《Environmental Microbiology Reports》：Microbiome Continuum: Connecting Environmental, Host-Associated and Engineered Microbiomes Through One Health and Artificial Intelligence
编辑推荐：
微生物组日益被理解为跨越土壤、水、植物、动物、人类和工程环境的相互关联的生态系统，而非孤立的宿主相关群落。这种微生物组连续体（microbiome continuum）通过将微生物细胞与代谢物、基因、信号分子和生态功能跨环境边界的移动联系起来，为同一健康（On
微生物组日益被理解为跨越土壤、水、植物、动物、人类和工程环境的相互关联的生态系统，而非孤立的宿主相关群落。这种微生物组连续体（microbiome continuum）通过将微生物细胞与代谢物、基因、信号分子和生态功能跨环境边界的移动联系起来，为同一健康（One Health）提供了机制性视角。在此，研究人员批判性地审视了维持这种连续性的生物学过程，包括扩散、水平基因转移（HGT）、代谢交换、环境暴露和宿主-微生物通讯。研究人员考虑了气候变化和人为干扰如何重塑这些相互作用，并影响抗菌素耐药性（AMR）、非传染性疾病、生态系统功能和病原体出现。研究人员进一步评估了人工智能（AI）（包括机器学习（machine learning）和深度学习（deep learning））如何整合多组学（multi-omics）和纵向数据，同时强调预测性能并不能确立因果关系，且AI仍然依赖于数据质量、生物学知识和实验验证。工程微生物组为定向干预提供了机会，但生态稳定性、生物安全性、HGT和转化不确定性仍是重要制约因素。研究人员提出了一个同一健康微生物组智能框架（OH-MIF）作为跨领域整合的概念架构，并强调标准化数据、因果验证、公平参与和人类监督。
1 引言
微生物组研究历史上按临床、农业、环境和工程等相对独立的领域组织，但人类微生物组受饮食、环境暴露、抗菌药物使用和建筑环境等多重因素影响，因此应被视为更大连续体的一部分。微生物组连续体这一视角与同一健康（One Health）框架相契合，强调人类、动物和环境健康相互依存。生态连续性不需要直接定殖，微生物可通过扩散、代谢物、信号分子和可移动遗传元件等影响其他生态系统。技术进步如宏基因组学（metagenomics）等提供了互补的信息，但高维数据带来了分析挑战，人工智能（AI）可以提供模式识别工具，但应视为分析工具而非生物学推理的替代品。
2 微生物组连续体：组成部分与连接机制
2.1 环境微生物组作为生态基础
环境微生物组包括土壤、淡水、海洋、沉积物、植物、气溶胶和建筑环境，它们调节养分转化、分解和碳氮循环。土壤微生物组通过植物-食物-肠道途径与宿主微生物组关联，农业管理可改变其结构和功能，而非固定属性。水生微生物组通过养分循环和食物网影响生态系统。
2.2 宿主相关微生物组作为响应界面
宿主相关微生物组是环境暴露和生理功能之间的动态界面。人类肠道微生物组通过短链脂肪酸（SCFAs）、色氨酸衍生物等代谢物影响上皮、免疫和代谢信号。还存在肠-脑、肠-肝、肠-皮肤等多器官通讯。但疾病相关的微生物变化可能是原因、后果或代偿，需谨慎区分。
2.3 工程微生物组作为连续体的设计组件
工程微生物组通过合成生物学、代谢工程和基因组编辑等进行有意修改，可用于活体治疗、生物传感和环境治理。但存在稳定性、遗传漂变、宿主特异性、制造一致性和水平基因转移（HGT）等风险。废水处理和厌氧消化等系统也是工程微生物组的实例，与公共健康相关。
3 微生物组连续性的功能后果
3.1 从微生物组成到微生物功能
仅凭群落组成无法可靠预测功能输出，因为功能冗余可使不同群落执行相似功能，而相似群落也可在不同环境下表达不同活性。宏蛋白质组学（metaproteomics）和代谢组学（metabolomics）提供了功能层面的信息。碳和氮转化连接微生物活动与生态系统生产力，SCFAs和色氨酸转化影响宿主生理，HGT传播抗菌素耐药性（AMR），代谢交叉互养支持群落稳定性。
3.2 微生物组、非传染性疾病与因果关系
微生物组与肥胖、代谢病、心血管疾病、癌症和神经疾病关联，但同一表型在不同人群可与不同微生物配置相关。微生物代谢物是更具机制性的终点，但代谢物活性不等于临床改善。癌症免疫治疗中微生物组相关的预测标志物需外部验证和前瞻性效用。
3.3 抗菌素耐药性作为连续体现象
AMR存在于人类、动物、农业、土壤和水生微生物组中。HGT可在群体间移动耐药决定因子。需要跨人类、动物和环境储库的协调监测，废水基流行病学和基因组监测有用，但需全球标准化。
4 气候变化作为微生物组连续体的扰动
气候变化通过温度、降水、氧可用性、海洋酸化等影响微生物生态系统，并可能产生反馈。土壤微生物组对温度和水分敏感，农业实践调节响应。海洋微生物组受变暖和酸化的影响。甲烷和氧化亚氮循环由微生物调节，但微生物组气候干预的说法需证据校准。气候变化也通过食物、水和病原体分布间接影响宿主相关微生物组。
5 工程微生物组：受生态约束的机会
工程微生物组利用CRISPR编辑、代谢工程和合成群落等实现受控修改。宿主相关应用包括活体治疗剂，但需在目标生态中保持功能、避免不利基因转移。合成群落依赖交叉互养和空间组织，存在复杂性和进化问题。环境工程与自然管理的区别是渐进的，风险需依据受纳环境评估。
6 人工智能与微生物组研究
6.1 人工智能作为分析工具而非生物学推理的替代品
AI（包括机器学习和深度学习）可识别多变量模式，但预测性能需考虑数据集大小、特征维度、验证策略和外部泛化能力。深度学习可建模非线性关系，但复杂性不必然带来生物学洞见，可解释性归因不等同因果关系。纵向建模可用于识别轨迹，但需注意采样不规则和混杂。
6.2 多组学整合：从关联走向机制
多组学整合（宏基因组、宏蛋白质组、代谢组）可产生假设。AI可辅助整合但非不可或缺，其贡献需与常规基线比较。OH-MIF需要统一的元数据、采样框架和实验程序，否则只是聚合异质数据。
6.3 人工智能支持的诊断与治疗
基于微生物组的诊断模型需前瞻性表现、校准、多样性等验证。AI也被用于干预设计，但预测靶点需先证明因果或治疗可操作性。
7 人工智能驱动的微生物组智能的局限性
7.1 因果关系仍然是核心生物学挑战
关联不等于因果，疾病本身可改变微生物组，药物和饮食等混杂因素存在。因果推断方法和孟德尔随机化可辅助，但仍需实验验证。
7.2 可重复性与批次效应
样本采集、储存、提取、测序平台等造成技术变异，如果不处理，AI模型可能产生表面强大但不可泛化的预测。外部验证应纳入模型开发初期。
7.3 避免对人工智能的过度依赖
过度依赖AI会削弱人类监督，尤其在研究不足的环境。应保留独立人类评估，检查数据质量和替代分析。
7.4 方法论循环的危险
AI会强化训练数据所代表的测量方法，例如以分类学为主的数据会使模型忽略代谢物等未测量的变量。需要方法创新与新生物学变量并行。
8 同一健康微生物组智能框架（OH-MIF）
OH-MIF是概念架构而非运营平台，包含观察、协调、推断、验证和翻译五层。AI应处于更广泛的证据架构中，而非定义它。不确定性和生态背景必须显式表示。
9 全球南方维度与公平性
微生物组数据集分布不均，模型可能不适用于热带地区。当地农业和气候条件产生独特微生物动态，需本地合作和公平的数据治理。
10 监管、生态与社会考量
微生物组技术处于不同监管类别，需按产品特性评估。工程微生物组的生态风险包括HGT、持久性和非预期效应。AI治理涉及数据所有权、隐私、偏见和问责。
11 迈向微生物组连续体的研究议程
四个优先方向：区分微生物转移与功能转移；采用纵向和干扰设计；AI报告透明并与非AI基线比较；工程采用生态学成功标准。
12 结论
微生物组连续体是一个可检验的生态框架，扩展了连接概念到代谢物、基因等。它加强了One Health的基础，但暴露了因果推断、可重复性和公平方面的不确定性。AI和工程微生物组提供机会但需嵌入实验验证和人类监督。
