一个全面的机器学习方法用于COVID-19在小分子代谢中的目标发现
Md Shaheenur Islam Sumon1, Md Sakib Abrar Hossain2, Haya Al-Sulaiti3,4
1Department of Electrical Engineering, Qatar University, Doha P.O. Box 2713, Qatar.
Metabolites
|January 24, 2025
概括
鼻代谢学与机器学习相结合,可以准确预测COVID-19,流感和RSV等呼吸道病毒. 这种方法可以识别关键的代谢物,以改善呼吸道感染的诊断和管理.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 传染病诊断 传染病诊断 传染病诊断
背景情况:
- 呼吸道病毒 (流感,RSV,COVID-19) 由于重叠的症状和不断演变的菌株,存在诊断挑战.
- 准确及时诊断对于有效管理呼吸道感染至关重要.
- 目前的诊断方法,如PCR测试,在速度和范围上面临限制.
研究的目的:
- 用鼻代谢组数据预测呼吸道病毒感染情景.
- 开发一个先进的诊断框架,利用机器学习和代谢学.
- 确定关键的代谢生物标志物,以区分呼吸道病毒.
主要方法:
- 利用基于堆叠的集体机器学习技术集成最高性能模型.
- 采用特征排名,标准缩放和SMOTE来增强模型的稳定性和解决阶级不平衡.
- 应用SHAP分析以确定影响病毒预测的显著代谢物.
主要成果:
- 整体模型在预测呼吸道病毒情景方面表现出卓越的表现.
- 确定了用于COVID-19预测的关键代谢物,包括lysophosphatidylcholine acyl C18:2,kynurenine,phenylalanine,valine,tyrosine和酸.
- 该方法成功地区分了对照病毒,单个病毒和组合病毒.
结论:
- 鼻代谢组数据对于预测呼吸道病毒感染是有效的.
- 基于堆叠的组合技术显著提高了预测的准确性.
- 该研究提供了一个强大的框架,并确定了用于呼吸道病毒诊断的潜在生物标志物.
