预测过敏和产后抑郁症从一个不完整的组成微生物组

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:

• 高通量生物研究往往产生时间序列组成数据.
• 这些时间序列中缺少的数据点可以显著降低数据集的完整性和影响分析.
• 从生物数据中准确预测健康结果至关重要.

研究的目的:

• 开发和评估一种新的方法来对缺失值的组成时间序列数据进行二进制分类.
• 用纵向微生物组数据提高与健康相关结果的预测准确性.
• 为了确定特定健康状况的关键微生物特征.

主要方法:

• 提出了一种方法,将缺失值的归算,维度减小和组成数据的对数转换相结合.
• 利用人工数据与真实测量一起进行归算,以补充数据集.
• 将该方法应用于两项涉及肠道微生物组时间序列数据的案例研究.

主要成果:

• 从肠道微生物组数据成功预测婴儿的食物过敏,准确度为0.72.
• 从怀孕肠道微生物组数据预测产后抑郁症,准确度为0.62.
• 在微生物组时间序列中确定了细菌丰度的比率,作为抑郁症的统计学显著指标.

结论:

• 拟议的方法有效地处理组合时间序列中缺少的数据,以改进预测建模.
• 肠道微生物组的组成随着时间的推移是婴儿食物过敏和产后抑郁症的有价值预测因素.
• 微生物组衍生特征提供了对抑郁症的统计学上有意义的见解.