机器学习方法区分健康的男性 女性微生物组

为期一周的国际机器学习大会(ICML)于6月24日结束，最后一天包括2016年ICML计算生物学研讨会。加州大学圣地亚哥分校的教授Larry Smarr(计算机科学)和Rob Knight(儿科，计算机科学)以及Qualcomm Institute的数据科学家Mehrdad Yazdani参加了一个海报展示和论文“使用拓扑数据分析来发现人类微生物状态之间的歧视”微生物组数据。“ 借用最初来自拓扑学的统计方法，共同作者将拓扑数据分析(TDA)应用为“无监督学习和数据探索工具，以识别微生物状态的变化”。

Knight指导加州大学圣地亚哥分校的微生物创新中心，Smarr是这个校园中心的教员，该中心将微生物组研究人员与行业合作伙伴联系起来。Smarr指挥Calit2。“由于人类微生物组生态学在不同的身体部位和个体中存在显着差异，”Yazdani说，“了解生态学的方式和变化至关重要。”

Yazdani与Smarr和Knight密切合作，分析健康和病态受试者的人类微生物组中物种的菌落，特别是Smarr的未来患者项目。为了测试TDA方法，他们使用了先前公布的来自三个不同位点(口，手和肠)和两个健康受试者(一个女性，一个男性)的微生物组的高分辨率时间序列的数据集。以前的研究表明，健康受试者的微生物群落随着时间的推移是高度稳定的，因此TDA和其他方法应该能够识别六个总微生物群落 - 三个基于他不同的身体部位的男性受试者，三个为女性主题的三个网站。

科学家们希望了解TDA与其他成熟方法PCA和MDS的比较。较旧的方法确实识别了三个站点的聚类，但没有根据受试者的性别发现差异。“这些方法[PCA和MDS]不会根据受试者区分样本，”他们在论文中指出。另一方面，TDA方法鉴定了区分雌性和雄性肠样品的不同簇，并且基于皮肤和舌体部位。结束Yazdani：“这表明TDA能够识别其他方法可能遗漏的群集组。”

ICML计算生物学研讨会汇集了将机器学习应用于具有挑战性的生物学问题的研究人员，特别是考虑到高通量技术的发展，如新一代测序，质谱(CyTOF)和单细胞测序，现在所有这些都可以从所讨论的生物系统中产生大量数据。