人工智能高精度分析完整肠道微生物组检测多发性硬化症
超越细菌的广度分析助力潜在筛查工具
根据一项新研究，基于计算机的消化道微生物分析能够以高精度区分多发性硬化症(MS)患者与健康个体。
该分析不仅关注肠道细菌，还包括真菌和病毒等其他微生物。研究结果表明，这些全面的微生物特征最终可能成为非侵入式筛查工具。
"这项研究表明，多界和功能性肠道微生物组标记物可用于非侵入式多发性硬化症诊断，为未来临床验证提供候选生物标志物组合，"研究人员写道。
该研究题为"基于多界微生物组的机器学习实现多发性硬化症诊断"，发表在npj《生物膜与微生物组》杂志上。
超越肠道中的细菌
人类消化道栖息着数十亿微生物，统称为肠道微生物组。这些与我们共存的微小生物中，许多是细菌——一类特定的单细胞生物。然而，肠道微生物组还包括来自其他生物界的生物，如真菌、病毒和古菌（一种类似细菌的单细胞生物）。
先前研究表明，多发性硬化症患者的肠道微生物组存在失调，但这些研究几乎完全聚焦于细菌，忽略了其他微生物。此外，先前研究主要关注不同细菌的数量，而非其生物活性。
为填补这些研究空白，中国研究人员使用机器学习分析了数百份有无多发性硬化症患者的肠道微生物组样本。他们不仅考察了细菌和其他生物界，还评估了微生物组功能活性指标。
机器学习是一种人工智能，通过向计算机输入大量数据集，计算机随后利用复杂的数学规则识别数据中的模式。这些模式可用于预测结果，例如某人是否患有多发性硬化症。
为评估模型准确性，研究人员使用了一种称为受试者工作特征曲线下面积(AUC)的统计度量。AUC值范围从0.5到1，数值越高表示区分多发性硬化症患者与健康个体的准确性越高。
值得注意的是，由于生物学性别已被证明会影响微生物组构成，研究人员分别计算了男性和女性的AUC值。
主要分析结果显示高AUC值：男性为0.977，女性为0.978。这些数值高于单独考察每个生物界或代谢活性时获得的数值。
值得注意的是，研究人员聚焦于构建模型所用的30个最重要特征。使用这些特征而非所有变量，模型在男女多发性硬化症诊断中达到了0.99的准确率。
研究人员随后使用包含154个样本的独立数据集验证其模型。在这些分析中，30特征模型表现良好，男性的AUC高达0.849，女性为0.763。
"这些结果表明，模型在独立队列中保留了辨别能力，"研究人员写道。
在进一步分析中，研究人员的模型对复发缓解型多发性硬化症的识别准确率与主分析相当（30标记面板为0.979），但对进展型多发性硬化症的识别准确率明显较低（0.677）。
总体而言，研究人员表示，他们的结果强调了在研究多发性硬化症时考虑整个微生物组（而不仅仅是细菌）的重要性。
"我们证明，基于多界标记物的诊断模型在多发性硬化症诊断中实现了高预测价值，突显了肠道微生物组在多发性硬化症疾病生物学中的多方面作用及其在非侵入式诊断中的潜力，"他们总结道。
【全文结束】