Supervised learning

搜索
登录

Supervised learning

文章数：2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

食物过敏患者的肠道菌群变化

Genome Medicine上发表的一项队列研究结果，对比分析了233名食物过敏患者（包括牛奶、芝麻、花生及坚果过敏）及58名对照的肠道菌群多样性、组成及功能差异，发现对不同类型食物过敏的患者有着特定的肠道菌群组成及功能。另外，基于菌群差异可显著区分食物过敏患者及对照，并可区分不同类型的食物过敏患者。

食物过敏 food allergy microbiota P. copri SCFA