DepMicroDiff：基于依赖感知的微生物数据的扩散式多模态插值
机器学习
2025-08-01 v1 计算机视觉与模式识别
摘要
微生物数据分析是理解宿主健康与疾病的关键，但其内在稀疏性和噪声为准确插值带来了主要挑战，阻碍了下游任务如生物标志物发现。现有插值方法，包括最近的扩散模型，往往无法捕捉微生物群落之间复杂的相互依赖关系，或忽略可为插值提供信息的上下文元数据。我们引入DepMicroDiff，一种新框架，将基于扩散的生成模型与依赖感知转换器（DAT）相结合，显式捕捉双向成对依赖和自回归关系。DepMicroDiff通过VAE在多样化癌症数据集上进行预训练，并利用大型语言模型（LLM）对患者元数据进行编码进行条件化。TCGA微生物数据集上的实验表明，DepMicroDiff在状态-of-the-art基线上显著优于，实现Pearson相关系数最高达0.712、余弦相似性最高达0.812，以及在多个癌症类型上的RMSE和MAE显著降低，展示了其在微生物插值中的鲁棒性和可泛化性。
引用
@article{arxiv.2507.23676,
title = {DepMicroDiff: Diffusion-Based Dependency-Aware Multimodal Imputation for Microbiome Data},
author = {Rabeya Tus Sadia and Qiang Cheng},
journal= {arXiv preprint arXiv:2507.23676},
year = {2025}
}