使用机器学习在微生物组数据中具有可重现性的生物标志物发现方法
David Rojas-Velazquez1,2, Sarah Kidwai3, Aletta D Kraneveld3,4
1Division of Pharmacology, Utrecht Institute for Pharmaceutical Sciences, Faculty of Science, University of Utrecht, Utrecht, The Netherlands. e.d.rojasvelazquez@uu.nl.
BMC bioinformatics
|January 15, 2024
概括
这项研究引入了一种新的方法,用于使用DADA2和递归组合特征选择来发现可复制的人类微生物组生物标志物. 该方法提高了临床应用的各种数据集的准确性和可靠性.
科学领域:
- 微生物组研究的研究.
- 生物信息学是一种生物信息学.
- 机器学习在医疗保健中的应用
背景情况:
- 人类微生物组研究对于临床应用至关重要,机器学习有助于发现生物标志物.
- 微生物组研究的挑战包括小样本大小,不一致的结果和缺乏可复制性.
- 目前的方法需要改进,以实现强大可靠的生物医学研究.
研究的目的:
- 在16S rRNA微生物组序列分析中提出可再生生物标志物发现的新方法.
- 为了解决数据维度,不一致的结果和跨数据集验证的问题.
- 提高微生物组生物标志物发现的可靠性和稳定性.
主要方法:
- 结合了DADA2管道用于16SrRNA序列处理与递归组合特征选择 (REFS).
- 在炎症性肠病 (IBD),自闭症谱系障碍 (ASD) 和2型糖尿病 (T2D) 队列的多个数据集中应用了该方法.
- 通过使用曲线下的面积 (AUC) 和马修斯相关系数 (MCC) 与K-Best F-score和随机选择进行比较.
主要成果:
- 与传统的特征选择方法相比,拟议的方法证明了更高的诊断准确性.
- 在一个数据集中确定了生物标记符号,并在其他数据集中成功验证了IBD,ASD和T2D.
- 该方法在九个不同的数据集中显示了改进的性能指标 (AUC和MCC).
结论:
- 通过使用16S rRNA数据成功开发了微生物组生物标志物发现的可复制方法.
- 这些发现强调了该方法在提高生物标志物识别的准确性和可靠性的有效性.
- 这种方法代表了迈向更强大,更可重复的微生物组研究的重要一步,用于临床转化.
