对人类微生物组应用的监督和无监督机器学习算法的比较研究
E Kalluçi1, B Preni2, X Dhamo1
1Department of Applied Mathematics, Faculty of Natural Sciences, University of Tirana, Tirana, Albania.
La Clinica terapeutica
|May 20, 2024
概括
机器学习有效地分析来自16S rRNA测序的复杂人类微生物组数据. 尺寸缩小技术和监督学习使用关键的微生物特征准确预测患者的病情.
科学领域:
- 微生物学 微生物学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 人类微生物组包括多种不同的微生物物种,影响健康和疾病.
- 分析复杂的微生物组数据带来了挑战,需要先进的计算工具.
- 机器学习算法越来越多地用于微生物组数据解释.
研究的目的:
- 为了评估16S rRNA基因测序数据的维度减小方法.
- 评估监督机器学习对减少微生物组数据集的预测性能.
- 识别关键的微生物特征,以预测患者的病情.
主要方法:
- 来自健康对照组和腺瘤或结直肠癌患者的16S rRNA基因测序数据的分析.
- 应用基于网络 (图) 和投影 (NMF,PCA) 的方法来减少维度.
- 实施监督机器学习算法用于预测建模.
主要成果:
- 基于图形的方法将数据从255个特征减少到78个特征,模块化得分为0.73.
- 预测方法将数据缩小到7个关键特征.
- 监督机器学习在原始,78个特征和7个特征数据集上实现了可比的预测性能.
结论:
- 基于图形和投影的方法对于解释16S rRNA基因测序数据是有效的.
- 机器对精细特征的学习提供了强大的预测性能.
- 特定的微生物如 Bacteroides, Prevotella 和 Fusobacterium 是患者状况的关键预测因素.
