Ordering taxa in image convolution networks improves microbiome-based machine learning accuracy

https://www.tandfonline.com/doi/full/10.1080/19490976.2023.2224474

1. 本研究の学術的な背景と研究が解決する問題は何ですか？
→ ヒトの腸内細菌叢は、多数の疾患病因に関連しています。そのため、多くの疾患や状態におけるマシンラーニングベースのバイオマーカー開発において自然な候補となっています。腸内細菌叢は、16S rRNA遺伝子シーケンシングやshotgun metagenomicsによってよく解析されます。しかし、微生物シーケンスに基づく研究には、均一でない表現、各サンプルの次元数に比べてサンプル数が少ないこと、データの疎らさ、多数の生物種が一部のサンプルにのみ存在するという問題があり、マシンラーニングの適用が困難です。

2. 本研究の目的と独自性は何ですか？
→ 本研究では、腸内細菌叢の複雑なデータをマシンラーニングに適した形式に変換する手法であるiMicが提案されました。これにより、静的なマイクロバイオーム遺伝子シーケンスベースのマシンラーニングにおいて、iMicが最先端の手法よりも高い精度を発揮したことが示されました。また、iMicは、説明可能な人工知能アルゴリズムを利用することで、各状態に関連する生物種を検出することができます。

3. 研究の着想を得た経緯や、関連する国内外の研究動向とは何ですか？
→ 腸内細菌叢に関する研究は、近年、世界中で注目を浴びています。本研究は、腸内細菌叢の解析に用いられる16S rRNA遺伝子シーケンシングとshotgun metagenomicsにおけるマシンラーニングの適用において、問題解決を目指し、新しい手法iMicを提案しました。

4. 本研究で明らかにされた成果は何ですか？
→ 本研究では、iMicという新しい手法によって、静的なマイクロバイオーム遺伝子シーケンスベースのマシンラーニングにおいて、最先端の手法よりも高い精度が発揮されることが示されました。また、説明可能な人工知能アルゴリズムを利用することで、各状態に関連する生物種を検出することができます。

5. 本研究の有効性はどのように検証した？
→ 本研究では、iMicを用いて静的なマイクロバイオーム遺伝子シーケンスベースのマシンラーニングにおいて、最先端の手法よりも高い精度が発揮されることが示されました。