概括
预测微生物群落组成是开发微生物组疗法的关键. 一种新的无模型的k-最近邻居 (kNN) 方法使用存在/缺席数据准确预测物种丰度,优于现有模型.
科学领域:
- 微生物学 微生物学
- 计算生物学 计算生物学
- 生态生态学 生态生态学
背景情况:
- 人类微生物组显著影响健康,推动了开发疾病相关微生物状态治疗方法的努力.
- 由于复杂的生态相互作用,当前的微生物组操纵方法,如益生菌或抗生素,难以预测由此产生的物种丰度.
研究的目的:
- 开发一种无模型的方法来预测微生物物种在新的稳定状态中的丰度.
- 通过使用模拟和真实世界的数据,对比现有模型来评估这种方法的性能.
主要方法:
- 使用了一个多维的k-最近邻居 (kNN) 回归算法.
- 分析了生态动态数值模拟的数据.
- 将该方法应用于来自人类相关微生物群落的真实元基因组数据.
主要成果:
- 基于存在/缺席数据,kNN方法准确地预测物种丰度,优于零和神经网络模型.
- 使用kNN对真实元基因组数据的预测通过利用类似物种组合,超过了整个队列的平均值.
- 方法的可预测性与训练数据中的不相似性-重叠关系相关.
结论:
- 无模型方法,如拟议的kNN方法,对于预测微生物社区动态是有效的.
- 这种预测能力可以显著推进基于微生物组的治疗方法的开发.


