通过肠道微生物组16SrRNA测序数据对结直肠癌的可靠预测
Annamaria Porreca1, Eliana Ibrahimi2, Fabrizio Maturo3
1Department of Economics, Statistics and Business, Faculty of Economics and Law, Universitas Mercatorum, Rome, Italy.
Journal of medical microbiology
|October 8, 2024
概括
对肠道微生物组数据的机器学习分析显示,对早期结直肠癌 (CRC) 检测有前途. 模糊森林技术有效地识别微生物生物标志物,提供一种非侵入性诊断方法.
科学领域:
- 微生物组研究的研究.
- 计算生物学是一种计算生物学.
- 在瘤学瘤学.
背景情况:
- 人体肠道微生物组数据对早期结直肠癌 (CRC) 检测提出了挑战.
- 机器学习 (ML) 提供了一种非侵入性的方法来识别与CRC相关的微生物标记物.
- 经典的统计模型在高维微生物组数据方面遇到了困难.
研究的目的:
- 探索和验证人类结肠微生物群作为生物标志物的来源,用于CRC检测和进展.
- 开发一种使用便16S rRNA测序数据预测CRC存在的分类器.
- 将ML技术用于识别与CRC相关的微生物特征进行比较.
主要方法:
- 分析了三个已发表的便16SrRNA测序数据集.
- 机器学习技术的应用:随机森林 (RF),递归特征消除 (RFE) 和模糊森林 (FF).
- 利用部分依赖图表来解释和识别关键的微生物种类.
主要成果:
- 模糊森林 (FF) 显示出优越的预测性能比RF和RFE.
- 在评估微生物种群对CRC的重要性时,FF有效地解决了相关性问题.
- 人类微生物组具有作为非侵入性CRC检测工具的潜力.
结论:
- 经典的统计方法对于高维微生物组数据是有限的.
- 人类微生物组是CRC生物标志物的宝贵来源.
- 模糊森林 (FF) 是CRC检测分类器的一个有希望的ML方法,克服了相关性挑战.
