微生物组的系统纵向研究：将时间-空间维度与因果和深度学习模型结合

纵向微生物组数据为探索微生物群落与疾病进展之间的动态相互作用提供了独特的机会。然而，这些数据通常存在缺失值、稀疏信号和有限的可解释性，这妨碍了有效的生物标志物发现和准确的疾病建模。因此，我们提出了SysLM，一个用于系统分析纵向微生物组数据的综合深度学习框架。它由两个协同模块组成：SysLM-I和SysLM-C。SysLM-I专注于缺失值推断任务，结合元数据和三种特征增强策略，通过时间卷积网络和双向长短期记忆模块全面捕获时间因果关系和长期依赖关系。SysLM-C将深度学习与因果推理建模相结合，构建三个因果空间，以完成对多种生物标志物的分类和筛选任务，包括微生物组的差异性生物标志物、网络生物标志物、核心生物标志物、动态生物标志物、疾病特异性生物标志物和共享生物标志物。SysLM在多个数据集中的插补、分类和生物标志物发现方面表现优越。重要的是，它揭示了与溃疡性结肠炎相关的新型微生物机制，强调了其在精准医疗中的价值。通过将深度学习与因果建模相结合，SysLM为推进基于微生物组的疾病研究和促进靶向治疗策略的发展提供了一个有前景的方法。