21
2018．12
口腔微生物口臭預測模型
原創文章 引用請註明出處
利用機器學習模型預測口腔疾病的發生已有不少研究，例如2015年的研究，建構齲齒預測模型達到透過口腔微生物變化早期發現疾病的發展，預測準確率達81%[1]，另一篇2018發表的齲齒發生的預測模型準確度則達93.1%[2]。另外關於牙齦炎的研究，亦有利用牙菌斑菌相結構所開發的預測模型群體驗證的準確度95%[3]。
除了齲齒或牙齦炎等口腔疾病外，口臭也是令人困擾且常見的口腔問題。口臭主要是由細菌間交互作用產生的揮發性硫化物引起，2018年 BMC Oral Health 的研究中，共收集了90名患者（其中45人有明顯口臭）唾液樣本做 16S rRNA 基因定序分析，包含了37名男性與53名女性，平均年齡50±14.7歲，並在3個月內沒服用抗生素，也沒有耳鼻喉科疾病或代謝疾病。收樣檢測分為進食、飲水、咀嚼、吸煙、刷牙或沖洗口腔後至少5小時進行口臭評估和臨床檢查，包括唾液流量和粘膜水分測試，並使用口香糖從受試者收集唾液樣品。
除了齲齒或牙齦炎等口腔疾病外，口臭也是令人困擾且常見的口腔問題。口臭主要是由細菌間交互作用產生的揮發性硫化物引起，2018年 BMC Oral Health 的研究中，共收集了90名患者（其中45人有明顯口臭）唾液樣本做 16S rRNA 基因定序分析，包含了37名男性與53名女性，平均年齡50±14.7歲，並在3個月內沒服用抗生素，也沒有耳鼻喉科疾病或代謝疾病。收樣檢測分為進食、飲水、咀嚼、吸煙、刷牙或沖洗口腔後至少5小時進行口臭評估和臨床檢查，包括唾液流量和粘膜水分測試，並使用口香糖從受試者收集唾液樣品。
研究人員基於OTU相對豐度建立 Neural Network 與 SVM 對口臭及非口臭樣本建立分類預測模型，並以 leave-one-out 做交叉驗證。並利用 LEfSe 找出在口臭群體和健康群體間豐度具有顯著差異的物種，把這些物種當作 feature 訓練模型，透過鑑定口臭受試者唾液菌相結構，與口臭密切相關的菌屬有擬桿菌 (Bacteroides)、普雷沃氏菌 (Prevotella)和卟啉單胞菌 (Porphyromonas genera)，所建構的分類模型預測口臭準確度達97% (deep learning)。未來在臨床上或許可透過唾液菌相結構預測口臭的發生。
預測模型觀點評述： 論文使用 h2o.deeplearning 時並無指定 hidden layer 層數與 neuron 個數，因此可能作者是依照預設方式建立2層 hidden layer，每層具有200個 neurons。這樣模型可能會有過度訓練 (或稱過度擬合; overfitting)的情形發生，因為若僅有90筆訓練資料卻使用過多的 neurons 進行學習，就極有可能發生 overfitting。
[1] Teng, F., Yang, F., Huang, S., Bo, C., Xu, Z. Z., Amir, A., et al. (2015). Prediction of Early Childhood Caries via Spatial- Temporal Variations of Oral Microbiota. Cell Host and Microbe, 18(3), 296–306.
[2] Xu, H., Tian, J., Hao, W., Zhang, Q., Zhou, Q., Shi, W., et al. (2018). Oral Microbiome Shifts From Caries-Free to Caries-Affected Status in 3-Year-Old Chinese Children: A Longitudinal Study. Frontiers in Microbiology, 9, 362–13.
[3] Huang, S., Li, R., Zeng, X., He, T., Zhao, H., Chang, A., et al. (2014). Predictive modeling of gingivitis severity and susceptibility via oral microbiota. ISME, 8(9), 1768–1780.
[4] Nakano, Y. (2018). Predicting oral malodour based on the microbiota in saliva samples using a deep learning approach. BMC Oral Health, 1–7.
圖爾思生物科技 / 微生物體研究中心
郭育倫 文案
© BIOTOOLS. All Rights Reserved
