基于纵向微生物组的可解释机器学习,用于识别时间变化的生物标志物,用于早期预测疾病结果
Yifan Dai1, Yunzhi Qian2, Yixiang Qu1
1Department of Biostatistics, Gillings School of Global Public Health at University of North Carolina at Chapel Hill.
bioRxiv : the preprint server for biology
|November 28, 2024
概括
这项研究介绍了LP-Micro,这是一个新的机器学习框架,用于分析纵向微生物群数据. 它通过随着时间的推移识别微生物生物标志物来提高疾病的预测准确性.
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.
- 疾病建模 疾病建模
背景情况:
- 纵向微生物组数据为疾病发展和进展提供了洞察力.
- 识别时间变化的微生物生物标志物有助于了解病变发生,早期诊断和干预时间.
- 动态,杂的微生物组数据的预测建模带来了重大的分析挑战.
研究的目的:
- 引入LP-Micro,这是一个强大的和可解释的机器学习框架,用于纵向微生物组分析.
- 克服动态和杂微生物组数据预测建模方面的挑战.
- 识别微生物生物标志物及其随时间变化的影响,用于疾病预测.
主要方法:
- 长度微生物特征选使用多项式组激光.
- 通过机器学习方法 (XGBoost,深度神经网络) 预测疾病结果.
- 使用 permutation 的可解释关联测试具有重要的特征.
主要成果:
- 在模拟中,LP-Micro成功地识别了与疾病相关的微生物群.
- 该框架显示了比现有方法更好的预测准确性.
- 在儿童牙科疾病和减肥手术中的应用显示出高预测准确度.
结论:
- LP-Micro为分析纵向微生物组数据提供了一个强大的工具.
- 该框架增强了对微生物组在疾病进展中的作用的理解.
- 确定了关键的早期预测时间点与临床预期保持一致.


