利用机器学习和进化特征选择方法来识别1型糖尿病的肠道微生物组特征

《BMC Microbiology》：Identifying gut microbiome signatures of type 1 diabetes using machine learning and evolutionary feature selection

　　

摘要

背景

1型糖尿病（T1D）与肠道微生物组的改变 increasingly 相关。然而，分类分辨率、特征选择策略和机器学习方法对基于微生物组的预测的影响尚未完全明了。

方法

我们分析了来自两个地理队列的公开可用的16S rRNA基因测序数据集，以评估基于微生物组的T1D预测。在多个分类水平上构建了微生物特征，并保留了完整的层次分类路径以维持系统发育结构。使用分层交叉验证和跨队列验证框架训练了机器学习模型。通过二进制粒子群优化（BPSO）进行特征选择，以识别紧凑且具有预测性的微生物特征。模型性能通过AUC、准确率、F1分数和马修斯相关系数进行评估。使用LinDA框架进行的差异丰度分析有助于对选定的分类单元进行生物学解释。

结果

基于树的模型，特别是随机森林（Random Forest）和XGBoost，在各种分类表示中实现了最强的预测性能。分类分辨率影响了模型行为：家族级别的特征在特征集较紧凑的情况下表现出较强的性能，而更高分辨率的表示尽管复杂性增加，但并未一致地提高性能。BPSO在各种验证框架中持续识别出被选中的分类单元，表明这些分类单元具有稳定的预测特征。其中一些分类单元与炎症或代谢改变的肠道环境有关。跨队列验证的结果显示性能低于研究内模型，突显了泛化的挑战。

结论

将机器学习与基于BPSO的特征选择相结合，为识别与T1D相关的预测性微生物特征提供了一个有效的框架。我们的发现强调了分类分辨率、特征稳定性和跨队列验证在基于微生物组的预测建模中的重要性。将进化特征选择与机器学习和生物学验证相结合，可能提高候选微生物特征的鲁棒性和可解释性。