机器学习模型用于识别源自肠道微生物组的代谢物作为自闭症谱系障碍的潜在生物标志物：一项初步研究

《BMC Psychiatry》：Machine learning model to identify gut microbiome-derived metabolites as potential biomarkers of autism spectrum disorder: a pilot study

　　

摘要

自闭症谱系障碍（ASD）是由遗传因素和环境因素之间复杂且尚未完全理解的相互作用引起的。除了ASD大脑中已知的神经生物学和结构变化特征外，肠道微生物群的改变在ASD患者中也经常被观察到，这些改变可能对其病理生理学有所贡献。通过多变量分析和机器学习来识别可靠的生物标志物，为改善ASD的诊断和理解共病的胃肠道症状提供了有希望的途径。在这项研究中，训练了一个机器学习模型，该模型基于每种肠道细菌物种和每个个体的代谢物理论生成情况来识别ASD患者和健康对照组，结合了从两个全球数据库（GMRepo v2和Agora2）收集的数据。随机森林分类模型的平均准确率为85%，随后对最显著的5%的代谢物进行的文献分析显示，这些代谢物与先前发表的体内研究有40%的吻合度。理论模型检测到的一些最相关的化合物包括氨基酸及其衍生物、挥发性有机化合物和短链脂肪酸。研究结果与实证证据一致，支持肠道微生物群在ASD病理生理学中的作用，即通过参与神经递质的生物合成和降解、维持肠道上皮屏障的完整性以及调节免疫系统。未来的工作将集中在分层采样、实证验证以及开发用于早期诊断和精准医疗的个性化代谢特征上。