通过机器学习开发基于微生物的疾病诊断分类器的最佳实践
Peikun Li1, Min Li1, Wei-Hua Chen1,2
1Key Laboratory of Molecular Biophysics of the Ministry of Education, Hubei Key Laboratory of Bioinformatics and Molecular Imaging, Center for Artificial Intelligence Biology, Department of Bioinformatics and Systems Biology, College of Life Science and Technology, Huazhong University of Science and Technology, Wuhan, Hubei, China.
Gut microbes
|April 5, 2025
概括
使用机器学习 (ML) 来开发人类肠道微生物组的诊断模型需要优化工作流程. 这项研究确定了数据预处理,批量效应删除和算法选择的最佳实践,为疾病诊断创建了一个普遍适用的ML管道.
科学领域:
- 微生物组研究 微生物组研究
- 计算生物学 计算生物学
- 机器学习应用 机器学习应用
背景情况:
- 人体肠道微生物群在各种疾病中起着至关重要的作用.
- 机器学习 (ML) 提供了从微生物组数据开发诊断模型的潜力.
- 模型性能和通用性在很大程度上取决于预处理,批量效果删除和算法选择.
研究的目的:
- 建立一个普遍适用的机器学习工作流程,用于从人类肠道微生物群数据中构建诊断模型.
- 优化和对ML流程的每个步骤的不同工具和参数进行基准测试.
- 为未来基于微生物组的疾病诊断提供全面的指导方针.
主要方法:
- 顺序优化了三个关键的ML步骤:数据预处理,批量效果删除和算法选择.
- 利用20种疾病的83个肠道微生物群进行优化和基准测试.
- 测试了156种工具-参数-算法组合,使用内部和外部AUC来评估性能.
主要成果:
- 确定了回归和非回归算法的最佳数据预处理方法.
- 从 sva R 包中的"ComBat"功能被确定为有效的批量效应去除方法.
- 发现Ridge和Random Forest算法是表现最好的ML算法.
结论:
- 开发的优化工作流通常适用于各种疾病.
- 该工作流显示了与以前的疾病特异性优化方法相比较的性能.
- 这为开发基于微生物组的诊断模型提供了强有力的指导方针,推进了医学诊断.
