使用双通道图形和超图形卷积网络来发现微生物的潜在疾病特征.
Jing Chen1, Leyang Zhang1, Zhipan Liang2
1The School of Electronic and Information Engineering, Suzhou University of Science and Technology, Suzhou 215009, China.
一个新的计算框架,DCGHCN,有效地识别与疾病相关的微生物. 这种方法加速了发现,为疾病诊断和治疗提供了比传统实验更快,更具成本效益的替代方案.
科学领域:
- 微生物学 微生物学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 识别与疾病相关的微生物对于开发新的诊断和治疗策略至关重要.
- 发现微生物与疾病的关联的传统实验方法耗时且昂贵.
- 需要有效的计算方法来加快这些关联的识别.
研究的目的:
- 提出一个创新的计算框架,双通道图形和超图形卷积网络 (DCGHCN),用于发现微生物潜在的疾病特征.
- 通过提供更快,更具成本效益的计算解决方案来解决传统实验方法的局限性.
- 准确预测微生物疾病关联 (MDA) 并验证模型的有效性.
主要方法:
- 使用K-近邻 (KNN) 原则构建微生物和疾病的属性图.
- 使用图形卷积网络 (GCNs) 来捕获属性图表中的隐性表示.
- 采用了双通道结构,将GCN和超图卷积网络 (HGCN) 结合起来,并将KNN纳入缺失值赋值.
主要成果:
- 该DCGHCN模型实现了高性能指标:AUC为0.9415,AUPR为0.7637,F1得分为0.7515,精度为0.9818,使用5倍交叉验证进行评估.
- 针对两个选定的疾病的案例研究表明,预测的微生物与疾病的关联在很大程度上得到了现有文献的证实.
- 该模型有效地处理了相关性矩阵中缺失的值,展示了它的稳定性.
结论:
- DCGHCN是一种有效和高效的计算工具,用于发现与疾病特征相关的微生物.
- 集成GCN和HGCN的双通道架构显著提高了预测准确度.
- 这种方法为加速基于微生物组的疾病诊断和治疗研究提供了一个有希望的途径.
更多相关视频
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
相关概念视频
Two-Dimensional Microscopy in Microbiology
Three-Dimensional Microscopy in Microbiology
Methods to Assess Microbial Communities
Investigation of Disease Outbreaks
Rapid Identification of Pathogens
Automated Microbial Diagnostics
