随机森林

搜索
登录

随机森林

文章数：10篇

诊断标记物

洪洁+陈豪燕等Nature子刊：跨队列分析确定IBD的微生物诊断标记物

肠道菌群和代谢物的紊乱与IBD的进展密切相关，但目前仍缺乏可靠的诊断标记物用于识别IBD患者。近日，上海交通大学医学院附属仁济医院的陈豪燕、洪洁及团队在Nature Communications发表最新研究，整合了来自多个队列的宏基因组学和代谢组学数据，鉴定出31个物种、25个KO基因和13种代谢物，用于区分正常对照组和IBD病例。此外，这些生物标志物在各种队列中均表现出强大的可重复性，值得关注。

诊断标记物炎性肠疾病（IBD）研究论文基础研究肠道菌群

宁康等：用DeepMicroCancer诊断癌症类型

基于微生物组的癌症诊断是基因组学方法在癌症诊断中日益重要的补充，但目前基于微生物组的癌症诊断模型普遍面临困难。近日，华中科技大学宁康及团队在Briefings in Bioinformatics发表最新研究，基于组织和血液样本中微生物数据开发了一种随机森林和转移学习模型-DeepMicroCancer，用于多种类型癌症的诊断，性能较好，值得关注。

人工智能菌群诊断模型研究论文基础研究微生物数据

国内团队：菌群标志物或可用于肝细胞癌的临床前诊断？

肠道菌群已被证明与肝癌的发生发展有关，最近多项研究也发现肠道菌群有作为肝癌诊断标志物的潜力。近日，温州医科大学第一附属医院陈钢、温州医科大学王怡及团队在Gut Microbes发表最新研究，通过回顾性队列和前瞻性队列证明了口腔菌群联合肠道菌群特征物种可作为肝癌诊断的有效手段，并从口腔、肠道及肿瘤组织多个生态位表征了肝癌患者微生物群的分布特点，值得关注。

菌群特征早期诊断研究论文基础研究随机森林

李后开+朱瑞新等：冠心病患者肠菌与机体代谢有何特征？

先前研究表明，肠道菌群失调与冠心病间存在密切的关系，但目前关于临床稳定性冠心病心绞痛患者（SCAD）的肠道菌群与机体代谢特征尚不完全清楚。近日，上海中医药大学李后开、同济大学朱瑞新、上海中医药大学张卫东、北京中医药大学附属东直门医院沈晓旭及团队在Microbiology Spectrum发表最新研究，纳入42名稳定性冠心病心绞痛患者（SCAD）和46名健康人，发现患者肠菌α多样性显著降低，29个物种丰度显著改变。此外，患者肠道中富集的Ralstonia Pickettii可能是其体内不饱和脂肪酸降低的重要原因。总之，该研究为探究SCAD形成的机制提供了新证据，值得关注。

冠心病肠道菌群研究论文基础研究菌群代谢功能

国内团队Nature子刊：1型糖尿病与肠道菌群结构和功能紊乱有关

近年来，儿童患1型糖尿病（T1D）的发病率逐年上升，已经成为影响我国儿童及成年人健康的重大基础疾病。多项研究证明，肠道菌群失调与T1D发病间存在显著关联，但仍缺乏深入研究。近日，上海中医药大学季光、复旦大学附属儿科医院罗飞宏及团队在Nature Communications发表最新研究，发现T1D儿童肠道菌群结构和功能紊乱，并建立基于差异物种和代谢物的诊断模型，可较好地区分T1D和对照儿童效果。通过动物实验，该研究进一步检验了菌群产物（脂多糖和丁酸）对胰岛的影响。总之，该研究表明肠道菌群结构和代谢的紊乱与T1D密切相关，未来可靶向肠道菌群有效预防和干预T1D，值得关注。

1型糖尿病肠道菌群研究论文基础研究随机森林

人类肠道菌群

iMeta：马迎飞团队开发基于神经网络分析肠道菌群的方法

该研究开发了一种结合神经网络和随机森林的框架，从宏基因组数据集鉴定出40个标记物种和90个标记基因，在预测中获得了更高的准确性，本研究提供了一种新的思路来识别疾病相关生物标记物并分析它们在疾病发展中所扮演的角色。

人类肠道菌群神经网络随机森林二型糖尿病相关生物标记物

纵向菌群数据

phyLoSTM：一种基于纵向菌群数据进行疾病预测的新型深度学习模型

人类菌群在纵向时间尺度上是高度动态的，会随着饮食或医疗干预而动态变化。在研究中，作者提出了一种新的深度学习框架“phyLoSTM”，结合使用卷积神经网络和长短期记忆网络 (LSTM) 进行特征提取和分析纵向微生物组测序数据中的时间依赖性以及宿主的环境因素，用于疾病预测，并提出了通过 LSTM 处理受试者中的可变时间点方面以及在不平衡情况和对照之间的权重平衡方面的其他新颖性。

纵向菌群数据深度学习疾病预测随机森林

AI技术用于宏基因组数据中病毒检测

从宏基因组测序数据集中检测高度不同或未知的病毒是一项重大的生物信息学挑战。本研究分别采用随机森林和神经网络的机器学习方法预测宏基因组序列中的病毒序列，取得了很好的结果。

人工智能机器学习 Human samples machine learning Metagenomic sequencing

FM：机器学习预测作物生产力

非常有价值的研究，对不同生产率地区的土壤微生物进行测序分析，并以此开发机器学习算法，预测土地生产率，很酷！智慧的农业应该要多依赖点这样的微生物研究，靠谱！

土壤菌群宏基因组关联分析生产率机器学习随机森林

PhiSpy：在细菌基因组中识别噬菌体

在微生物基因组中发现溶源噬菌体仍然是一个没有明确解决办法的问题。之前的大多数工具依赖于检测含有已知噬菌体同源物的蛋白质编码基因的基因组区域，这阻碍了噬菌体区域的从头发现。在本文中，作者结合了两种方法（基于相似性和基于成分的分析），提出了一种自动化应用程序-PhiSpy，该应用程序可以识别与已知噬菌体基因具有或不具有同源性的噬菌体。PhiSpy是一个在细菌（或者古菌）基因组中识别溶源噬菌体的工具。输入一个经过注释的基因组，它会识别出其中最可能是噬菌体的区域。PhiSpy的原理是识别出溶源噬菌体的几个显著特征，包括：蛋白质长度，转录链的方向，AT、CG的偏斜性，噬菌体特异字长的丰度，噬菌体的插入位点和噬菌体蛋白的相似性。在测试数据集中，其可以准确预测94%的溶源噬菌体，假阴性率为6%，假阳性率为0.66%。

PhiSpy 溶源噬菌体同源性随机森林细菌基因组