- 3 次围观
微生物碳利用是一种基础性的生态表型，尽管相关通路已得到充分表征，但仍然难以仅凭基因组进行预测。机器学习模型在跨数据集推广时表现不佳，这一失败通常被归因于训练集规模和分类学偏倚。为检验这一观点，我们整合了来自四个数据集的二元生长表型数据，涵盖819个菌株在240种碳源上的表现。平衡准确率在数据集内部为0.86，而跨数据集时下降至0.62；对近缘菌株进行测试仅能挽回其中0.03的降幅，因此，机制上不一致的基因型—表型关系驱使模型依赖与数据集相关的捷径。将训练限制于一致样本（即测得的生长情况与其注释通路相匹配）后，跨数据集中能够恢复已知通路基因的碳源数量增加了一倍（15种中由6种增至12种）；而采用规模匹配的随机子集则未出现这一结果。向训练集中加入超过8000个经文献整理的 BacDive 基因组，并未比规模更小的一致样本集更能提升跨数据集表现，这表明一致性比数据量更为重要。由于此类筛选需要一个机制性预测器，我们测试了一种无机制替代方案，将系统发育一致性与实验标签相结合；该方法恢复了部分性能提升，但未能获得召回率方面的优势。一致性训练的模型是受限的专门模型，在挽救机制性假阴性方面的频率是挽救假阳性的两倍多（44% 对 19%），其中大多为代谢广谱型菌株。为界定这些边界，研究利用模型置信度定义了适用域，并发现优先选择低置信度基因组纳入训练，相较于随机采样或基于多样性的采样，更能提高跨数据集准确率，尤其对于较弱的表型更为明显。这一结果将生物学机器学习中的泛化问题重新界定为标签—机制一致性与适用域定义的问题，并将其与数据量和算法选择并列看待。
微生物碳利用是一种基础性的生态表型，尽管其相关通路已得到较为充分的表征，但仍然难以仅凭基因组进行预测。机器学习模型在跨数据集泛化时表现较差，这种失败通常归因于训练集规模不足和分类学偏倚。为检验这一点，我们整合了来自四个数据集的二元生长表型数据，涵盖819个菌株和240种碳源。平衡准确率在数据集内为0.86，而跨数据集下降至0.62；即使仅在近缘菌株上测试，也只能恢复其中0.03的下降幅度，因此，机制上不一致的基因型—表型关系促使模型依赖与数据集相关的捷径。将训练限制于一致性样本（即实测生长与其注释通路相匹配）后，跨数据集恢复已知通路基因的碳源数量增加了一倍（15种中由6种增至12种），而规模匹配的随机子集则未出现这种提升。向训练集中加入超过8000个经文献整理的 BacDive 基因组后，其对跨数据集性能的提升并未超过更小的一致性子集，这表明一致性比数据量更为重要。由于此类筛选需要一个机制性预测器，我们进一步测试了一种不依赖机制的替代方案，即结合系统发育一致性与实验标签；该方法恢复了部分性能增益，但未能获得召回率优势。基于一致性训练的模型属于受限的专门型模型，它们在挽救机制性假阴性方面的频率是挽救假阳性的两倍以上（44% 对 19%），且这些样本大多为代谢广谱型菌株。为界定这种边界，我们利用模型置信度定义了适用域，并优先选择低置信度基因组纳入训练；与随机采样或基于多样性的采样相比，这种策略对提升跨数据集准确率更为有效，尤其对于较弱的表型更是如此。这一结果将生物机器学习中的泛化问题重新界定为标签—机制一致性与适用域定义的问题，并将其与数据量和算法选择置于同等重要的位置。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.06.743333v1?rss=1
🏷️ 微生物碳利用 基因型-表型预测 机器学习泛化 数据一致性 基因组学 适用域