UMMAN: Unsupervised Multi-graph Merge Adversarial Network for Disease Prediction Based on Intestinal Flora

要約

腸内フローラの豊富さは人間の病気と密接に関係していますが、病気は単一の腸内細菌によって引き起こされるわけではありません。
むしろ、それらは多数の微生物の実体の複雑な相互作用から生じます。
腸内微生物間のこの複雑かつ暗黙的な関係は、OTU データからの存在量情報を使用した疾患予測にとって大きな課題となっています。
最近、いくつかの方法が、対応する疾患を予測する可能性を示しています。
ただし、これらの方法では、異なる宿主からの腸内微生物間の内部関連を学習できず、満足のいくパフォーマンスが得られません。
この論文では、新しいアーキテクチャである Unsupervised Multi-graph Merge Adversarial Network (UMMAN) を紹介します。
UMMAN は教師なしシナリオでマルチグラフ内のノードの埋め込みを取得できるため、多重関連付けの学習に役立ちます。
私たちの方法は、グラフ ニューラル ネットワークと腸内細菌叢疾患の予測タスクを組み合わせた最初の方法です。
複雑な関係タイプを使用してオリジナル グラフを構築し、ノード間の関係を破壊して対応するシャッフル グラフを生成します。
グラフのグローバル特徴を表すために、ノード特徴グローバル統合 (NFGI) モジュールを導入します。
さらに、実際のグラフの埋め込みが元のグラフと密接に一致し、シャッフルされたグラフから逸脱することを保証するために、敵対的損失とハイブリッド注意損失を含む結合損失を設計します。
5 つの古典的な OTU 腸内マイクロバイオーム データセットに対する包括的な実験により、私たちの方法の有効性と安定性が実証されました。
(コードは近々リリースする予定です。)

要約(オリジナル)

The abundance of intestinal flora is closely related to human diseases, but diseases are not caused by a single gut microbe. Instead, they result from the complex interplay of numerous microbial entities. This intricate and implicit connection among gut microbes poses a significant challenge for disease prediction using abundance information from OTU data. Recently, several methods have shown potential in predicting corresponding diseases. However, these methods fail to learn the inner association among gut microbes from different hosts, leading to unsatisfactory performance. In this paper, we present a novel architecture, Unsupervised Multi-graph Merge Adversarial Network (UMMAN). UMMAN can obtain the embeddings of nodes in the Multi-Graph in an unsupervised scenario, so that it helps learn the multiplex association. Our method is the first to combine Graph Neural Network with the task of intestinal flora disease prediction. We employ complex relation-types to construct the Original-Graph and disrupt the relationships among nodes to generate corresponding Shuffled-Graph. We introduce the Node Feature Global Integration (NFGI) module to represent the global features of the graph. Furthermore, we design a joint loss comprising adversarial loss and hybrid attention loss to ensure that the real graph embedding aligns closely with the Original-Graph and diverges from the Shuffled-Graph. Comprehensive experiments on five classical OTU gut microbiome datasets demonstrate the effectiveness and stability of our method. (We will release our code soon.)

arxiv情報

提供元, 利用サービス

arxiv.jp, Google