微生物疾病关联预测通过图表规范的非负矩阵因子化与规范规范化术语
Ziwei Chen1, Liangzhe Zhang1, Jingyi Li1
1School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing, China.
Journal of cellular and molecular medicine
|September 6, 2024
概括
我们开发了iPALM-GLMF,这是一种新的计算方法,用于预测微生物疾病的关联,有助于生物标志物发现和疾病治疗. 这种方法在准确性和可解释性方面优于现有的方法.
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:
- 微生物在生物过程和疾病的发病过程中起着至关重要的作用.
- 识别微生物与疾病的关联对于开发复杂人类疾病的生物标志物和治疗点至关重要.
- 传统的实验方法用于微生物与疾病的关联是昂贵和耗时的.
研究的目的:
- 引入iPALM-GLMF,一种用于预测微生物疾病关联的新型计算方法.
- 提高微生物疾病关联预测的准确性和可解释性.
- 为实验方法提供一种有效的替代方案.
主要方法:
- 模拟的微生物疾病关联预测作为非负矩阵因子化与图形双调整和L1规范调整.
- 用于初始化的非负的双个数值分解.
- 为了优化,利用了一个惯性近接交替线性最小化代过程.
主要成果:
- 与现有的方法相比,iPALM-GLMF在离开一次和五倍交叉验证方面表现优越.
- 案例研究证实了该方法在预测潜在的微生物疾病关联方面的有效性.
- 该方法提高了特征矩阵的稀疏性和可解释性.
结论:
- iPALM-GLMF是一种有效且准确的计算工具,用于预测微生物与疾病的关联.
- 该方法为识别潜在的微生物生物标志物和药物点提供了有价值的方法.
- 开发的模型是公开可用的,用于更广泛的研究应用.
