Interpretable Machine Learning Reveals Complementary Age-Related Signatures in the Oral and Gut Microbiome
Door SHAP-gebaseerde interpreteerbaarheid toe te passen op gekoppelde orale en darmmicrobioomdata, onthult deze studie dat hoewel gecombineerde modellen de perfecte voorspellende nauwkeurigheid van darmdata alleen voor het onderscheiden van pasgeborenen van volwassenen niet overtreffen, ze complementaire, niet-redundante biologische signaturen uit de mondholte ontdekken die anders door conventionele nauwkeurigheidsmetrieken gemist zouden worden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Het menselijk lichaam is geen enkelvoudige, uniforme omgeving, maar een verzameling van afzonderlijke buurten, die elk hun eigen unieke gemeenschap van microscopisch leven huisvesten. Van de huid tot de mond en de darmen, deze microbiële steden worden gevormd door lokale omstandigheden, immuunverdediging en blootstelling aan de buitenwereld. Decennialang hebben wetenschappers zich afgevraagd hoe deze gemeenschappen veranderen naarmals een persoon opgroeit van een pasgeborene tot een volwassene. Matigen de microben in de darmen en de mond samen in een gesynchroniseerd ritme, of volgen zij hun eigen, afzonderlijke tijdlijnen? Het beantwoorden van deze vraag is cruciaal voor het begrijpen van de menselijke ontwikkeling, maar het vormt een lastige puzzel voor onderzoekers die vertrouwen op machine learning. Wanneer computers worden getraind om iemands leeftijd te voorspellen op basis van hun microben, produceren ze vaak een enkele nauwkeurigheidsscore. Als het toevoegen van gegevens van een tweede lichaamslocatie die score niet verbetert, is de standaardconclusie dat de tweede locatie geen nieuwe informatie biedt. Echter, deze benadering kan een subtiele waarheid missen: een computer kan informatie van beide locaties gebruiken om zijn beslissing te nemen, zelfs als één locatie alleen al goed genoeg was om de perfecte score te behalen.
Een team van onderzoekers van BRAC University in Dhaka, Bangladesh, probeerde dit puzzelstukje op te lossen door in de redenering van de machine te kijken in plaats van alleen naar de uiteindelijke score. Ze gebruikten een dataset met gematchte monsters uit de ontlasting en de mond van vierenzestig individuen, evenredig verdeeld tussen gezonde volwassenen en pasgeborenen. Het biologische verschil tussen deze twee groepen is groot; de microbiële wereld van een pasgeborene is wezenlijk anders dan die van een volwassene. De onderzoekers bevestigden eerst wat velen zouden verwachten: een model dat uitsluitend getraind is op darmbacteriën, kon de twee leeftijdsgroepen perfect onderscheiden. Wanneer ze de darmgegevens combineerden met mondgegevens, werd de nauwkeurigheidsscore van de computer niet hoger. De computer had de grens van perfectie al bereikt. In een traditionele studie zou dit vlakke resultaat suggereren dat de mondgegevens overbodig en nutteloos waren. Maar de onderzoekers vermoedden dat er meer aan de hand was.
Om de verborgen laag van informatie te vinden, gebruikte het team een methode genaamd SHAP, die fungeert als een spotlight om precies te laten zien op welke stukjes gegevens de computer vertrouwde om zijn beslissing te nemen. Ze pasten dit toe op het model dat zowel de darm- als de mondgegevens gebruikte. De resultaten onthulden een verrassend patroon. Hoewel de darmbacteriën alleen al voldoende waren om het probleem op te lossen, leunde de computer feitelijk zwaarder op de mondbacteriën wanneer beide beschikbaar waren. Sterker nog, kenmerken uit de mond droegen meer dan de helft bij aan de totale belangrijkheid in het besluitvormingsproces van het model. Dit betekent dat de twee lichaamslocaties niet dezelfde informatie herhaalden; ze boden complementaire aanwijzingen. De computer gebruikte de unieke signalen uit de mond om zijn begrip te verfijnen, ook al had hij die signalen niet nodig om een perfecte score te behalen.
De studie richtte zich vervolgens op de specifieke microben die dit gedrag aansturen. De computer identificeerde verschillende soorten die cruciaal waren om de pasgeborenen van de volwassenen te onderscheiden. Onder hen waren Malassezia restricta, Staphylococcus epidermidis en Prevotella melaninogenica. Op het eerste gezicht leek de rol van deze microben ambigu omdat sommige bekend staan om hun aanwezigheid bij zowel volwassenen als kinderen. Echter, toen de onderzoekers rechtstreeks naar de abundantie van deze soorten in hun monsters keken, kwam er een duidelijk beeld naar voren. Hogere niveaus van deze specifieke microben wezen consequent naar de pasgeborenen. Dit gedrag kwam overeen met gevestigde biologische kennis over vroege kolonisatie, waarbij deze soorten behoren tot de eersten die zich in het lichaam van een baby vestigen. De computer had deze vroege kolonisten succesvol geïdentificeerd als de sterkste markers van jeugd, wat bevestigde dat de interne logica van de computer geworteld was in echte biologische patronen in plaats van willekeurige ruis.
De onderzoekers namen extra zorg om ervoor te zorgen dat deze bevindingen echt waren en geen trucje van de data of het computermodel. Ze voerden de analyse uit met verschillende instellingen en vergeleken de resultaten met toeval, waarmee ze bevestigden dat de perfecte nauwkeurigheid een werkelijke reflectie was van het biologische verschil tussen volwassenen en pasgeborenen. Ze merkten ook op dat een aparte, grotere studie met een andere methode een vergelijkbaar patroon van complementaire signalen tussen de mond en de darmen had gevonden. Deze convergentie van bewijs suggereert dat de orale en darmmicrobiomen zich langs twee verschillende, zij het gerelateerde, paden ontwikkelen. De studie laat zien dat om echt te begrijpen hoe verschillende delen van het lichaam met elkaar samenhangen, wetenschappers verder moeten kijken dan eenvoudige nauwkeurigheidsscores. Door te onderzoeken hoe een model denkt, kunnen ze rijke, niet-redundante informatie ontsluiten die anders onzichtbaar zou blijven, waardoor een completer beeld ontstaat van hoe het menselijk microbioom zich ontwikkelt van geboorte tot volwassenheid.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.