利用人工智能为微生物组决策:来自波斯尼亚和黑塞哥维那的儿童的自闭症谱系障碍
Džana Bašić-Čičak1, Jasminka Hasić Telalović1, Lejla Pašić2
1Computer Science Department, University Sarajevo School of Science and Technology, Hrasnička cesta 3a, 71000 Sarajevo, Bosnia and Herzegovina.
Diagnostics (Basel, Switzerland)
|November 27, 2024
概括
研究人员在患有自闭症谱系障碍 (ASD) 的儿童中发现了明显的肠道微生物群差异. 机器学习模型准确地区分了神经类型儿童和自闭症儿童,显示了诊断应用的潜力.
科学领域:
- 微生物组研究的研究.
- 神经发育障碍 神经发育障碍
- 计算生物学是一种计算生物学.
背景情况:
- 肠道微生物组组成越来越多地被认为在各种健康状况中发挥作用,包括自闭症谱系障碍 (ASD).
- 了解ASD中的微生物差异对于开发新的诊断和治疗策略至关重要.
- 以前的研究表明,肠道微生物群和神经发育条件之间存在联系.
研究的目的:
- 分析来自波斯尼亚和黑塞哥维那儿童的肠道微生物群样本,以确定神经类型儿童与ASD儿童之间的微生物差异.
- 根据微生物数据,开发和评估机器学习分类器,以区分这两个组.
- 使用外部数据集评估开发模型的可通用性.
主要方法:
- 从60个肠道微生物组样本 (44个ASD,16个神经类型) 中分析了16S rRNA基因序列.
- 应用四种机器学习算法 (随机森林,支持向量分类,梯度增强,极端随机树分类器) 来分类组.
- 使用基因级细菌丰富度和KEGG功能途径开发分类模型.
- 使用独立的外部数据集评估模型准确性和概括性.
主要成果:
- 机器学习模型实现了高分类准确性,随机森林和极端随机树分类器使用类型级别的类型达到80%.
- 随机森林模型在利用预测的KEGG功能途径时表现出强的表现 (78%).
- 外部验证证实了模型的通用性,在独立数据集上保持79%的高精度.
结论:
- 在神经类型儿童和ASD儿童之间发现了显著的肠道微生物群差异.
- 机器学习分类器,特别是随机森林和极端随机树分类器,在区分群体方面表现出强大的准确性.
- 经过验证的模型显示出在ASD诊断中的潜在应用的希望,利用肠道微生物组数据.
