新生児腸内細菌叢の階層化と無秩序クラスタリングおよび機械学習分類を用いたSCFA関連微生物サブグループの同定

科学分野:

• マイクロバイオーム研究
• 乳児の健康
• 代謝プロファイリング

背景:

• 新生児の腸内細菌叢は、短鎖脂肪酸（SCFA）産生を通じて乳児の健康に不可欠である。
• SCFA産生微生物コミュニティの正確な組織化は、新生児ではよく理解されていない。
• これらのコミュニティを理解することは、早期の健康介入にとって不可欠である。

研究 の 目的:

• SCFA産生に関連する新生児腸内細菌叢内の異なる微生物サブグループを分類すること。
• これらのSCFA産生サブグループの組成と代謝ポテンシャルを特徴づけること。
• SCFA関連微生物クラスターを予測するための機械学習モデルを評価すること。

主な方法:

• 71組の母子ペアを募集し、微生物16S rRNA遺伝子配列決定およびSCFA定量のために胎便サンプルを収集した。
• 微生物サブグループを特定するために、教師なしクラスタリングアルゴリズム（K平均法、凝集法、スペクトル法、ガウス混合モデル）を適用した。
• SCFA関連クラスターを分類するために、ROC曲線を用いたランダムフォレストおよびロジスティック回帰を利用した。

主要な成果:

• 凝集クラスタリングにより、SCFA産生サブグループが特定され、クラスター1はバクテロイデス属、プレボテラ属、およびエンテロコッカス属が豊富で、SCFAが多いことが示された。
• 3番目のクラスターは、機能的連続性を示唆する中間的な代謝プロファイルを示した。
• ランダムフォレストモデルは、SCFA関連微生物クラスターの分類において高い精度（最大92.98%）を示した。

結論:

• 教師なしクラスタリングおよび機械学習は、新生児におけるSCFA関連微生物サブグループを効果的に予測する。
• このアプローチは、早期の代謝健康および微生物コミュニティ組織化に関する洞察を提供する。
• 将来の研究では、縦断的追跡および機能的ゲノム統合のためにこれらの方法を活用できる。