乌曼:基于肠道植物的疾病预测无监督的多图合并对抗网络

科学领域:

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

背景情况:

• 肠道菌群的丰富与人类疾病相关,但疾病是由复杂的微生物相互作用引起的,而不是单一的微生物.
• 从肠道微生物群数据中预测疾病是很困难的,因为微生物在宿主之间存在复杂和隐含的关联.
• 现有的预测方法难以捕捉这些复杂的微生物关系,限制了它们的性能.

研究的目的:

• 提出一种新的架构,无监督多图合并对抗网络 (UMMAN),用于无监督地学习肠道微生物之间的多重和隐含关联.
• 通过有效地从宿主数据中学习微生物间的关联来提高肠道菌群疾病的预测.
• 引入一种新的方法,将图形神经网络与肠道微生物组疾病预测相结合.

主要方法:

• 开发了UMMAN,这是一个无监督的架构,利用图形神经网络从多图形中学习节点嵌入.
• 构建了一个具有多个关系类型的原始图形和一个通过节点中断的混合图形.
• 引入了一个节点特征全球集成 (NFGI) 模块和一个关节损失函数 (对抗性和混合注意力损失) 用于图形嵌入对齐.

主要成果:

• 乌曼成功地学习了肠道微生物之间的多重和隐性关联,并以无监督的方式进行.
• 该方法在五个基准OTU肠道微生物组数据集中证明了有效性和稳定性.
• 通过捕捉复杂的微生物相互依赖,在肠道菌群疾病预测方面取得了更好的表现.

结论:

• 乌曼代表了利用图形神经网络来预测肠道微生物组疾病的重大进步.
• 提出的方法有效地模拟了复杂的微生物相互作用,克服了以前方法的局限性.
• 基于肠道菌群的组成,UMMAN提供了一种强大而稳定的解决方案,用于预测疾病.