微生物-代谢物互作

搜索
登录

微生物-代谢物互作

文章数：3篇

代谢物预测工具

刘洋彧团队Nature子刊：用神经常微分方程预测菌群的代谢组学特征

描述微生物群落的代谢特征，对于理解其生物学功能及其对宿主或环境的影响至关重要。从微生物组成预测代谢组学图谱的计算方法，可节省实验代谢组学图谱所需的大量工作。然而，目前仍缺少一种具有高预测能力、普遍适用性和高可解释性的计算方法。近日，美国哈佛医学院刘洋彧及团队在Nature Machine Intelligence发表最新研究，基于最先进的深度神经网络模型，通过神经常微分方程（mNODE）来预测微生物的代谢组学特征，在模拟和真实数据中，性能优良，是研究微生物组-饮食-代谢组关系的有力工具，有助于未来精准营养的研究，值得关注。

代谢物预测工具神经常微分方程研究论文基础研究深度神经网络模型

秦环龙团队：大肠癌的跨人群肠道菌群特征，及与血清代谢物的关系

Gastroenterology最新发表了来自上海市第十人民医院秦环龙团队的研究成果，通过整合宏基因组学和代谢组学分析，获得了结直肠癌（CRC）的跨队列肠道微生物组特征，并揭示了其中一些微生物特征与CRC相关的血清代谢物之间的关联，并建立了基于菌群和血清代谢物的诊断模型。该研究表明，CRC中的微生物和代谢的转变可能具有广泛的人群相关性，这些发现对于CRC的诊断以及疾病机理和治疗靶点的研究，具有重要参考价值。

结直肠癌肠道菌群血清代谢组微生物-代谢物互作

微生物-代谢物互作

mmvec神经元网络算法评估微生物-代谢物的互作

Nature Methods的这篇文章介绍了神经元网络mmvec在多组学研究中的使用。传统的统计学方法过度简化数据，容易造成大量假阳性结果，而微生物组和代谢组数据均为成分性数据，更加剧了分析误差的可能性。作者Rob Knight团队提出的mmvec神经元网络能够通过学习代谢物和微生物同时出现的概率，对代谢物与微生物互作进行评级，并可视化显示分析结果。作者随后对mmvec进行使用验证，证明mmvec在分析效用上显著优于目前常用方法。推荐需要多组学分析研究的读者尝试（https://github.com/biocore/mmvec）！！

微生物-代谢物互作神经元网络算法mmvec I M Moreno I Martín-Carrasco