使用惩罚性回归方法开发多种微生物组生物标志物
Thi Huyen Nguyen1, Ibrahim Hamad2, Markus Kleinewietfeld2
1Data Science Institute, Hasselt University, 3590 Diepenbeek, Belgium.
Journal of applied microbiology
|September 25, 2025
概括
这项研究引入了一种新的方法,用于识别多种微生物群生物标志物,以预测健康结果. 结合多种类型显著提高了连续和二进制临床结果的预测准确性.
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.
- 发现生物标志物的发现.
背景情况:
- 识别微生物组生物标志物对于了解健康和疾病至关重要.
- 以前的研究集中在单个生物标志物上,限制了全面的分析.
- 这项研究扩展了先前的工作,通过整合多种类型来识别生物标志物.
研究的目的:
- 开发和应用一种统一的方法来识别多种微生物组生物标志物.
- 为了提高使用微生物种群组合的临床结果的预测.
- 为了利用惩罚性回归技术来进行强大的生物标志物发现.
主要方法:
- 在信息理论框架内利用了LASSO和弹性网模型.
- 采用蒙特卡洛交叉验证,以确保可靠的功能选择.
- 将该方法应用于小鼠高盐饮食研究 (连续结果) 和CERTIFI克朗病研究 (二进制结果).
主要成果:
- 在使用前5个属的小鼠中,预测和观察到的瘤大小之间实现了高相关性 (0.9274).
- 通过多生物标志物得分,瘤大小预测的不确定性降低了67.92%.
- 使用前5个家族作为生物标志物显著改善了克罗恩病缓解的预测.
结论:
- 介绍了用于多种微生物组生物标记物识别的统一惩罚回归方法.
- 成功地将该方法应用于连续和二进制临床结果.
- 通过加强生物标志物检测,突出了个性化治疗和改善疾病管理的潜力.
