建模

搜索
登录

建模

文章数：5篇

宏基因组学

研究肠道菌群组成和功能的新兴计算工具和模型（综述）

高通量测序、质谱和其他组学分析平台的进步提高了我们生成大量数据的能力，从而能够探索微生物群落组成和功能的时间变化。方法和工具是阐明机制必需的，其可以对时序数据中的依赖性进行严格建模。纵向数据通常是稀疏且采样不均匀的，在确定统计显著性，跨不同数据类型进行归一化以及模型验证方面仍然存在不小的挑战。本综述重点介绍了用于分析时间序列微生物组和代谢组数据以及整合这些数据的模型和软件工具的最新发展。

宏基因组学时间序列建模多组学纵向差分丰度

预测生物学

Nature Reviews：预测生物学实现建模、理解和驾驭微生物的复杂性（综述）

预测生物学是合成生物学和系统生物学（特别是微生物学）的下一章。曾经似乎不可行的任务正日益得到实现，例如设计和实现执行复杂的传感和驱动功能的复杂的合成基因回路，以及将具有特定，预定组成的多物种细菌群落组装在一起。通过整合生物学，物理学和工程学领域的各种专业知识，使这些成就成为可能，从而使人们对生物学设计有了新的定量认识。随着越来越多的多组学数据集的出现，它们在将理论转化为实践中的潜在效用仍然坚定地植根于控制生物系统的基本定量原理。在这篇综述中，作者讨论了微生物学日益引起人们关注的预测生物学的关键领域，与生俱来的微生物复杂性相关的挑战以及定量方法在使微生物学更具可预测性方面的价值。

预测生物学定量建模深度学习微生物动力学

微生物组数据预测建模的的深度学习新方法

基于微生物组数据建立临床结果的预测模型是必不可少的，系统发育树代表了微生物组的一种独特的相关结构，是提高预测性能的重要前提。然而，以有效且严格的方式考虑系统发育树的预测方法还不成熟。本研究开发了一种新颖的深度学习预测方法MDeep（基于微生物组的深度学习方法）来预测连续和二元结果。从概念上讲，MDeep设计卷积层以在每个卷积层上使用多个卷积过滤器模拟分类等级，以捕获局部接受域中微生物物种之间的系统发育相关性，并通过特征映射保持不同卷积层之间的相关性结构。总而言之，卷积层及其内置的卷积过滤器可捕获不同分类级别的微生物信号，同时促进局部平滑化并保留系统树诱导的局部连通性。本研究使用模拟研究和实际数据应用程序来证明MDeep在回归和二元分类方面优于其他竞争方法。

微生物组系统发育深度学习机器学习预测

Nature子刊：菌群的建模方法（综述）

数学建模可以对于了解菌群动态和相互作用有极大优势。模型的重要性在于一方面可以在理论上重现实验结果，另一方面还在于可使用模型预测生物系统的行为及其对不同扰动的响应。可以想象，后者在建立饮食干预调控肠道菌群的征程中将为我们指引方向。本文共介绍了四大类、逾二十种建模方法，是学习微生物群落构建不可多得的参考资料。

菌群模型 Computational models Microbiome 综述建模

【技术动态】减少自我血糖监测误差，数学来帮忙

① 自我血糖监测（SMBG）是糖尿病治疗的重要内容，了解其测量误差十分重要，为此要有检验误差的可靠模型。② 常用的模型是高斯分布的概率密度函数（PDF），但是传统方法难以准确描述实验数据的变异性；本文描述一种新方法，可以更准确地建立PDF模型。③ 将血糖值划分为恒定标准误差的区间，每个区间用一个PDF模型最大程度拟合实验数据；用拟合优度检验论证模型是否可靠。④ 收集两款血糖仪的监测数据，确定上述模型有效，且优于高斯模型。

测量误差建模参数估计自我血糖监测 measurement error