机器学习在肠道菌群二代测序数据分析中的应用.pdfVIP

机器学习在肠道菌群二代测序数据分析中的应用

【摘要】宏基因组二代测序作为一种无偏倚的检测技术，展现出较传统方法更

高的诊断效能。肠道微生物是保障身体健康的重要菌群，成为目前的研究热点。

利用机器学习对肠道菌群基因组数据进行建模、分析，在疾病预测与诊断中非常

重要。本文简要介绍宏基因组二代测序技术的特点、机器学习的关键算法及评估

指标，概述机器学习与宏基因组二代测序结合的主要步骤，总结机器学习与宏基

因组二代测序技术结合在肠道菌群研究中的应用，为相关疾病的诊断和预测提供

更准确的方法，给未来的研究和临床实践提供更多的思路。

【关键词】宏基因组；二代测序；机器学习；肠道菌群；生物标志物

人体肠道菌群的基因数量约为人体基因总数的150倍，构成了一个复杂的生

态系统。该系统不仅受到宿主生理状态的影响，而且对宿主的健康及疾病状态具

有深远的影响。

宏基因组二代测序（metagenomicnextgenerationsequencing，mNGS）能

够迅速识别数据库中的大多数病原微生物，特别是在识别罕见和新出现的微生物

方面具有显著优势，从而弥补了传统检测方法的局限。随着mNGS测序成本的降

低，其应用范围日益扩大，导致与人类疾病相关的数据集数量显著增加。传统生

物信息学方法难以处理mNGS测序产生的大量高维度和复杂的数据特征，限制了

预测性能，这促进了机器学习（machinelearning，ML）等计算技术的发展［1

-2］。ML可以根据各种算法对数据进行分析，并利用所选特征来训练预测模型，

有助于识别关键的分子特征，发现潜在的患者人群以及与人类疾病有关的潜在生

物标志物，并准确预测表型。

基因组学测序和ML结合，能够全面且深入地表征肠道菌群物种组成及代谢

功能［3］，拓展肠道菌群与宿主状态之间关联的认识，近年来已成为研究的焦

点。

一、mNGS

mNGS是一种新兴的病原检测方式，是一种大规模多程序并行的高通量检测

技术，可以对病原微生物进行无偏倚、无假设和定量的检测［4-5］。随着大数

据时代的到来，由于mNGS的应用产生了大量微生物相关数据，研究人员面临的

紧迫问题逐渐演变为如何快速有效地过滤或浓缩指数级增长的信息以获得泛化

的高质量数据，以及如何将海量的微生物数据转化为易于理解和可视化的知识。

借助大数据、自动化和人工智能的优势，微生物学正朝着多尺度和多维度的发展

方向前进［6-7］。

二、ML

ML由IBM公司的专家及计算机游戏与人工智能领域的先驱ArthurSamuel定

义，是人工智能领域的一个分支，融合了统计学、概率论与线性代数等众多数学

领域。ML的前提是引入输入数据的算法，在可接受的精度范围内应用计算机分

析预测输出值，识别数据中的模式和趋势，并最终从之前的经验中进行预测［8］。

ML算法利用样本数据构建模型，进行预测或决策，并能够基于经验自动学

习，特别是在聚类、分类和回归问题上展示出其独特优势。ML可以根据训练数

据是否标注进行分类，分为监督学习和无监督学习两大类。开发监督和无监督M

L模型的关键步骤是在训练和测试阶段评估性能，以验证模型的准确性，找到最

优算法。ML分类及常用算法见表1。

为了更好地服务于临床，研究者将ML引入到mNGS数据分析中，以便合理整

合和关联海量数据与相关的生物学信息。这有助于研究者更有效地处理数据，提

高数据分析的准确性和效率，从而为肠道菌群研究和应用提供更好的支持。与传

统的统计学方法相比，ML更适合于处理大规模学习问题，在处理mNGS得到的数

据时表现出优良的性能。

可以先采用线性判别分析效应大小（lineardiscriminantanalysiseffe

ctsize，Lefse）对组间菌群进行显著性差异分析，找出在组间丰度差异有统计

学意义的物种，用于ML的特征子集。Lefse分析通过将统计显著性的标准检验

与编码生物学一致性和效应相关性的其他检验结合起来，最后对数据进行降维，

评估差异显著的物种的影响力并转化为线性判别分析（lineardiscriminanta

nalysis，LDA）值，从而确定最有可能解释类别之间差异的特征［9］。

ML方法通过特征选择的方法深入挖掘菌群数据包含的互作信息，可以处理

多种生物信息问题。通过寻找最优特征子集，剔除不相关或冗余的特征，减少特

征个数，来提高模型精确度，减少运行时间，同时避免出现过拟合现象。图1

为ML和mNGS结合诊断疾病的基本流程。

三