基于多界微生物组的机器学习技术能够辅助多发性硬化症的诊断

《npj Biofilms and Microbiomes》：Multikingdom microbiome-based machine learning enables multiple sclerosis diagnosis

　　

摘要

新的证据表明肠道细菌在多发性硬化症（MS）的发病机制中起着作用；然而，其他微生物的作用及其在MS诊断中的潜力仍尚未得到充分研究。在这里，我们分析了来自粪便样本的大规模宏基因组数据（发现队列n=1152；总样本数n=1306，涵盖3个地理分布不同的队列）。随后，我们利用多界肠道微生物组数据开发了机器学习模型，以区分MS患者和健康对照组。我们的分析发现了与MS显著相关的微生物组变化，包括90种细菌、3种真菌、2种病毒、119个KEGG同源基因以及17条代谢途径。整合多界分类学和功能特征的机器学习模型在男性中的接收者操作特征曲线下面积（AUC）为0.977，在女性中为0.978。在外部验证数据集上，集成模型的AUC在男性中为0.813，在女性中为0.745，而30个标记物的模型的AUC分别为0.849和0.763。值得注意的是，模型的准确性与Faecalibacterium属细菌和L-甲硫氨酸生物合成途径有关，这些在MS患者中较为少见。总体而言，我们的发现强调了多界和功能性肠道微生物组标志物作为MS非侵入性生物标志物的潜在应用。