由肠道元基因组衍生的图像增强和深度学习提高了代谢疾病分类的预测准确性
Hui-Yi Zheng1, Hua-Xuan Wu1, Zhi-Qiang Du1
1College of Animal Science and Technology, Yangtze University, Jingzhou 434025, China.
Yi chuan = Hereditas
|October 23, 2024
概括
这项研究引入了一种使用图像增强和深度学习进行人类肠道元基因组分析的新框架. 增强的多层感知子模型准确预测代谢疾病,优于其他机器学习方法.
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:
- 统计和机器学习方法对于分析肠道微生物转基因组及其与代谢疾病的联系至关重要.
- 了解这些关系有助于功能注释和微生物社区的发展.
研究的目的:
- 为肠道元基因组图像增强和人类代谢疾病分类的深度学习提出一个可扩展的框架.
- 评估各种机器学习和深度学习模型在增强肠道元基因组数据上的性能.
主要方法:
- 肠道元基因组数据样本被转化为图像,并使用随机旋转和噪声加法等技术进行增强.
- 机器学习 (逻辑回归,SVM,贝叶斯网络,随机森林) 和深度学习 (MLP,CNN) 模型用于分类.
- 使用准确度,精度,回忆,F1分数,AUC和10倍交叉验证来评估性能.
主要成果:
- 与CNN,LR,SVM,BN,RF和PopPhy-CNN相比,多层感知器 (MLP) 模型表现出更高的性能.
- 数据增强显著改善了MLP和CNN模型的性能,将准确度提高了4%-11%,F1得分提高了1%-6%,AUC提高了5%-10%.
结论:
- 人体肠道元基因组图像增强与深度学习相结合,有效提取微生物特征,以准确预测宿主疾病表型.
- 拟议的框架为基于肠道微生物数据的代谢性疾病分类提供了一个有希望的方法.
