使用人工神经网络预测细菌性阴道病的发展

科学领域:

• 微生物学 微生物学
• 计算生物学 计算生物学
• 妇科 妇科 妇科 妇科

背景情况:

• 细菌性阴道炎 (BV) 是一种阴道微生物组失调症,与枯竭的*乳酸菌*物种和增加的无氧生物有关.
• 早期发现事件BV (iBV) 对于及时干预和管理至关重要.
• 人工神经网络 (ANN) 建模为分析复杂微生物社区数据提供了一种新的方法.

研究的目的:

• 使用阴道微生物数据开发和验证用于早期检测发生的BV (iBV) 的ANN模型.
• 识别导致BV预测的关键阴道细菌种群.
• 评估种族分层数据对模型性能的影响.

主要方法:

• 使用16S rRNA基因测序和定量PCR来确定阴道细菌种群的推断绝对丰度 (IAA).
• 通过使用来自420个阴道样本的IAA数据来训练ANN模型,以将样本分类为iBV前或健康.
• 进行了特征重要性分析,以确定对模型预测的显著微生物贡献者.

主要成果:

• 在使用20种类型的ANN模型中,在分类iBV前和健康标本时,ANN模型获得了高准确度 (>97%),灵敏度 (>96%) 和特异性 (>98%).
• 优秀的预测性能 (>97%准确度) 即使在仅对前五个最重要的特征进行训练的模型中也保持不变.
• 种族分层模型表现出更好的准确性,三特征模型在白人和黑人参与者中都实现了>96%的准确性.

结论:

• ANN建模是使用阴道微生物组组成早期检测发生的BV (iBV) 的高度准确的方法.
• 一小组关键的阴道类型组可以有效地预测BV状态,简化诊断方法.
• 按种族分层的模型可能会提高预测准确度,强调需要考虑特定人群的微生物模式.