基于双线性注意力网络与稀疏自编码器的微生物-疾病关联预测模型BANSMDA研究

本文推荐一种创新性计算模型BANSMDA（Bilinear Attention Networks and Sparse Autoencoders），通过整合双线性注意力网络（BAN）与稀疏自编码器（SAE），构建微生物-疾病异质网络预测潜在关联。模型融合高斯核相似性（GIP）与功能相似性特征，在HMDAD和Disbiome数据库验证中，5折交叉验证AUC达0.98，对哮喘（Asthma）和结直肠癌（Colorectal carcinoma）等疾病的Top20预测微生物验证率达95%，为疾病诊断和微生物调控提供新工具。

　　

Introduction

人类共生微生物群通过能量代谢、有机化合物吸收等机制深刻影响宿主健康。研究表明，肠道菌群基因组异常可导致人类基因组改变（Sampson et al., 2016），其多样性变化与心血管疾病、神经退行性疾病密切相关（Toya et al., 2020）。传统湿实验方法耗时且具有随机性，而基于HMDAD（Ma et al., 2017）和Disbiome（Janssens et al., 2018）等数据库的计算模型成为研究新范式。

Materials and methods

数据来源

从HMDAD提取39种疾病与292种微生物的450组关联对，Disbiome包含240种疾病与1,098种微生物的5,573组关联。

微生物-疾病关联矩阵

构建二元矩阵E∈R^n_d×n_m，其中E_ij=1表示疾病d_i与微生物m_j存在已知关联。

高斯核相似性计算

疾病相似性D_GIP=exp(-γ_d∥E(d_i)-E(d_j)∥²)，其中γ_d=1/((1/n_d)∑∥E(d_i)∥²)。微生物相似性M_GIP通过相同方法计算。

功能相似性分析

基于HumanNet v2.0基因互作数据库，疾病功能相似性D_FUN通过公式(9)计算，微生物功能相似性M_FUN源自STRING v11蛋白互作网络（Szklarczyk et al., 2019）。

异质网络构建

整合E、D_GIP和M_GIP形成矩阵B=[D_GIP E; E^T M_GIP]。

BAN模型架构

采用双线性变换x=a^THa+b，通过ReLU激活函数y=ReLU(H₁x+b₁)提取低维特征矩阵C=[C_d; C_m]。

SAE稀疏编码

改进随机游走（RWR）获得D_RWR和M_RWR矩阵，输入SAE后通过L1稀疏约束（λ∑|h_j|）生成D_S和M_S。

特征矩阵融合

疾病特征矩阵D=[C_d; D_S; D_RWR; E; D_FUN]，微生物特征矩阵M=[C_m; M_S; E^T; M_RWR; E^T; D_FUN]。

Experiments and results

参数优化

通过网格搜索确定最优参数：l₁=0.01，φ=0.4，l₂=0.005，ρ=0.005。

性能对比

在HMDAD数据集上，BANSMDA的AUC（0.98）比MOSFL-LNP提升5.31%，AUPR（0.64）提升3.37%。F1-Score显著优于LRLSHMDA、BIRWMP等方法。

案例验证

哮喘预测Top20微生物中19种获文献验证（如Helicobacter pylori），结直肠癌相关微生物全部验证（如Clostridium）。对Escherichia和Bacteroides的疾病预测准确率均达95%。

Discussion

模型在数据稀疏场景下存在过拟合风险，未来需结合生物知识图谱增强解释性。AUPR与AUC差异反映HMDAD数据阳性样本仅占0.5%-2%，需设计样本平衡策略。

Conclusion

BANSMDA通过多模态特征融合与稀疏约束，为微生物-疾病关联研究提供新范式，其预测结果已通过哮喘等典型病例验证，在精准医疗和生态健康领域具有应用潜力。