基于微生物组的病诊断的集体学习:从唾液和斑块元基因组数据的多组建模和生物解释

科学领域:

• 微生物组研究的研究.
• 医学中的人工智能
• 牙虫研究 牙虫研究

背景情况:

• 口腔微生物群对牙腐烂的发展有着显著的贡献.
• 大量的下一代测序数据仍未得到充分探索.
• 人工智能 (AI) 为分析大型生物数据集提供了强大的工具.

研究的目的:

• 开发人工智能驱动的牙病诊断模型.
• 为了确定与牙相关的关键微生物特征.
• 为人工智能驱动的微生物组分析建立计算框架.

主要方法:

• 从近600个唾液和斑块样本中使用元基因组和16S rRNA基因测序数据构建了虫AI训练数据集.
• 系统地比较了七个机器学习架构 (例如,CNN,变压器) 以开发特定子组的诊断模型.
• 集成集体学习以提高AI模型的概括性.

主要成果:

• 在诊断6岁以下儿童下皮时,达到最大AUC为1 (100%准确率).
• 识别了关键的相关物种 (例如,Streptococcus salivarius,Veillonella dispar) 和代谢途径 (例如,果糖生物合成).
• 观察到不同的微生物特征,其中Veillonella parvula在虫斑块和健康唾液中的丰度差异.

结论:

• 开发了可靠的AI诊断模型,用于儿童早期.
• 为人工智能驱动的口腔微生物组分析建立了强大的计算框架.
• 使用人工智能在微生物组研究中为数据挖掘和验证提供了新的视角.