个性化的肠道微生物分析结直肠癌分类可辩解的人工智能

肠道微生物组由一个复杂的人口不同种类的细菌,对人体健康至关重要。近年来,跨多个领域的科学家们已经发现,肠道微生物的变化可以导致各种各样的疾病,特别是结直肠癌(CRC)。多项研究表明,更高的某些细菌的丰度,如梭菌属nucleatum和Parvimonas微米,通常与CRC进展有关。

基于这些发现,研究人员已经开发出各种人工智能(AI)模型来帮助他们分析哪些细菌是有用的CRC生物标志物。然而,大多数的这些模型依赖于被称为“全球解释”,这意味着他们只能考虑整个输入的数据进行预测。结果,这样的模型无法识别细菌物种可能相关的CRC较小的生物标志物,less-representative组患者。

在这种背景下,一个研究小组从东京理工学院(日本技术),日本,决定采用一种不同的方法能够解决这个限制。概述了在他们的论文中,最近发表在基因组生物学,团队使用一个可辩解的AI框架,提供当地,而不是全球性的,解释其CRC预测。

“当地解释技术可以发现最贡献为每个CRC患者细菌,使我们能够检查inter-individual受试者在疾病组之间的差异,”Takuji山田副教授解释说,这项研究的主要作者。

该团队使用一个框架称为“夏普利添加剂解释”(世鹏科技电子),起源于一个概念博弈理论沙普利值。简而言之,沙普利值告诉我们如何支付应该分布在联盟的球员或组。同样的,在他们的研究中,研究小组使用世鹏科技电子计算的贡献细菌种类每个CRC预测。

使用这种方法以及五个CRC数据集的数据,研究人员发现,突出世鹏科技电子值到一个二维(2 d)空间允许他们看到健康的明确划分和CRC科目。集群这个二维信息导致了四个不同的子组CRC主题,每个不同的CRC概率和相关的细菌。

此外,研究小组发现,受试者在CRC CRC概率最高的子组总是有丰富的细菌通常与CRC相关联。最值得注意的是,在五个数据集的结果一致,展示该方法的广泛适用性。

这些可喜的成果,团队预计他们的方法作出坚实的贡献在肠道微生物研究社区。

“考虑到增加microbiome-disease协会中使用机器学习的研究,我们的方法可以是有益的更个性化微生物组数据探索以及帮助发现潜在疾病子组及其相关的潜在生物标记,”山田博士推测。此外,这项技术也适用于其他疾病的链接肠道微生物组,如溃疡性结肠炎、慢性疾病和糖尿病。