基于集成特征选择方法筛选的人类肠道微生物群炎症性肠病生物标志物
定量方法
2020-01-10 v1 机器学习
基因组学
机器学习
摘要
下一代测序与组学技术的巨大进步使得表征人类肠道微生物组（栖息于我们胃肠道中的微生物群落的集体基因组）成为可能。虽然其中一些微生物被视为我们免疫系统的重要调节者，但另一些则可导致多种疾病，如炎症性肠病（IBD）、糖尿病和癌症。IBD是一种肠道相关疾病，其中健康肠道微生物组的偏离被认为与IBD有关。尽管现有研究试图揭示与IBD疾病相关的肠道微生物组组成，但完整的图景远未形成。由于宏基因组学研究的复杂性，最先进的机器学习技术的应用已变得流行，以解决宏基因组数据分析领域中的广泛问题。在这方面，本研究使用IBD相关的宏基因组数据集，利用有监督和无监督机器学习算法：i）生成辅助IBD诊断的分类模型，ii）发现IBD相关生物标志物，iii）使用k均值和层次聚类找出IBD患者的亚组。为处理特征的高维性，我们应用了稳健的特征选择算法，如条件互信息最大化（CMIM）、基于快速相关性的过滤（FCBF）、最小冗余最大相关（mRMR）和极端梯度提升（XGBoost）。在采用10折交叉验证的实验中，XGBoost在减少用于IBD诊断的微生物群方面效果显著，从而降低了成本和时间。我们观察到，与单一分类器相比，kNN和logitboost等集成方法在IBD分类中获得了更好的性能度量。
引用
@article{arxiv.2001.03019,
title = {Inflammatory Bowel Disease Biomarkers of Human Gut Microbiota Selected via Ensemble Feature Selection Methods},
author = {Hilal Hacilar and O. Ufuk Nalbantoglu and Oya Aran and Burcu Bakir-Gungor},
journal= {arXiv preprint arXiv:2001.03019},
year = {2020}
}
备注
9 pages, 10 figures