Архив номеров
Медицинская Техника / Медицинская техника №5, 2024 / с. 49-52

Построение моделей прогнозирования концентрации бактерий в кишечнике по концентрациям газов в выдыхаемом воздухе

Н.И. Фадеев, И.В. Широков, А.Ю. Иванова, О.C. Медведев, С.И. Щукин


Аннотация

Сделана попытка по концентрации водорода и метана в выдыхаемом воздухе построить прогноз концентрации водородпродуцирующих бактерий, производящих эти газы в толстой кишке лабораторных крыс. Показано, что обычные модели машинного обучения способны установить зависимость концентраций выдыхаемых газов от концентраций бактерий, их производящих в кишечнике.


Вернуться к содержанию

Сведения об авторах

Никита Иванович Фадеев, аспирант, 
Иван Витальевич Широков, аспирант, кафедра «Медико-технические информационные технологии», ФГБОУ ВО «Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет)», 
Анастасия Юрьевна Иванова, ассистент, 
Олег Стефанович Медведев, д-р мед. наук, профессор, зав. кафедрой, кафедра фармакологии, МГУ им. М.В. Ломоносова, 
Сергей Игоревич Щукин, д-р техн. наук, профессор, зав. кафедрой, кафедра «Медико-технические информационные технологии», ФГБОУ ВО «Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет)», г. Москва, 

Список литературы

1. Liao Y.H., Wang Z.C., Zhang F.G. et al. Machine learning methods applied to predict ventilator-associated pneumonia with Pseudomonas aeruginosa infection via sensor array of electronic nose in intensive care unit // Sensors. 2019. Vol. 19. № 8. P. 1866. 
2. Michael N., Hanser F., Ledochowski M. et al. Supervised Machine Learning for Predicting Carbohydrate Malabsorptions Using Hydrogen Breath Tests // Current Directions in Biomedical Engineering. 2022. Vol. 8. № 2. PP. 285-288. 
3. Medvedev O.S., Ivanova A.Y., Belousova M.A. et al. Differential Effects of Carbohydrates on the Generation of Hydrogen and Methane in Low-and High-Methane-Producing Rats // Molecular Hydrogen in Health and Disease. – Cham: Springer Nature Switzerland, 2024. PP. 339-358. 
4. Merkel A.Y., Tarnovetskii Y., Podosokorskaya O.A. et al. Analysis of 16S rRNA primer systems for profiling of thermophilic microbial communities // Microbiology. 2019. Vol. 88. PP. 671-680. 
5. Callahan B.J., Johnson A.J., Holmes S.P. et al. DADA2: High- resolution sample inference from Illumina amplicon data // Nature methods. 2016. Vol. 13. № 7. PP. 581-583. 
6. Quast C., Gerken J., Schweer T. et al. The SILVA ribosomal RNA gene database project: Improved data processing and web- based tools // Nucleic Acids Research. 2012. Vol. 41. № D1. PP. 590-596. 
7. Shin J., Lee S., Go M.J. et al. Analysis of the mouse gut microbiome using full-length 16S rRNA amplicon sequencing // Scientific Reports. 2016. Vol. 6. № 1. P. 29681. 
8. Lim R., Kim H., Kim S. et al. Large-scale metabolic interaction network of the mouse and human gut microbiota // Scientific Data. 2020. Vol. 7. № 1. P. 204. 
9. Hastie T., Friedman J.H., Tibshirani R. The elements of statistical learning: Data mining, inference, and prediction. – New York: Springer, 2009. Vol. 2. PP. 1-758. 
10. Scikit-learn (2021). Scikit-learn: Machine Learning in Python / Retrieved from https://scikit-learn.org/ (дата доступа: 12.03.2024). 
11. Bergstra J., Yamins D., Cox D.D. Hyperopt: A Python Library for Optimizing the Hyperparameters of Machine Learning Algorithms // SciPy. 2013. Vol. 13. P. 20. 
12. Ozaki Y., Watanabe S., Onishi M. et al. Multiobjective tree- structured parzen estimator for computationally expensive optimization problems / Proceedings of the 2020 Genetic and Evolutionary Computation Conference. 2020. PP. 533-541. 
13. Tofallis C. A better measure of relative prediction accuracy for model selection and model estimation // Journal of the Operational Research Society. 2015. Vol. 66. PP. 1352-1362. 
14. Martin A.F., Doddington G.R., Kamm T. et al. The DET curve in assessment of detection task performance // Eurospeech. 1997. Vol. 4. PP. 1895-1898. 
15. Lundberg S.M., Lee S.I. A unified approach to interpreting model predictions // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 10.