
研究的目的:
- 在SLE患者中描述肠道微生物群的特征.
- 通过特征选择来识别SLE的潜在肠道微生物生物标志物.
- 探索具有显著失调微生物群 (SDM) 的机器学习 (ML) 算法在女性早期SLE识别中的有效性.
主要方法:
- 来自54名SLE患者和55名对照者的便样本的16S rRNA测序.
- 使用弹性网和博鲁塔来识别SDM的特征选择.
- 应用ML算法 (LR,AdaBoost,RF,XGBoost) 进行SLE预测.
- 使用SHAP来解释SDM对SLE风险的影响.
主要成果:
- 在SLE患者和对照人群之间,α和β多样性的显著差异.
- 在弹性网和博鲁塔之间识别了16个重叠的SDM.
- 在SLE识别方面,XGBoost获得了最高的性能 (AUC=0.930).
- SHAP分析显示,SDM与SLE风险之间存在复杂的关系,其中Escherichia fergusonii是关键因素.
结论:
- 肠道微生物群失生症在女性SLE患者中很明显.
- 结合ML分类器和SDM,特别是XGBoost,可以帮助早期发现SLE.
- SHAP对SDM的洞察力可能会指导SLE的未来治疗策略.
