青岛大学发表基于深度学习和宿主信息嵌入的微生物组多标签疾病检测研究

基于深度学习和宿主信息嵌入的微生物组多标签疾病检测

Host-Variable-Embedding Augmented Microbiome-Based Simultaneous Detection of Multiple Diseases by Deep Learning

Research Article, 2023-06-22, Advanced Intelligent Systems

DOI：10.1002/aisy.202300342

原文链接：https://onlinelibrary.wiley.com/doi/10.1002/aisy.202300342

第一作者：Shunyao Wu, Zhiruo Li

通讯作者：Xiaoquan Su

主要单位：青岛大学计算机科学与技术学院

- 摘要 -

微生物组已成为一种检测或预测疾病的重要指标。然而，以往的研究通常将每个样本仅标记为患有某一种特定疾病（或健康对照），忽视了实际队列中广泛存在的并发症或共存病。例如，一名患者可能同时患有多种疾病，往往会干扰健康状况的检测。此外，宿主表型（如生理特征和生活方式等）也会改变微生物组的结构，但这些信息尚未在数据模型中得到充分利用。为了解决上述问题，我们提出了一种名为Meta-Spec的深度学习方法。该方法采用深度神经网络（DNN），将经过精炼的宿主变量与微生物组特征进行编码和嵌入，从而实现了同时检测多种疾病的能力。在多个人群队列上的实验表明，Meta-Spec筛查疾病方面的表现优于常规机器学习策略。更重要的是，Meta-Spec成功检测出了其他方法常常忽视的共存病。此外，Meta-Spec具有很高的可解释性，能够从宿主变量和微生物中捕捉到影响疾病检测的关键因素。这些工作提高了基于微生物组疾病筛查的可行性和灵敏度，让个性化医疗走向实际应用迈出了重要一步。

关键词：

微生物组（microbiome），多标签分类（multi-label classification），宿主变量（host variable），深度学习（deep learning），疾病检测（disease detection）

引言：

人体微生物组的动态变化与多种疾病密切相关。近年来，微生物组数据的数量和多样性不断增加，促使机器学习被广泛应用到基于微生物组的疾病检测和识别。通常，机器学习分类器采用不同健康状况下微生物组的分类学特征或功能信息作为特征，并构建分类模型来预测新样本的状态。在此场景下，用于研究的微生物组队列通常是经过精心设计的，每个样本只标注一种确定的状态（“标签”）：要么健康，要么患有某一种特定的疾病。这样做可以减少实验设计中复杂因素的干扰，促使“单标签分类”成为微生物疾病检测的传统策略（图1a）。然而，在实际队列中，并发症或共存病很普遍（图1b）。例如，在美国肠道项目（American Gut Project；AGP）中，约61%的患者被诊断患有至少两种疾病。我们最近的研究表明，尽管患有并发症的肠道微生物组与患有单一疾病的肠道微生物组具有共同的生物标记物，但它们在分布上存在显著区别。因此，并发症和共存病会严重干扰疾病的检测。

另一方面，人类本身的生活方式和生理变量与各种疾病有着密切联系，这也会干扰基于微生物组的健康状态识别。例如，年龄是心血管疾病的主要风险因素之一，也与克罗恩病有关。此外，体形和体重指数可以作为代谢综合征和Ⅱ型糖尿病的预测因子。这些宿主变量提供了有助于疾病预测和诊断的重要信息。然而，许多现有的机器学习分类器仅关注分析微生物组特征，如微生物多样性、丰度和组成，却忽视了宿主信息数据在疾病筛查中的潜力。尽管这些微生物特征在疾病筛查和预测中非常重要，但它们并不是判断疾病风险的唯一因素。

为此，我们提出一种利用微生物组数据和宿主信息进行多标签疾病分类的深度学习方法Meta-Spec。Meta-Spec基于MMoE （Multi-gate Mixture-of-Experts）模型和交叉网络，能够通过整合基因型数据（从序列中提取的微生物组特征）和表型数据（宿主变量）同时检测多种疾病。此外，与其他缺乏可解释性的神经网络不同，Meta-Spec可以通过在状态分类中的相对贡献来量化每个特征因素对每种疾病检测的重要性。在多个队列上的实验结果表明，我们的方法在共存病筛查和疾病相关性捕获方面的表现优于传统机器学习分类策略，同时还能深入了解每种特定疾病的潜在机制。