牙损数据流的模块化深度学习管道:一个双队列的概念验证
Ștefan Lucian Burlea1, Călin Gheorghe Buzea2,3, Florin Nedeff4
1Dentoalveolar Surgery, Faculty of Medicine, University of Medicine and Pharmacy "Grigore T. Popa" Iași, 700115 Iași, Romania.
Dentistry journal
|September 26, 2025
概括
这项研究表明,深度学习模型可以整合放射性,微生物组和转录组数据用于牙损伤研究,即使使用非对齐的数据集. 这些发现证实了口腔微生物群中的遗传性模式,为未来的临床应用铺平了道路.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 口腔健康研究 口腔健康研究
背景情况:
- 牙损伤是由于口腔微生物群,宿主免疫力和牙下降之间的复杂相互作用造成的.
- 整合放射性,微生物组和转录基因数据用于虫分析是具有挑战性的,因为数据集不对齐.
- 深度学习显示出基于图像的虫检测有前途,但多omics集成是有限的.
研究的目的:
- 评估独立的深度学习管道的可重现性,用于无线图细分,微生物组回归和转录组回归的非对齐数据集.
- 用匹配的双胞胎队列证明估计口腔微生物群遗传性的可行性.
- 建立一个可扩展和可重复的框架,用于整合性牙损伤研究.
主要方法:
- 一个带有ResNet-18编码器的U-Net模型被训练在X射线图上进行脏严重程度评分.
- 送神经网络 (FNN) 在16SrRNA和转录组数据上使用合成目标进行训练,以测试管道的稳定性.
- 微生物组遗传性用布雷-库蒂斯不相似性量化在双胞胎对 (n=198) 中,FNN预测了脏病的数量.
主要成果:
- 在损伤区域细分方面,U-Net取得了显著的表现 (IoU=0.564) 并与手动得分相关 (r=0.62).
- 合成目标FNN显示没有预测能力,证实了管道完整性.
- 单胞胎双胞胎表现出比双胞胎双胞胎更高的微生物组相似性 (p=0.0005),表明遗传性;唾液特征与空有轻微的相关性 (r=0.25).
结论:
- 模块化深度学习管道是强大的,可以在非对齐的多omics数据上进行解释,用于牙虫研究.
- 放射性严重性是整合性分析的可转移量化特征.
- 这项研究证实了口腔微生物群的遗传性,并为未来在虫研究中的多组体临床转化提供了基础.
