《Frontiers in Microbiology》：A data-driven universal gut microbiome health assessment: a machine learning framework trained on large metagenomic data
编辑推荐：
肠道微生物群对维持宿主生理至关重要，其紊乱（dysbiosis）与多种疾病相关。机器学习（ML）为建模物种水平微生物组特征提供了有力工具，但能在独立队列中可靠区分健康与患病个体的分类器仍较缺乏。研究人员开发了一种ML分类器，基于物种水平肠道微生物组特征区分健康
肠道微生物群对维持宿主生理至关重要，其紊乱（dysbiosis）与多种疾病相关。机器学习（ML）为建模物种水平微生物组特征提供了有力工具，但能在独立队列中可靠区分健康与患病个体的分类器仍较缺乏。研究人员开发了一种ML分类器，基于物种水平肠道微生物组特征区分健康个体（无临床诊断疾病）与非健康个体（有临床诊断疾病），训练数据来自32项研究、12种疾病共7,452个公开粪便宏基因组。研究人员训练了16个有监督模型，组合4种算法（随机森林（RF）、线性支持向量机（SVM-LIN）、径向基核支持向量机（SVM-RBF）、弹性网络逻辑回归（LR-ElasticNet））与全特征集及3种特征选择算法。在留出测试集上以F1分数和ROC–AUC评价，并在6个独立队列642个样本上做外部验证，含未见疾病。测试集上所有模型F1为78–86%、ROC–AUC为89–95%；基于置换的特征选择（PFI）的SVM-RBF最优（F1=86.6%，ROC–AUC=95.5%；健康F1=86.6%，非健康F1=88.7%）。外部验证中全特征SVM-RBF具可泛化性（总F1=70.6%，ROC–AUC=84.7%），对艰难梭菌（Clostridioides difficile）感染（F1=90.3%）和2型糖尿病（T2D，F1=77.4%）等未见疾病也有效。特征重要性与多变量分析揭示共有和疾病特异性微生物特征，如肺炎克雷伯菌（Klebsiella pneumoniae）、鸟氨酸拉乌尔菌（Raoultella ornithinolytica）、瓦氏萨特菌（Sutterella wadsworthensis）、产甲酸吉米菌（Gemmiger formicilis）、卷曲乳杆菌（Lactobacillus crispatus）与疾病相关；健康状态常伴随海氏外栖菌（Extibacter hylemonae）、产乳酸鲁then菌（Ruthenibacterium lactatiformans）。结果表明，基于合并宏基因组训练的模型可准确预测肠道健康状态并迁移到独立队列，为无创筛查和候选微生物生物标志物研究提供可扩展框架。
该研究发表于《Frontiers in Microbiology》。研究背景方面，肠道微生物群（gut microbiota）是宿主生理与肠稳态的核心组成，其生态紊乱（dysbiosis）已被关联到结直肠癌、帕金森病、肥胖、炎症性肠病、2型糖尿病等多种疾病。然而，既有机器学习（ML）或人工智能（AI）分类器多基于单一疾病、单一队列，易受队列特异性技术变异、样本量不足和方法异质性影响，难以在独立队列中稳定区分健康与非健康；同时，“健康肠道微生物组”缺乏统一定义，物种数多于样本数、零膨胀、组成性（compositionality）等特性也限制传统统计模型。因此，研究人员提出跨多疾病、多队列池化宏基因组数据，训练可泛化的二分类健康状态预测模型。
主要关键技术方法上，研究人员从PubMed与Google Scholar检索截至2024年8月31日的人体粪便鸟枪法宏基因组（shotgun metagenomics）研究，经纳入排除后保留32项研究、12种疾病、7,452个样本，外部验证另取6项独立研究642个样本。统一流程包括用Fastp质控、Bowtie2去除人源DNA、Kraken2比对UHGG数据库、Bracken校正物种相对丰度；以MMUPHin按BioProject校正批次效应；按物种检出率≥20%过滤得4,022个物种，中心对数比（CLR）变换后80:20划分训练与测试集；采用RF、SVM-LIN、SVM-RBF、LR-ElasticNet四类算法，配合LASSO、PFI、RFECV三种特征选择，用随机搜索与网格搜索调参，以F1和ROC–AUC评价，并以MaAsLin2和SHAP（SHapley Additive exPlanations）做关联与可解释分析。
研究结果如下。3.1 基于生物信息学流程的数据收集与再处理概述：研究人员池化41项研究11,492个宏基因组，过滤后得32项研究7,452个样本；α多样性（Shannon、Chao1）在健康组更高但效应小，β多样性（Aitchison距离）显示健康与非健康总体分离弱（R2=0.56%），而12种疾病表型间分离更强（R2=4.04%），说明疾病异质性强；MMUPHin批次校正后研究来源方差减半，健康状态信号保留。结论：常规多样性指标只能捕获微弱且疾病异质的信号，跨疾病合并会稀释疾病特异组成信号。
3.2 利用粪便微生物组数据的二分类机器学习模型开发：在全体特征集上，SVM-RBF测试集F1=86.4%、ROC–AUC=94.6%，优于LogReg-ElasticNet（F1=81.8%）、SVM-LIN（F1=81.7%）、RF（F1=79.4%）。结论：非线性核SVM-RBF最能捕捉物种水平健康/非健康边界。
3.3 基于PFI的SVM-RBF提升肠道健康预测：PFI保留3,127个物种，SVM-RBF-PFI测试集F1=86.6%、ROC–AUC=95.5%，健康F1=86.6%、非健康F1=88.7%；RFECV与LASSO略低。结论：PFI在降维同时保留最具判别力的群落水平信号，优于过度稀疏的LASSO。
3.4 关键肠道微生物物种鉴定及用MaAsLin2增强疾病表型生物学可解释性：对前50位PFI物种做MaAsLin2多变量关联，发现肺炎克雷伯菌与9种疾病正关联，鸟氨酸拉乌尔菌、瓦氏萨特菌、产甲酸吉米菌等具多表型关联；海氏外栖菌、产乳酸鲁then菌等关联健康。结论：模型挑出的分类单元不仅有预测价值，也具有统计学显著的表型关联，非队列假象。
3.5 SVM-RBF模型在外部验证队列的泛化能力评估：全特征SVM-RBF在642个独立样本上总F1=70.6%、ROC–AUC=84.7%；对未见过的艰难梭菌感染F1=90.3%、2型糖尿病F1=77.4%、动脉粥样硬化性心血管疾病（ACVD）F1=94.1%。结论：跨队列、跨未训练疾病仍具实用判别力，全特征比特征选择子集在外部集中更稳。
3.6 通过可解释人工智能（XAI）评估SVM-RBF特征相关性：用SHAP得到2,525个非零贡献特征，前20中瓦氏萨特菌A推非健康、梭菌门某Fusobacterium A推健康；PFI与SHAP重叠仅29个。结论：边际重要性与加性解释并不完全一致，健康/疾病信号分布广，不能靠单排名截断。
讨论部分总结：研究人员指出，单队列模型易学技术噪声，池化32研究12病7,452样本能抓跨病共有失调信号；α/β多样性不是通用健康标记；以BioProject做批次校正可减少技术异质，但无法完全分离技术与原发生物差异；非线性SVM-RBF在测试与外部验证均最优；PFI内部提升大，但外部集中全特征更稳；鉴定出的肺炎克雷伯菌、瓦氏萨特菌、海氏外栖菌等既有文献佐证又有统计关联，可作候选生物标志物待临床验证。
研究结论部分翻译：人类肠道承载密集且分类多样的微生物群落，其组成与宿主健康和疾病密切相关。本研究开发人员了一种ML框架，从物种水平粪便宏基因组特征预测肠道健康状态（即有无临床诊断疾病）。单队列分类器常学习队列内技术与人群变异，独立队列表现差；研究人员因此合并32项独立研究、12种疾病的7,452个公开粪便宏基因组，训练可跨队列与跨疾病复现的失调信号模型。多样性和组成分析显示α/β多样性仅解释极少疾病相关变异，无单一多样性指标可作通用健康标记；MMUPHIN按BioProject校正降低了研究间技术异质，但不能完全剥离生物差异。16个模型中，非线性SVM-RBF在测试集与外部验证均最优：SVM-RBF-PFI测试集F1=86.6%、ROC–AUC=95.5%；全特征SVM-RBF外部验证总F1=70.6%、ROC–AUC=84.7%，对未见疾病如艰难梭菌感染与2型糖尿病仍有效。前50物种MaAsLin2分析显示肺炎克雷伯菌、鸟氨酸拉乌尔菌等具多疾病正关联，海氏外栖菌等关联健康；SHAP表明预测信号广布于群落而非少数分类单元。结果表明，基于池化宏基因组训练的模型可准确预测肠道健康状态并迁移至独立队列，为无创筛查与候选微生物生物标志物临床评估提供可扩展框架。
