基于图神经网络的微生物相互作用预测

预测种间相互作用是微生物生态学中的关键挑战，因为这些相互作用对于决定微生物社群的结构和活动至关重要。本文我们利用单株生长能力、与其他种的相互作用以及古树谱系数据来预测相互作用的负面或正面效果。更准确地说，我们使用来自 Nestor 等人 [28] 工作的其中一个最大可获得的两两相互作用数据集进行模型训练，包含超过 7500 种两两相互作用，涉及 20 个种来自两个分类学群，分别在 40 个不同的碳源条件下共培养，重点关注 Nestor 等人的工作。在本工作中，我们提出将图神经网络 (GNN) 作为预测相互作用方向的强大分类器。我们构建两两微生物相互作用的边缘图，以利用跨单个共培养实验的共享信息，并使用 GNN 预测相互作用模式。我们的模型不仅能预测二元相互作用 (正/负)，还能对更复杂的相互作用类型进行分类，如互惠共生、竞争和寄生。我们的初始结果令人鼓舞，实现 F1 分数 80.44%。这显著优于文献中类似方法，包括传统的极端梯度提升 (XGBoost) 模型，后者报告的 F1 分数为 72.76%。