摘要
基于微生物组的多种神经系统疾病分类面临着特征稀疏、类别不平衡以及研究间异质性的挑战。我们提出了多流自适应特征集成（MASFI），该方法将经过 CLR 转换的属水平特征、分类学衍生特征以及自监督分类单元令牌 Transformer 表示相结合，应用于一种具有袋外动态不确定性采样的随机森林分类器中。我们使用 4049 份来自阿尔茨海默病（AD）、自闭症谱系障碍（ASD）、帕金森病（PD）参与者及健康对照的粪便 16S rRNA 基因扩增子测序样本评估了 MASFI。通过五折分层交叉验证，将 MASFI 与常规机器学习和监督神经基准模型进行了比较。消融分析评估了各特征流的贡献，而区块和分类单元水平的置换分析则刻画了拟合分类器所使用的特征。包括 Romboutsia、Prevotella 和 Fusicatenibacter 在内的属被识别为模型预测的贡献因素。这些发现支持多流特征集成作为基于微生物组的多疾病分类方法。
