基于机器学习解析肠道菌群特征预测高尿酸血症及痛风的诊断新策略

本研究针对高尿酸血症(HUA)和痛风诊断难题，通过机器学习(ML)分析233例患者肠道菌群16S rRNA数据，发现Oscillospiraceae_UCG-005等核心菌属可作为生物标志物。随机森林(RF)模型预测准确率达82-96%，并揭示嘌呤代谢通路的关键作用，为无创诊断提供新思路。

　　

随着现代生活方式改变，高尿酸血症(HUA)和痛风已成为全球公共卫生挑战。痛风作为炎症性代谢风湿病，由尿酸(UA)异常升高和单钠尿酸盐(MSU)晶体沉积引发，常伴随心血管疾病等严重并发症。尽管HUA是痛风主要风险因素，但仅约10%患者会发展为痛风，这种转化机制尚不明确。更棘手的是，传统诊断方法难以区分不同疾病阶段，而肠道作为尿酸排泄的重要途径，其菌群特征可能隐藏着关键答案。

西澳大利亚大学马歇尔传染病研究中心与广东省人民医院的研究团队在《BMC Microbiology》发表创新研究。他们整合机器学习与微生物组学技术，通过分析233例粪便样本的16S rRNA数据，构建了基于肠道菌群特征的诊断模型。研究采用Illumina平台测序，运用USEARCH进行OTU聚类，结合SHAP可解释性算法识别核心菌属，并通过Tax4Fun2预测代谢功能。样本来自中国、日本和韩国多中心队列，包含健康对照(HC)、HUA和痛风患者三组。

微生物多样性分析显示：
健康对照组肠道菌群多样性最高，而痛风组显著降低。PCoA分析证实三组菌群结构存在显著差异(R值0.167-0.651)，共现网络显示健康组微生物互作更复杂(平均连接度12.23 vs 痛风组6.14)。

核心菌属鉴定方面：
通过LEfSe和SHAP分析发现，Christensenellaceae和Oscillospiraceae_UCG-005是区分HUA的关键菌属(LDA>2)，而痛风组特征性富集Rhodococcus和Alistipes。SHAP特别揭示Halomonas在HUA向痛风转化中的潜在作用。

机器学习模型表现：
随机森林(RF)在三种比较组中均表现最优，HC vs 痛风组准确率达92.46%，5折交叉验证88.01%。特征重要性分析显示，基于SHAP选择的菌属比随机选择特征模型准确率提高约20%。

代谢功能预测：
Tax4Fun2分析表明，嘌呤代谢通路在痛风组最活跃，其代谢产物黄嘌呤/次黄嘌呤水平升高。HUA组则显示嘧啶代谢增强，可能通过DNA修复酶消耗缓解尿酸压力。

这项研究开创性地建立了肠道菌群特征与尿酸代谢疾病的关联图谱。通过可解释AI技术，不仅发现Oscillospiraceae_UCG-005等新型生物标志物，还揭示了微生物-代谢轴在疾病发生中的关键作用。RF模型的高精度(最高96%)为临床无创诊断提供可靠工具，而嘌呤代谢通路的发现为靶向治疗指明方向。该成果对实现痛风早期预警和个性化干预具有重要价值，特别在肾功能代偿机制研究方面开辟了新视角。未来通过扩大样本量和多组学验证，这一方法有望转化为实际临床应用。