多omics分析确定了细菌性阴道炎的潜在微生物和代谢物诊断生物标志物
概括
使用多omics数据的机器学习模型可以发现细菌性阴道炎 (BV) 的生物标志物. 基于代谢组的模型显示,与基于微生物组的生物标志物相比,BV的诊断性能优越.
科学领域:
- 微生物组研究的研究.
- 代谢学 代谢学 代谢学
- 机器学习在诊断中的应用.
背景情况:
- 细菌性阴道炎 (BV) 是一种常见的阴道失调,与不良的生殖健康结果有关.
- 目前对BV的诊断方法往往不方便或需要专门的专业知识.
- 机器学习 (ML) 为生物标志物发现提供了整合复杂多omics数据的潜力.
研究的目的:
- 评估微生物组和代谢组生物标志物对BV的诊断潜力.
- 用可解释的ML算法评估一个集成的omics分类模型.
主要方法:
- 分析了80名女性的阴道样本 (40名有BV,40名没有).
- 在样本上进行了16S rRNA测序和LC-MS代谢.
- 使用最准确的诊断生物标志物构建了ML模型.
主要成果:
- 微生物组模型的ROC-AUC值为0.84±0.21,准确度为0.79±0.18.
- 代谢组模型表现出卓越的性能,ROC-AUC为0.97 ± 0.07,精度为0.92 ± 0.08.
- 一个组合模型显示出高性能 (ROC-AUC 0.97 ± 0.07,精度 0.94 ± 0.08),其中代谢物生物标志物是关键预测因素.
结论:
- 应用于多omics数据的ML有效地帮助BV的生物标志物发现.
- 与基于微生物组的模型相比,基于代谢组的分类模型对BV具有更高的诊断性能.
更多相关视频
09:19Capturing Actively Produced Microbial Volatile Organic Compounds from Human-Associated Samples with Vacuum-Assisted Sorbent Extraction
Published on: June 1, 2022
4.1K
06:39Author Spotlight: Accelerating Research on Bacterial Extracellular Vesicles Separation and Heterogeneity
Published on: September 1, 2023
2.6K
