基于受试者分层随机森林结合纵向HMP2队列识别炎症性肠病的肠道微生物群与代谢通路特征

《Genes》：Gut Microbiota and Metabolic Pathway Signatures for Inflammatory Bowel Disease Identified via Subject-Stratified Random Forest Based on the Longitudinal HMP2 Cohort

　　

背景：炎症性肠病（IBD）以严重的肠道微生物失调为特征。基于纵向HMP2队列构建的大多数机器学习诊断模型因随机样本级交叉验证划分导致严重数据泄漏，造成AUC值人为虚高。此外，微生物预处理、随机森林超参数及多维评估指标报告不完整降低了已有研究的可重复性。方法：研究人员重新分析了公开HMP2（IBDMDB）纵向宏基因组数据集，包含130名独立受试者（103名IBD/27名健康对照）及1627份纵向粪便样本。原始585个物种经最小相对丰度1×10?5且样本检出率≥20%过滤后保留89个分类单元；1135条代谢通路全部保留。组合对数比（CLR）变换应用于组成型丰度数据。研究人员执行了Wilcoxon差异检验并结合Benjamini–Hochberg错误发现率（FDR）校正、α/β多样性分析，以及三种随机森林模型（过滤物种、全部FDR显著通路、严格过滤通路）。关键改进包括受试者ID分层5折交叉验证重复5次、仅折叠内训练集计算特征重要性、类权重平衡不平衡IBD/对照样本。PERMANOVA采用受试者分层与PERMDISP离散度检验，均使用999次固定种子置换。结果：四种α多样性指数在IBD患者中均显著降低（均p<0.0001）。受试者分层PERMANOVA显示疾病状态仅解释Bray–Curtis群落总方差的1.18%（R2=0.0118，p=1）；PERMDISP检测到显著组间离散异质性（p=0.027）。研究人员鉴定出63个差异丰度物种与695条扰动通路（FDR<0.05）。典型丁酸盐产生菌Faecalibacterium prausnitzii与Roseburia hominis未见显著组间差异。Bootstrap 1000次重采样AUC 95% CI表明中等分类性能：物种模型（0.626–0.705，均值AUC=0.665）、全显著通路模型（0.645–0.712，均值AUC=0.679）、严格通路模型（0.620–0.685，均值AUC=0.654）。Alistipes putredinis与肽聚糖生物合成I分别为顶级分类与通路生物标志物。结论：本研究通过受试者级交叉验证划分建立了无泄漏的纵向微生物队列机器学习流程。中等AUC值消除了样本泄漏导致的虚假高性能，为IBD提供了可靠的候选微生物与代谢生物标志物。受单队列内部验证与未校正药物混杂因素限制，这些标记在临床转化前仍需独立多中心外部验证。

研究背景与动机

炎症性肠病（IBD）由克罗恩病（CD）与溃疡性结肠炎（UC）组成，是一种慢性复发性胃肠道炎症性疾病，全球发病率持续上升。肠道微生物失调诱发的肠免疫功能障碍是IBD核心致病驱动因素。结肠镜虽为诊断金标准但具侵入性且成本高，粪便钙卫蛋白可量化黏膜炎症活动却无法捕获疾病特异性微生物改变。健康肠生态中具核梭菌属等丁酸盐产生菌（如Faecalibacterium prausnitzii、Roseburia hominis）为有益共生菌，其丁酸盐是结肠细胞主要能量源并维持黏膜免疫稳态；横断面研究多报道IBD中此类菌耗竭及机会性病原菌富集。机器学习已成为挖掘微生物诊断标志物主流工具，但既往iHMP（HMP2）队列分析存在方法学缺陷：若按测序样本而非唯一受试者ID随机划折，同一人重复标本同时入训练与测试集，致严重数据泄漏与AUC虚高；且多数模型省略随机森林超参数、组成数据标准化与多维评估指标，可重复性低。为此，研究人员在《Genes》发表本研究，重新分析HMP2宏基因组数据，严格采用受试者级分层交叉验证消除伪重复，全面报告机器学习参数，筛选可靠IBD微生物与代谢标志物并客观讨论局限。

主要关键技术方法

研究人员使用公开iHMP IBDMDB纵向宏基因组队列，含130名独立受试者（103名IBD：65 CD、38 UC；27名健康对照）及1627份粪便样本（IBD 1201份、对照426份；150份IBD与15份对照样本近期暴露于抗生素）。原始585物种经相对丰度≥1×10^?5且检出率≥20%滤至89种，1135条代谢通路全留。丰度矩阵行组合对数比（CLR）变换。统计上用Wilcoxon秩和+BH FDR校正选差异分类/通路；α多样性（Chao1、Observed species、Shannon、Simpson）经vegan计算，β多样性用Bray–Curtis+PcoA，PERMANOVA（adonis2）嵌strata=subject_id、固定种子、999置换，辅PERMDISP离散检验。机器学习建三个随机森林（ntree=1000，mtry=√特征数，最小节点5，class.weight平衡），交叉验证为按subject_id分层5折×5次重复（共25拟合并行），每折仅用训练集重算BH-FDR与Mean Decrease Gini重要性，无测试集泄漏；Bootstrap 1000次出AUC 95% CI，并报灵敏度、特异度、精确率、F1、MCC。

研究结果

3.1 队列基线元数据：130人1627样本，抗生素暴露150 IBD+15对照；过滤后89物种与1135通路进入下游，其中63物种与695通路FDR<0.05差异。

3.2 α多样性在IBD显著下降：四项指数（Chao1、Observed species、Shannon、Simpson）IBD组均显著低于对照（均p<0.0001），反映炎症下物种丰富度与均匀度整体萎缩。

3.3 弱全局群落分离与不均多变量离散：Bray–Curtis PCoA中PCoA1/2解释16.34%/11.55%，两组95%椭圆大重叠；受试者控制PERMANOVA显示疾病仅解释R²=0.0118（p=1），PERMDISP p=0.027示组间离散异质，提醒不等离散干扰PERMANOVA解读。

3.4 差异丰度分析未见核心丁酸盐菌偏移：63物种与695通路FDR<0.05差异，但Faecalibacterium prausnitzii与Roseburia hominis无显著组间差；受试者水平中位聚合后无物种显著、仅52通路显著，证明未校正重复样本检测夸大假阳性。

3.5 三随机森林模型中等分类性能：AUC中位数全显著通路模型最高、物种次之、严格通路最低；Bootstrap 1000 CI：物种0.665(0.626–0.705)、全通路0.679(0.645–0.712)、严格通路0.654(0.620–0.685)。默认0.5阈值下高灵敏低特异（特异0.162–0.187，MCC 0.151–0.193），阈升至0.7特异与MCC改善而灵敏降，示阈值依赖失衡，模型具中等排序力但硬分类不适单独临床筛查。

3.6 Gini重要性筛顶级标志：分类级Alistipes putredinis居首，继以[Ruminococcus] torques、Phocaeicola vulgatus，高位多属促炎Alistipes/Bacteroides；通路级肽聚糖生物合成I权重最大，高发通路聚于细菌细胞壁合成与淀粉降解。

讨论总结

研究人员指出低PERMANOVA R²与中等AUC不矛盾：PERMANOVA量全体群落结构位移，随机森林仅借小簇高影响标志物判别，不须全群落重构；PERMDISP p=0.027提示离散不均需谨慎解读。Alistipes putredinis在多独立队列关联IBD失调；扰动通路集中于肽聚糖合成与碳水代谢，反映致病菌入侵潜势与营养利用改变。Faecalibacterium prausnitzii/Roseburia hominis不显著可能缘于IBD组广泛抗生素暴露、纵向时序波动及严格检出率过滤掩盖常规信号。受试者分层划折从根本消伪重复，折叠内算重要性避全数据集预筛偏倚。局限含单队列无外部验证、150 IBD样本抗生素混杂且缺生物制剂/疾病活动指数、低检出分类单元丢弃可能损罕见功能菌、高灵敏低特异限独立诊断用。研究人员明确FDR<0.05为差异检验统计截点，AUC为经验性能参考而非假设检验阈。

结论翻译

通过无泄漏受试者分层随机森林分析纵向HMP2宏基因组队列，研究人员识别出候选IBD关联微生物物种与代谢通路标志物。图3所示中等AUC区间（0.654–0.679）在无数据泄漏干扰下给出肠道微生物诊断能力的客观无偏评估。未来需多中心外部验证及整合临床用药与疾病活动元数据，以提升标志物特异度与转化临床价值。