基于线性邻居标签传播方法预测微生物与疾病的关联,具有多序相似性融合学习

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 网络科学 网络科学

背景情况:

• 预测微生物与疾病的关联对于了解健康和疾病至关重要.
• 目前的计算方法依赖于整合微生物和疾病相似性信息.
• 现有的相似性融合技术缺乏多顺序网络分析.

研究的目的:

• 提出一种新的方法,MOSFL-LNP,用于预测微生物与疾病的关联.
• 通过纳入多顺序相似性融合来解决现有方法的局限性.
• 提高微生物疾病关联预测的准确性和稳定性.

主要方法:

• 开发了一种线性邻近标签传播与多序相似性融合学习 (MOSFL-LNP) 方法.
• 实施了两部分的多阶融合:低阶全球学习和高阶特征学习.
• 集成系数以平衡不同的订单相似性,以提高网络稳定性.

主要成果:

• 与六种先进方法相比,MOSFL-LNP表现出优越的预测性能.
• 使用离开一次的交叉验证和5倍交叉验证的验证证实了有效性.
• 案例研究显示,预测与喘和1型糖尿病相关的微生物的准确性高 (90-100%).

结论:

• 多顺序融合学习有效地捕捉了来自各种相似性网络的共同和独特特征.
• MOSFL-LNP提供了一种强大而准确的方法来预测潜在的微生物疾病关联.
• 该方法有望促进微生物组研究和疾病理解.