M³HOGAT:一个多视图多模式多尺度高序图注意网络用于微生物疾病协会预测

科学领域:

• 微生物学 微生物学
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 越来越多的证据将人类微生物群的多样性与复杂疾病联系起来.
• 传统的实验方法用于识别微生物与疾病的关联是昂贵和耗时的.
• 计算方法对于有效预测微生物与疾病的关系至关重要.

研究的目的:

• 提出一种新的计算模型,M3HOGAT,用于预测微生物与疾病的关联.
• 为了利用多视图,多模式网络集成和多尺度特征融合,提高预测准确度.
• 为传统实验方法提供更有效,更具成本效益的替代方案.

主要方法:

• 构建一个微生物疾病协会网络,并使用多来源信息进行多重相似的观点.
• 开发一个高阶图形注意网络 (HOGAT) 来汇总来自不同顺序的邻近信息以提取特征.
• 实施多级特征融合机制,从不同视角学习相互作用信息.
• 使用内部产品解码器重建微生物疾病关联矩阵.

主要成果:

• 与HMDAD和Disbiome数据集上的五种最先进的方法相比,M3HOGAT表现出优越的性能,这得到了5倍交叉验证的证实.
• 关于喘和肥胖的案例研究验证了该模型在识别潜在的疾病相关微生物方面的有效性.
• 多视图,多模式网络和多尺度特征融合方法显著提高了预测准确性.

结论:

• M3HOGAT提供了一个有效的计算框架,用于预测微生物与疾病的关联.
• 该模型能够整合多样化的数据源和特征,从而增强对人类微生物组在疾病中的作用的理解.
• 这种方法对未来基于微生物组的诊断和治疗研究有重大影响.