米甲:可解释的人工智能,可从微生物组成和代谢学数据中预测宿主状态

科学领域:

• 微生物组研究的研究.
• 代谢学 代谢学 代谢学
• 主体微生物群的相互作用
• 人工智能的人工智能

背景情况:

• 代谢物对宿主健康和微生物群相互作用至关重要.
• 现有有限的计算工具可以将微生物组和代谢组数据与宿主状态联系起来.
• 了解这些联系对于疾病的诊断和治疗至关重要.

研究的目的:

• 开发一种计算工具,用配对的微生物和代谢学数据来预测宿主状态.
• 创建一个可解释的深度学习模型,结合生物知识.
• 为了解决当前对宿主微生物组分析的计算方法的局限性.

主要方法:

• 开发了MMETHANE,这是一个集成遗传学和化学关系的深度学习模型.
• 在六个不同的数据集上训练并验证了MMETHANE,并对结合了微生物和代谢测量.
• 利用炎症性肠病数据集的案例研究来证明生物学见解.

主要成果:

• 在多个数据集中,MMETHANE的性能始终与现有方法相当或超过现有方法.
• 与其他技术相比,该模型在80%的评估数据集上表现出优异的性能.
• 在案例研究中,MMETHANE成功地确定了微生物,代谢物和疾病状态之间的生物学意义上的联系.

结论:

• MMETHANE是一个开源的,可解释的AI软件包,用于微生物组研究.
• 该工具增强了对微生物-代谢物-宿主相互作用的调查,有助于了解疾病机制.
• 甲促进了对受微生物群影响的人类疾病的改善诊断和治疗策略.