基于Transformer稳健主成分分析的人体微生物组年龄估计

深度学习在微生物组分析中展现出理解微生物群落与人类表型的潜力。本文提出一种基于Transformer的鲁棒主成分分析（TRPCA）方法，该方法结合了Transformer架构的优势与鲁棒主成分分析的可解释性。为探究TRPCA相较于传统机器学习模型的优势，我们在三个身体部位（皮肤、口腔、肠道）的年龄预测任务上，使用16S rRNA基因扩增子（16S）和全基因组测序（WGS）数据进行了性能基准测试。我们展示了基于纵向样本的年龄预测能力，并通过多任务学习（MTL）实现了分类与回归任务的联合建模。相比传统方法，TRPCA显著提升了人体微生物组样本的年龄预测精度，其中WGS皮肤样本（MAE: 8.03，误差降低28%）和16S皮肤样本（MAE: 5.09，误差降低14%）的平均绝对误差降幅最大。此外，TRPCA的MTL模型在五国出生地预测任务中达到89%的准确率，同时提升了WGS粪便样本的年龄预测性能。值得注意的是，通过对测序方法（16S/WGS）和身体部位（口腔/肠道）配对样本进行残差分析，TRPCA揭示了受试者个体特征与预测误差之间的关联。这些发现凸显了TRPCA在提升年龄预测精度的同时保持特征层面可解释性的优势，并阐明了个体与微生物组之间的潜在联系。