通过神经常规微分方程,从微生物组成中预测新陈代谢特征
Tong Wang1, Xu-Wen Wang1, Kathleen A Lee-Sarwar1,2
1Channing Division of Network Medicine, Department of Medicine, Brigham and Women's Hospital, Harvard Medical School, Boston, MA 02115, USA.
Nature machine intelligence
|January 15, 2024
概括
我们开发了mNODE,这是一种使用深度学习的计算方法,可以从社区组成中预测微生物代谢概况. mNODE的性能优于现有的方法,并揭示了微生物-代谢物相互作用,有助于微生物组-饮食研究.
科学领域:
- 微生物组研究的研究.
- 计算生物学是一种计算生物学.
- 代谢学 代谢学 代谢学
背景情况:
- 微生物社区的代谢概况对于理解生物功能至关重要.
- 代谢学在实验上具有挑战性;基于测序的微生物组组成更容易获得.
- 预测新陈代谢特征的现有计算方法缺乏高预测能力,概括性和可解释性.
研究的目的:
- 开发一种新的计算方法,从社区组成中预测微生物代谢概况.
- 为了提高计算微生物组分析的预测准确性,适用性和解释性.
- 研究微生物组,饮食和新陈代谢之间的关系.
主要方法:
- 开发了一种深度神经网络模型mNODE (使用神经普通微分方程进行代谢资料预测).
- 应用mNODE来预测人类和环境微生物组的代谢概况.
- 将饮食信息纳入mNODE,用于人类肠道微生物组分析.
- 利用易感性分析来识别微生物-代谢物相互作用.
主要成果:
- 与各种微生物组的现有方法相比,mNODE在预测代谢特征方面表现出卓越的表现.
- mNODE成功地整合了饮食数据,以提高对人类肠道微生物组的预测准确度.
- 敏感性分析揭示了显著的微生物-代谢物相互作用,通过合成和真实数据进行验证.
结论:
- mNODE是一种强大且可解释的工具,用于预测微生物代谢概况.
- 该方法有助于研究微生物组-饮食-代谢相互作用.
- mNODE对推进精准营养研究具有前途.
更多相关视频
09:38Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures
Published on: January 7, 2019
8.6K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
