Revealing microbial assemblage structure in the human gut microbiome using latent Dirichlet allocation
Notice bibliographique
Résumé
Abstract Recent research has revealed that there are various microbial species in the human gut microbiome. To clarify the structure of the human gut microbiome, many data mining methods have been applied to microbial composition data. Cluster analysis, one of the key data mining methods that have been used in human gut microbiome research, can classify the human gut microbiome into three clusters, called enterotypes. The human gut microbiome has been suggested to be composed of the microbial assemblages or groups of co-occurring microbes, and one human gut microbiome can contain several microbial assemblages. However, cluster analysis can cluster samples into groups without capturing minor assemblages. In addition, a reliable method of assemblage detection has not been established, and little is known about the distributions of microbial assemblages at a population-level scale. Accordingly, the purpose of this study was to clarify the microbial assemblages in the human gut microbiome. In this study, we detected gut microbiome assemblages using a latent Dirichlet allocation (LDA) method, which was first proposed for the classification of documents in natural language processing. We applied LDA to a large-scale human gut metagenome dataset and found that a four-assemblage LDA model can represent relationships between enterotypes and assemblages with high interpretability. This model indicates that each individual tends to have several assemblages, and each of three assemblages corresponded to each enterotype. However, the C-assemblage can exist in all enterotypes. Interestingly, the dominant genera of the C-assemblage ( Clostridium, Eubacterium, Faecalibacterium, Roseburia, Coprococcus , and Butyrivibrio ) included butyrate-producing species such as Faecalibacterium prausnitzii . Finally, we revealed that genera mainly appearing in the same assemblage were correlated to each other. We conducted an assemblage analysis on a large-scale human gut metagenome dataset using LDA, a powerful method for detection of microbial assemblages. This approach has the potential to reveal the structure of the human gut microbiome.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».