评估与表型特征相关的肠道微生物群的预测潜力,以确定多因素疾病
Danielle Cristina Fonseca1,2, Ilanna Marques Gomes da Rocha1,2, Bianca Depieri Balmant1,2
1Laboratory of Nutrition and Metabolic Surgery of the Digestive System, LIM 35, Department of Gastroenterology, Hospital das Clínicas HCFMUSP, Faculdade de Medicina, Universidade de São Paulo, São Paulo, Brazil.
Gut microbes
|January 18, 2024
概括
整合肠道微生物群和宿主表型数据显著改善疾病预测. 结合这些因素的机器学习模型对类风湿性关节炎和糖尿病等疾病具有很高的准确性.
科学领域:
- 微生物组研究的研究.
- 计算生物学是一种计算生物学.
- 临床诊断 临床诊断 临床诊断
背景情况:
- 肠道微生物群与各种疾病有关,但研究表明存在显著的异质性.
- 单独识别特定的微生物种类对准确的临床预测是不够的.
研究的目的:
- 通过整合肠道微生物群和宿主表型变量来开发临床条件的新型预测模型.
- 探索微生物种类和表型变量之间的协同作用,以提高疾病预测.
主要方法:
- 在50名健康和152名不健康个体中,通过16S rRNA基因测序和表型变量 (PV) 评估肠道微生物群 (GM) 组成.
- 在R中利用随机森林算法进行预测建模,用ROC曲线评估性能.
- 评估了52种细菌种群和预先选择的PV (p < 0.05) 进行模型贡献.
主要成果:
- 综合的GM和PV数据在所有评估疾病中产生了最佳模型性能.
- 对于类风湿性关节炎 (AUC=88.03%),2型糖尿病 (AUC=96.96%),全身性红斑狼 (AUC=98.4%) 和1型糖尿病 (AUC=86.19%) 实现了特殊的预测性表现.
结论:
- 仅基于丰度差异的细菌种群选择对于临床标志物是不够的.
- 机器学习对于管理肠道微生物群的变异性至关重要.
- 将表型变量与微生物数据相结合,大大提高了对健康结果的预测能力.
