Using machine learning to predict the consumption of a Mediterranean diet with untargeted metabolomics data from controlled feeding studies
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Developing metabolomic signatures of diets is a promising strategy to better understand the diet-health paradigm. Our objective was to develop and validate machine learning (ML) models that predict the consumption of a Mediterranean diet (MedDiet) versus a control diet using untargeted metabolomics data from controlled feeding studies. METHODS AND RESULTS: In the Development set, 26 participants (100 % men) aged 24-62 years consumed a North American diet for 5 weeks followed by a MedDiet for 5 weeks in full-feeding conditions. In the Validation set, 70 participants (54 % men) aged 25-50 years were instructed to follow Canada's Food Guide recommendations for 4 weeks and then consumed a MedDiet for 4 weeks in full-feeding conditions. Plasma metabolites were analyzed using a MPLEx method and an untargeted metabolomics approach. Random forest (RF) and decision tree (DT) models were developed to predict diet assignment using data from the Development set and validated using data from the Validation set. The RF model from the Development set predicted diet assignment with an accuracy of 0.97 (95 %CI: 0.81-1.00). When applied to the Validation set, the RF model had an accuracy of 0.79 (95 %CI:0.71-0.86). Similar results were obtained using the DT model. CONCLUSION: RF and DT models can predict the consumption of a MedDiet diet with high accuracy in full-feeding conditions in males based on plasma untargeted metabolomics data. However, accuracy is reduced when models are applied to a more heterogenous sample (sample of males and females and less controlled feeding conditions).
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 | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».