确定微生物组-代谢学与稳定特征选择集成的最佳机器学习方法

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.
• 生物信息学是一种生物信息学.

背景情况:

• 微生物组研究面临的挑战是由于方法上的不一致性和基于DNA的分析的功能洞察力有限.
• 多omics集成提供了一个有前途的途径,以连接微生物组组成与功能,但缺乏标准化的方法和一致的机器学习策略,阻碍可重现性.
• 机器学习模型中的特征选择的稳定性对于多omics微生物组数据对于实验验证和生物标志物发现至关重要,但仍未得到充分探索.

研究的目的:

• 系统地比较不同机器学习算法和微生物组数据的多omics集成策略的性能和特征选择稳定性.
• 为了评估特征减少,数据维度和响应类型对预测性能和特征选择稳定性的影响,在多omics微生物组建模.

主要方法:

• 弹性网,随机森林和XGBoost算法的系统比较.
• 评估了五种多学科整合策略:连锁,平均堆积,加权非负最小平方 (NNLS),拉索堆积和部分最小平方 (PLS).
• 在588个二进制和735个连续模型的性能评估中,使用微生物组衍生代谢学和分类学数据,包括对特征减少影响的分析.

主要成果:

• 随机森林与加权非负最小平方 (NNLS) 结合,在各种数据集中显示出最高的整体预测性能.
• 基于树的方法,包括随机森林,在不同的数据类型和维度中表现出一致的特征选择稳定性.
• 整合策略,算法选择,数据维度和响应类型在多omics微生物组模型中显著影响预测准确性和选择特征的可靠性.

结论:

• 随机森林和NNLS的结合为多omics微生物组数据集成和分析提供了强大的方法.
• 从基于树的方法中进行一致的特征选择支持它们在确定下游验证的关键微生物和代谢特征方面的实用性.
• 机器学习方法和整合策略的标准化对于推进可复制和可靠的微生物组多omics研究至关重要.