Multimodal deep learning models to classify healthy and disease states of human microbiome

Abstract

Metagenomic sequencing methods provide considerable genomic information regarding human microbiomes, enabling us to discover and understand microbial diseases. Compositional differences have been reported between patients and healthy people, which could be used in the diagnosis of patients. Despite significant progress in this regard, the accuracy of these tools needs to be improved for applications in diagnostics and therapeutics. MDL4Microbiome, the method developed herein, demonstrated high accuracy in predicting disease status by using various features from metagenome sequences and a multimodal deep learning model. We propose combining three different features, i.e., conventional taxonomic profiles, genome-level relative abundance, and metabolic functional characteristics, to enhance classification accuracy. This deep learning model enabled the construction of a classifier that combines these various modalities encoded in the human microbiome. We achieved accuracies of 0.98, 0.76, and 0.84 for predicting patients with inflammatory bowel disease, type 2 diabetes, and liver cirrhosis, respectively; these are comparable or higher than classical machine learning methods. A deeper analysis was also performed on the resulting sets of selected features to understand the contribution of their different characteristics. MDL4Microbiome is a classifier with high or comparable accuracy compared with other machine learning methods, which offers perspectives on feature generation with metagenome sequences in deep learning models and their advantages in the classification of host disease status. |메타지노믹스 (metagenomics) 분석법은 인간 체내에 존재하는 미생물 군집에 관한 방대한 양의 게놈 정보를 이용하여 미생물과 관련된 질병을 발견하고 그 원리를 이해할 수 있게 한다. 환자와 건강한 사람 간에는 미생물 구성 차이가 있다고 보고되었으며, 이는 환자의 질병 진단에 사용될 수 있다. 이와 관련하여 기술적 진전이 있었음에도 불구하고 이러한 도구의 정확성은 아직까지 진단 및 치료 분야에 적용하기 위해서는 개선되어야 한다. 본 논문에서 제안하는 MDL4Microbiome은 메타게놈 시퀀스와 멀티모달 딥러닝 모델의 다양한 기능을 사용하여 질병 상태를 예측하는 데 높은 정확도를 보여주었다. 우리는 분류 정확도를 높이기 위해 세 가지 다른 특징, 즉 기존의 세균 분류학적 프로파일, 게놈 수준의 상대적 풍부도 및 대사 기능 특성을 결합하여 학습하는 것을 제안한다. 멀티모달 딥러닝 모델은 인간 마이크로바이옴에 인코딩된 다양한 특징을 결합하는 분류기를 구축할 수 있게 하였다. 염증성 장질환, 제2형 당뇨병 및 간경화 환자를 예측하는 문제에서 각각 0.98, 0.76 및 0.84의 정확도를 달성하였다. 이는 기존의 기계 학습 방법과 비슷하거나 더 높은 수치이다. 서로 다른 특성의 기여도를 이해하기 위해 각 특징의 결과 세트에 대해 더 깊은 분석도 수행하였다. MDL4Microbiome은 다른 머신 러닝 방법에 비해 정확도가 높은 분류기로 메타게놈 시퀀스로부터 특징을 추출하는 새로운 관점과 딥러닝 모델을 이용한 인간 질병 상태 분류의 장점을 제시한다.