微生物组数据的多原子集成用于识别与疾病相关的模块

科学领域:

• 微生物组研究的研究.
• 系统生物学 系统生物学
• 计算生物学是一种计算生物学.

背景情况:

• 对人类肠道微生物群的多原子研究对于了解疾病至关重要.
• 整合和分析复杂的多原子数据存在重大挑战.
• 当前的方法往往无法捕捉微生物组与疾病关联的多层结构.

研究的目的:

• 推出MintTea,一种用于分析多原子肠道微生物组数据的中间集成方法.
• 识别与疾病相关的多原子模块,以捕捉不同欧米层特征的一致变化.
• 为微生物组与疾病相互作用生成系统级假设.

主要方法:

• MintTea结合了正统相关性分析,共识分析和评估协议的扩展.
• 该方法识别了包含来自多个omics的特征的模块,这些特征在协同转移并与疾病相关.
• 应用于不同的队列,包括代谢综合征和结直肠癌数据集.

主要成果:

• MintTea成功地识别了具有高预测能力的与疾病相关的多原子模块.
• 模块显示出显著的跨米相关性,并与已知的微生物组疾病相关性保持一致.
• 确定了与代谢综合征 (谷氨酸,TCA循环代谢物,与胰岛素抵抗相关的细菌) 和结直肠癌 (细菌物种,便氨基酸) 相关的特定模块.

结论:

• MintTea提供了一种先进的整合方法,用于发现多方面的微生物群与疾病的相互作用.
• 识别的模块提供系统层面的洞察力,了解肠道微生物组与疾病之间的复杂相互作用.
• 这种方法有助于在微生物组研究中产生新的,数据驱动的假设.