一个可变的MLP类架构,用于从肠道元基因组数据进行疾病预测

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:

• 超基因组数据对于理解微生物疾病联系至关重要,但对于深度学习来说,它会带来诸如高维度和稀疏性等挑战.
• 使用遗传树转换元基因组数据,可以通过卷积神经网络 (CNN) 改进分类.

研究的目的:

• 介绍Metagenomic Permutator (MetaP),这是一个由可变MLP类架构启发的新型深度学习模型.
• 在2D矩阵中利用家族遗传信息,以增强元基因组数据分类.

主要方法:

• 开发了一种使用可变MLP类网络结构的超基因组变换器 (MetaP).
• 将MetaP应用于从元基因丰度数据和家族遗传树获得的二维矩阵.
• 为了模型的可解释性,使用了SHAP (夏普利添加式解释).

主要成果:

• 与现有的深度神经网络和传统机器学习方法相比,MetaP实现了竞争性性能.
• 该模型显示了多重分类任务和分析大样本大小的强大潜力.
• SHAP分析成功地确定了与特定疾病相关的微生物特征.

结论:

• 大基因组转换器 (MetaP) 提供了一个有前途的深度学习框架,用于大基因组数据分析.
• 该模型有效地捕获了家族遗传信息,提高了分类准确性和可解释性.
• MetaP显示了促进微生物组疾病研究的巨大潜力,特别是大规模数据集.