通过对人类肠道微生物组的机器学习分析,对高尿血和痛风患者的解释性预测
Jia-Wei Tang1, Alfred Chin Yen Tay2,3,4,5, Liang Wang6,7,8,9,10
1The Marshall Centre for Infectious Diseases Research and Training, The University of Western Australia, Perth, Australia.
BMC microbiology
|July 10, 2025
概括
机器学习和16S rRNA测序确定了与高尿血和痛风相关的关键肠道细菌. 这种方法可以改善这些尿酸代谢障碍的诊断策略.
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.
- 代谢性疾病研究研究.
背景情况:
- 高尿血 (HUA) 和痛风与尿酸代谢失衡和肠道微生物群变化有关.
- 先进的分析技术对于理解复杂的微生物群落至关重要.
- 肠道微生物组失调越来越被认为是代谢疾病的一个因素.
研究的目的:
- 使用机器学习识别与HUA和痛风相关的核心肠道微生物种群.
- 预测与这些条件相关的肠道微生物组的代谢功能.
- 开发基于微生物组生物标志物的HUA和痛风的新型诊断策略.
主要方法:
- 从233名患者的便样本中收集了16S rRNA测序数据.
- 应用机器学习 (ML) 和沙普利增量解释 (SHAP) 算法.
- 利用随机森林 (RF) 进行分类和诊断性能评估.
主要成果:
- SHAP确定了高贡献的核心种群,包括奥斯基洛斯皮拉属_UCG-005和Rhodococcus,这对ML预测至关重要.
- 随机森林模型的诊断准确度很高,从82%到96%不等.
- 精氨酸代谢途径被确定为一种关键的代谢功能,使痛风与其他群体区分开来.
结论:
- 基于ML的16SrRNA测序数据的ML分析有效地识别了HUA和痛风的肠道微生物组生物标志物.
- 特定的核心类型和代谢途径为诊断开发提供了潜在的目标.
- 这种方法为尿酸代谢障碍的新型,基于微生物的诊断策略提供了基础.
