基于XGBoost算法与16S rRNA序列特征预测细菌在不同培养基中的生长：MediaMatch工具的构建与应用

本研究利用MediaDive数据库中的2369种培养基成分与微生物16S rRNA序列，采用XGBoost算法构建了45个二分类模型，准确预测细菌在不同培养基中的生长适应性。模型准确率达76%–99.3%，其中J386、J50和J66培养基模型表现最佳。研究证实了机器学习在微生物培养基优化中的高效性与实用性，为微生物培养策略提供了智能决策支持。

　　

引言

微生物培养是微生物学研究的基础环节，而选择合适的培养基是成功培养微生物的关键。传统培养基筛选方法依赖经验或试错，效率低下。近年来，机器学习方法为培养基优化提供了新思路。16S rRNA序列长约1500 bp，包含10个进化保守区和9个高变区，已广泛用于细菌分类和进化分析，其分辨率和准确性高于传统方法。

材料与方法

培养基-微生物数据集构建

研究使用MediaDive数据库，共提取2369种培养基的营养成分、培养条件及其可培养的细菌菌株信息，构建了培养基-微生物数据集。

输入数据集构建

从MediaDive中筛选出可培养100种以上细菌的45种培养基，收集26,271条细菌16S rRNA序列。使用iLearnPlus工具将序列转换为3-mer频率特征，以滑动窗口方式计算，避免序列长度偏差。以细菌能否在某培养基上生长作为标签（1/0），构建45个二分类模型的输入数据。

机器学习算法选择与评估

比较XGBoost、CART、SVM、KNN和RF五种算法。XGBoost综合表现最优，平均准确率达93.0%，精确率92.2%，召回率93.0%，F1分数92.3%，AUPRC为65.1%。其他算法如KNN和RF也表现良好，但略逊于XGBoost。

模型优化与验证

采用网格搜索（GridSearchCV）优化XGBoost参数，包括树深度（3–10）和学习率（0.01–0.4）。使用五折交叉验证确保模型泛化能力。损失函数选用二分类逻辑损失。

特征重要性提取

利用XGBoost内置get_score函数计算特征重要性，发现模型重点关注16S rRNA中的5个3-mer motif：TTT、TTG、AAT、AGT和CGG，这些motif多位于高变区，有助于区分菌株并匹配培养基。

结果

培养基成分分析

2369种培养基共含863种营养成分。常见成分包括NaCl、MgSO₄·7H₂O、酵母提取物等，出现频率高；而N-乙酰葡糖胺等仅出现21次，可能为特定细菌生长所必需。

模型性能

45个XGBoost模型准确率介于76%至99.3%之间，其中J386、J50和J58培养基模型AUC达100%。ROC曲线显示绝大多数模型AUC超过90%，表明分类能力优异。

实验验证

选取10种人体肠道细菌进行验证，包括Collinsella aerofaciens和Eubacterium ventriosum等。模型预测E. ventriosum可在104培养基生长，C. aerofaciens可在78、78+和104培养基生长。实验结果表明，C. aerofaciens在78和78+培养基中生长良好，E. ventriosum在104培养基中生长良好，与预测一致。

讨论

本研究构建的MediaMatch工具可快速、准确预测细菌培养基适配性，显著提高筛选效率并减少实验成本。16S rRNA的3-mer特征能有效捕捉菌株差异，XGBo算法在处理不平衡数据时表现优异。部分培养基（如514和830）因成分变异大导致模型性能稍低，未来需扩展数据库和模型范围以提升泛化能力。

作者贡献与资助

研究由国家重点研发计划（2022YFC2105500）、农业科技创新计划（CAAS-ZDRW202304）和国家现代农业产业技术体系（CARS-41）资助。多位作者在方法设计、数据分析、实验验证和论文撰写中做出贡献。