Dajiang J Liu

搜索
登录

Dajiang J Liu

文章数：3篇

MB-SupCon—基于微生物群的监督对比学习预测模型

有效整合微生物组和代谢组数据有利于更准确地预测不同的疾病，然而，大多数数据集只测量微生物组数据，而没有配对的代谢组数据。近日，美国南卫理公会大学研究人员在Journal of Molecular Biology发表最新研究，设计一种新的、基于微生物组的监督对比学习框架（MB-SupCon），用于提高仅测量微生物组数据的集合预测准确性，并在不同队列中做了验证，值得相关人员测试。

预测模型 MB-SupCon Microbiome Prediction model Contrastive learning

通过生成对抗网络模型进行微生物组模拟

在本文介绍了一个新颖的菌群模拟模型MB-GAN，并表明它可以模拟高保真微生物组丰度。作者通过修改鉴别器网络，从而纳入基于菌群多样性的测量。与原始GAN框架相比，此算法可以快速、稳健地收敛。因此，可以在无需明确建模的情况下轻松地基于一组输入的微生物组丰度来模拟新的数据集。在真实的数据研究中，作者证明了模拟的菌群丰度具有相似的数据特征，包括一阶（样本水平属性，如稀疏性和多样性）和二阶特性（分类群间的相关性）。总之，MB-GAN通过为真实数据提供高保真度的模拟数据，可以评估各种类型的菌群研究。

菌群模拟生成对抗网络深度学习

Nature子刊：脂质平衡相关的新基因影响体脂分布

体脂分布状况影响心血管疾病。本研究通过整合47万余欧洲人的22万余蛋白质编码基因变异，发现了若干种与体质分布有关的基因突变，其中部分突变与脂质代谢有关，提示体内脂质平衡相关的新基因影响体脂分布。该研究对解释肥胖相关的遗传背景，治疗中心性肥胖，预防心血管疾病都具有参考价值。

体质分布肥胖基因欧洲人群人群研究肥胖基因