科学家们建立了一个新的机器学习模型来预测微生物负荷——肠道中微生物的密度——并用它来解释微生物负荷如何在疾病-微生物组关系中发挥重要作用。

　　无论你是身体不舒服还是健康，生活在胃里的数十亿细菌都是你一生的伴侣。近几十年来，科学家们已经证明，这种“微生物群”的特征可能为人类疾病及其治疗方法提供重要线索。

　　根据海德堡EMBL的博克小组最近发表在《细胞》杂志上的一项研究，肠道中微生物的总数受到多种因素的影响，包括生活方式和疾病。因此，在肠道微生物组的研究中，这个经常被忽视的指标需要更多的分析。

　　在检查微生物组时，研究人员通常更关注微生物组成，或各种微生物物种（主要是细菌和古菌，但也有原生生物、病毒和其他微生物）的比例。例如，这表明，在某些疾病患者的肠道中，一种细菌的数量相对于其他物种是增加还是减少。

　　想象一下，肠道中只有1000个微生物。在健康个体中，这可能包括10种“红色”细菌和20种“蓝色”细菌，这意味着红色细菌占微生物组的2%，蓝色细菌占5%。

　　然而，在患有特定疾病的个体中，人们可以发现红色细菌占微生物群的4%，表明相对上升，而蓝色细菌仍占5%。有可能假设红色细菌与这种疾病有关。

　　另一方面，微生物负荷指的是我们胃里发现的细菌数量。实验上，用每克粪便中微生物细胞的数量来计算。与微生物组成不同，这是一个绝对数量。考虑下面的场景：疾病使细菌总数减少到500。从绝对数字来看，红色细菌的数量保持不变，而蓝色细菌的数量下降，这似乎是合理的。

　　由于用于测量微生物负荷的实验技术仍然是时间和成本密集型的，科学家在进行微生物组研究时通常只考虑微生物组成。

　　GALAXY/MicrobLiver和metacardis联盟是两个由欧盟资助的大型项目，博克集团此前曾参与其中，它们提供了本试验中使用的数据集。这些数据是从3700多人那里收集来的，提供了一种完美的方法来确定机器学习模型是否可以被训练来确定样本中微生物的总数量。

　　事实上，Nishijima和他同事的算法能够高度准确地预测微生物负荷。他们通过使用该程序以前从未经历过的新数据集证实了这一点。在确认该模型是有效的之后，研究人员将其用于超过27,000人的大规模样本，这些样本来自45个不同国家进行的159项早期调查。

　　他们发现，影响微生物负荷的因素有很多。例如，便秘会增加肠道中的细菌数量，但腹泻可能会减少细菌数量。年轻人的平均微生物负荷低于老年人，而女性的平均微生物负荷高于男性（可能与女性比男性更容易便秘的发现有关）。微生物负荷因几种疾病和用于治疗这些疾病的药物而显著改变。

　　Nishijima补充说：“重要的是，许多以前被认为与疾病相关的微生物物种更有力地解释了微生物负荷的变化。这些发现表明，微生物负荷的变化，而不是疾病本身，可能是患者体内微生物组变化的驱动因素。然而，某些疾病与微生物的关联仍然存在，这表明这些关联确实很强。这进一步证实了在微生物组关联研究中包括微生物负荷以避免假阳性或假阴性的重要性。”

　　未来的肠道微生物组研究现在可以考虑到这一关键组成部分，因为这些研究人员创建了新的机器学习模型，这是第一个从组成数据预测微生物负荷的模型。来自世界各地的研究人员都可以自由地测试和使用该模型。

　　此外，这可能会产生远远超出肠道微生物群的影响。