ĐÁNH GIÁ CÁC CÔNG CỤ HỖ TRỢ CHẨN ĐOÁN BỆNH VỚI CÁCH TIẾP CẬN Y HỌC CÁ THỂ HÓA TRÊN DỮ LIỆU METAGENOMIC

Phan Tấn Tài, Tạ Đặng Vĩnh Phúc, Phan Nguyễn Minh Thảo, Nguyễn Thị Ngọc Chăm, Đào Công Tính, Phạm Huỳnh Ngọc, Nguyễn Thanh Hải

Tóm tắt


Trong những năm gần đây, dữ liệu Metagenomic hay còn gọi là dữ liệu “hệ đa gen” được sử dụng ngày càng nhiều cho các nghiên cứu trong các tiếp cận “Y học cá thể hóa” với mục tiêu cải thiện và nâng cao tính hiệu quả trong việc chăm sóc bảo vệ sức khỏe con người. Nhiều nghiên cứu đã thực nghiệm phân tích trên bộ dữ liệu này và đề xuất nhiều phương pháp để cải thiện độ chính xác trong phân tích. Việc ứng dụng công nghệ thông tin để xử lý và hỗ trợ phân tích dữ liệu này phục vụ cho Y học cá thể là không thể thiếu bởi khối lượng công việc xử lý và độ phức tạp là rất lớn. Với những lợi ích đầy tiềm năng của dữ liệu Metagenomic đã được chứng minh qua nhiều nghiên cứu. Trong phạm vi bài báo này, nhóm nghiên cứu giới thiệu và đánh giá những công cụ rất hữu ích phục vụ cho việc nghiên cứu dữ liệu Metagenomic trong hỗ trợ chẩn đoán bệnh cho con người. Từ các nghiên cứu này, chúng ta có thể phát triển những nghiên cứu mở rộng và sâu hơn để khám phá những ảnh hưởng quan trọng của hệ sinh thái vi sinh vật trong cơ thể con người ảnh hưởng đến sức khỏe và từ đó đề xuất những xu hướng chẩn đoán và điều trị phù hợp để nâng cao và cải thiện sức khỏe con người.


Từ khóa


Chẩn đoán bệnh; Học sâu; Máy học; Metagenomic; Phân tích gene; Y học cá thể.

Toàn văn:

PDF

Các tài liệu tham khảo


Abubucker, S., Segata, N., Goll, J., Schubert, A. M., Izard, J., Cantarel, … Huttenhower, C. (2012). Metabolic reconstruction for Metagenomic data and its application to the human microbiome. PLOS Computational Biology, 8(6), 1-17.

Bajaj, J. S., Betrapally, N. S., & Gillevet, P. M. (2015). Decompensated cirrhosis and microbiome interpretation. Nature, 525(7569), 1-4.

Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.

Breiman, L., & Cutler, A. (2012). Breiman and Cutler’s random forests for classification and regression (Package randomForest). Retrieved from http://math.furman.edu/~dcs/courses/math47/R/library/randomForest/html/00Index.html.

Cai, L., Wu, H., Li, D., Zhou, K., & Zou, F. (2015). Type 2 diabetes biomarkers of human gut microbiota selected via iterative sure independent screening method. PloS One, 10(10), 1-15.

Chatelier, L. E., Nielsen, T., Qin, J., Prifti, E., Hildebrand, F., Falony, G., … Pedersen, O. (2013). Richness of human gut microbiome correlates with metabolic markers. Nature, 500(7464), 541-546.

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273-297.

Darling, A. E., Jospin, G., Lowe, E., Matsen, IV. F. A., Bik, H. M., & Eisen, J. A. (2014). PhyloSift: phylogenetic analysis of genomes and metagenomes. PeerJ, 2013(1), 1-28.

Dinsdale, E. A., Edwards, R. A., Bailey, B. A., Tuba, I., Akhter, S., McNair, K., … Ponomarenko, V. (2013). Multivariate Analysis of Functional Metagenomes. Frontiers, 4(41), 1-25.

Ditzler, G., Polikar, R., & Rosen, G. (2015). Multi-layer and recursive neural networks for metagenomic classification. IEEE Transactions on NanoBioscience, 14(6), 608-616.

Ditzler, G., Morrison, J. C., Lan, Y., & Rosen, G. L. (2015). Feature subset selection for metagenomics. BMC Bioinformatics, 16, 1-8.

Dodge, S., & Karam, L. (2017). A study and comparison of human and deep learning recognition performance under visual distortions. New York, US: Institute of Electrical and Electronics Engineers Inc Publishing.

Dudley, J. T., & Karczewski, K. J. (2014). Exploring personal genomics. Oxford, UK: Oxford University Press Publishing.

Ehrlich, S. D. (2016). The human gut microbiome impacts health and disease. Comptes Rendus Biologies, 339(7-8), 319-323.

Forslund, K., Hildebrand, F., Nielsen, T., Falony, G., Chatelier, L. E., Sunagawa, S., … Pedersen, O. (2015). Disentangling type 2 diabetes and metformin treatment signatures in the human gut microbiota. Nature, 528, 262-266.

Gevers, D., Kugathasan, S., Denson, LA., Vázquez-Baeza, Y., Van, T. W., Ren, B., Schwager, E., Knights, D., Song, S. J., Yassour, M., Morgan, X. C., Kostic, A. D., Luo, C., González, A., McDonald, D., Haberman, Y., Walters, T., Baker, S., Rosh, J., Stephens, M., Heyman, M., Markowitz, J., Baldassano, R., Griffiths, A., Sylvester, F., Mack, D., Kim, S., Crandall, W. (2014). The treatment naïve microbiome in new-onset Crohn’s disease. Cell Host Microbe, 15(3), 382-392.

Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504-507.

Hicilar, H., Nalbantoglu, O. U., Aran, O., & Bakir-Gungor, B. (2020). Inflammatory Bowel Disease Biomarkers of Human Gut Microbiota Selected via Ensemble Feature Selection Methods. Retrieved from https://www.semanticscholar.org/

paper/Inflammatory-Bowel-Disease-Biomarkers-of-Human-Gut-Hacilar-Nalbantoglu/bf1b542425279483c24da74b2bfe40826eff76aa.

Jiang, Y., Wang, J., Xia, D., & Yu, G. (2017). EnSVMB: Metagenomics Fragments Classification using Ensemble SVM and BLAST. Scientific Reports, 7(1), 1-10.

Karlsson, F. H., Tremaroli, V., Nookaew, I., Bergström, G., Behre, C. J., Fagerberg, B., … Bäckhed, F. (2013). Gut metagenome in European women with normal, impaired and diabetic glucose control. Nature, 498(7452), 99-103.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In D. S. Touretzky (Ed), Advances in neural information processing systems 2 (pp. 1097-1105). Vancouver, Canada: Neural Information Processing Systems Publishing.

LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D. (1990). Handwritten digit recognition with a back-propagation network. In D. S. Touretzky (Ed), Advances in neural information processing systems 2 (pp. 396-404). Vancouver, Canada: Neural Information Processing Systems Publishing.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.

Lin, Y. C. (2015). A new binning method for metagenomics by one-dimensional cellular automata. International Journal of Genomics, 2015, 1-6.

Lo, C., & Marculescu, R. (2018). Accurate classification of host phenotypes from metagenomic data using neural networks. BMC Bioinformatics, 20, 1-14.

Nguyen, T. H., Prifti, E., Chevaleyre, Y., Sokolovska, N., & Zucker, J. D. (2018). Disease Classification in Metagenomics with 2D Embeddings and Deep Learning. Retrieved from https://arxiv.org/abs/1806.09046.

Nguyen, T. H., Prifti, E., Sokolovska, N., & Zucker, J. D. (2019). Disease Prediction Using Synthetic Image Representations of Metagenomic Data and Convolutional Neural Networks. New York, USA: IEEE Publishing.

Nguyen, T. H., & Zucker, J. D. (2019). Enhancing metagenome-based disease prediction by unsupervised binning approaches. Paper presented at The 11th International Conference on Knowledge and Systems Engineering, Da Nang, Vietnam.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(85), 2825-2830.

Pasolli, E., Truong, D. T., Malik, F., Waldron, L., & Segata, N. (2016). Machine learning meta-analysis of large metagenomic datasets: tools and biological insights. PLOS Computational Biology, 12(7), 1-26.

Pasolli, E., Schiffer, L., Manghi, P., Renson, A., Obenchain, A., Truong, D. T., … Waldron, L. (2017). Accessible, curated metagenomic data through ExperimentHub. Natural Methods, 14, 1023-1024.

Qin, J., Li, R., Raes, J., Arumugam, M., Burgdorf, K. S., Manichanh, C., … Wang, J. (2010). A human gut microbial gene catalogue established by metagenomic sequencing. Nature, 464, 59-65.

Qin, J., Li, Y., Cai, Z., Li, S., Zhu, J., Zhang, F., … Wang, J. (2012). A metagenome-wide association study of gut microbiota in type 2 diabetes. Nature, 490, 55-60.

Qin, N., Yang, F., Li, A., Prifti, E., Chen, Y., Shao, L., … Li, L. (2014). Alterations of the human gut microbiome in liver cirrhosis. Nature, 513, 59-64.

Rakel, D., & Rakel, R. E. (2011). Textbook of Family Medicine. Pennsylvania, USA: Saunders Publishing.

Reiman, D., Metwally, A., & Dai, Y. (2017), Using convolutional neural networks to explore the microbiome, Engineering in Medicine and Biology Society (EMBC). Paper presented at The 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Seogwipo, South Korea.

Reiman, D., Metwally, A. A., & Dai, Y. (2018). PopPhy-CNN: A phylogenetic tree embedded architecture for convolution neural networks for metagenomic data. Oxford, UK: Oxford University Express Publishing.

Rivera-Pinto, J., Egozcue, J. J., Pawlowsky-Glahn, V., Paredes, R., Noguera-Julian, M., & Calle, M. L. (2018). Balances: a New Perspective for Micro- biome Analysis. mSystems, 3(4), 1-12.

Saitta, L. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.

Statnikov, A., Henaff, M., Narendra, V., Konganti, K., Li, Z., Yang, L., … Alekseyenko, A. V. (2013). A comprehensive evaluation of multicategory classification methods for microbiomic data. Microbiome, 1(1), 1-12.

Svozil, D., Kvasnicka, V. & Pospichal, J.(1997). Introduction to multi-layer feed-forward neural networks. Chemometrics and intelligent laboratory systems. 39 (1), 43-62.

The Academy of Medical Sciences. (2015). Stratified, personalised or P4 medicine: a new direction for placing the patient at the centre of healthcare and health education. Retrieved from https://acmedsci.ac.uk/viewFile/564091e072d41.pdf.

Umeo, H., Kamikawa, N., Nishioka, K., & Akiguchi, S. (2009). Simulation of generalized synchronization processes on one-dimensional cellular automata. In R. Imre, M. Demiralp, & N. Mastorakis (Eds.), Proceedings of the 9th WSEAS International Conference on Simulation, Modelling and Optimization (pp. 350-357). Wiscosin, USA: World Scientific and Engineering Academy and Society (WSEAS) Publishing.

Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y., & Manzagol, P. A. (2010). Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. Journal of machine learning research, 11, 3371-3408.

Virgin, H. W., & Todd, J. A. (2011). Metagenomics and personalized medicine. Cell, 147(1), 44-56.

Wassan, J. T., Wang, H., Browne, F., & Zheng, H. (2018). A Comprehensive Study on Predicting Functional Role of Metagenomes Using Machine Learning Methods. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 16(3), 751-763.

Zeller, G., Tap, J., Voigt, A. Y., Sunagawa, S., Kultima, J. R., Costea, P. I., … Bork, P. (2014). Potential of fecal microbiota for early‐stage detection of colorectal cance. Molecular Systems Biology, 10(11), 1-18.

Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67, 301-320.




DOI: http://dx.doi.org/10.37569/DalatUniversity.10.2.646(2020)

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu.


Copyright (c) 2020 Phan Tấn Tài, Tạ Đặng Vĩnh Phúc, Phan Nguyễn Minh Thảo, Nguyễn Thị Ngọc Chăm, Đào Công Tính, Phạm Huỳnh Ngọc, Nguyễn Thanh Hải.

Giấy phép URL: https://creativecommons.org/licenses/by-nc/4.0/
Văn phòng Tạp chí Đại học Đà Lạt
Nhà A25 - Số 1 Phù Đổng Thiên Vương, Đà Lạt, Lâm Đồng
Email: tapchikhoahoc@dlu.edu.vn - Điện thoại: (+84) 263 3 555 131

Creative Commons License
Trên nền tảng Open Journal Systems
Thực hiện bởi Khoa Công nghệ Thông tin