可解释的机器学习算法揭示了与阿托皮性皮肤炎相关的肠道微生物组特征.
Jingtai Ma1,2, Yiting Fang1,2, Shiqi Li1,2
1National Medical Products Administration (NMPA) Key Laboratory for Safety Evaluation of Cosmetics, Guangdong Provincial Key Laboratory of Tropical Disease Research, School of Public Health, Southern Medical University, Guangzhou, China.
Frontiers in immunology
|May 16, 2025
概括
机器学习确定了与阿托皮性皮肤炎相关的关键肠道细菌. 双菌 (Bifidobacterium) 成为一个关键因素,有助于了解针对性治疗的肠道微生物群.
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.
- 皮肤病学 皮肤病学
背景情况:
- 肠-皮肤轴与亚托皮炎的发展和症状有关.
- 对肠道菌群的定量查对于理解这种联系至关重要.
研究的目的:
- 构建一个可解释的机器学习框架,用于定量选关键肠道菌群.
- 为了确定与亚托皮性皮肤炎相关的显著肠道微生物特征.
主要方法:
- 使用五种机器学习模型 (随机森林,LightGBM,XGBoost,SVM,物流回归) 分析了16S rRNA数据集.
- 应用中心日志比率转换和SHAP (夏普利添加式扩展) 值来解释特征.
- 对验证分区的模型性能评估.
主要成果:
- 随机森林在以树为基础的模型中表现优越.
- 在所有模型中,Bifidobacterium被确定为亚托邦性皮炎最强的预测因素.
- SHAP分析显示了肠道微生物群组成的定量差异.
结论:
- 与SHAP值集成的机器学习模型提供了一种方法来定量选在亚托皮炎中关键的肠道菌群.
- 这种方法为临床医生提供了对16S rRNA测序数据的直观理解.
- 这些发现支持精准医学的进步,用于治疗和恢复亚托邦性皮炎.
更多相关视频
05:28Analysis of Fecal Microbiota Dynamics in Lupus-Prone Mice Using a Simple, Cost-Effective DNA Isolation Method
Published on: May 2, 2022
2.0K
09:32Resolving Water, Proteins, and Lipids from In Vivo Confocal Raman Spectra of Stratum Corneum through a Chemometric Approach
Published on: September 26, 2019
7.1K
