增强的可解释神经网络方法,用于统一的批量效应缓解和疾病分类,使用交叉队列微生物组配置文件

科学领域:

• 微生物学 微生物学
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 口腔微生物群包括700多种细菌,对口腔健康至关重要.
• 非生物因素在微生物组样本分析中引入批量效应,使解释复杂化.
• 现有的批量效应去除和分类方法往往是多步或低效的.

研究的目的:

• 开发一种统一的,单步的方法,同时减轻批量效应和分类口腔微生物群疾病.
• 评估LassoNet在处理批量效应和提高分类准确性的批量损失方面的有效性.
• 确定与疾病结果相关的关键口腔微生物组特征.

主要方法:

• 实施一种新型的一步计算模型,集成批量效应去除和疾病分类.
• 采用了LassoNet架构,具有特定的批量损失功能,用于同时处理.
• 在五个口腔微生物组数据集中验证了模型,将性能与基线模型进行比较.

主要成果:

• 建议的一步方法在五项研究中实现了0.8的曲线下的平均面积.
• 与现有的基线模型相比,在口腔微生物组分析中表现出优异的性能.
• 通过特征重要性分析,成功确定了与疾病状况相关的关键口腔微生物组特征.

结论:

• 一步式的LassoNet方法有效地解决了批量效应,并同时分类口腔微生物组相关疾病.
• 这种方法为传统的两步程序提供了更有效,更准确的替代方案.
• 特性重要性分析为口腔疾病的微生物生物标志物提供了宝贵的见解.