编者按：

人工智能（AI）是当前研究领域的热点。然而，最近越来越多的研究者开始尝试将AI应用于另一个热门领域——微生物组研究。

由于微生物组数据的庞大性和复杂性，研究人员在解析微生物组数据的时候面临着巨大的挑战。而AI为研究人员提供了一种分析微生物组数据的新工具，借助AI或能帮助我们获得更多微生物组与宿主健康之间的联系。

微生物组产生的测序数据十分庞大，每一个来自人类的微生物样本可能都包含了高达10,000个物种的碎片数据。过去几年，人类肠道微生物组基因集不断扩充，研究人员发现了一批又一批微生物新基因。

虽然数据的增加意味更多的信息，但是要从如此庞大的数据中提取并挖掘有用的信息，无疑是一个巨大的挑战。

实际上，如果把这些海量数据说成一个“重大的计算挑战”可能太轻描淡写了。当你拥有上万个物种的DNA数据时，你究竟要从哪里开始呢？怎样做才能找到最重要、最关键的信息呢？是否会遗漏什么线索呢？

为了解决这个计算挑战，很多研究人员将目光投向了人工智能（AI）。人工智能能够帮助我们更好地了解这些数据背后的生物学秘密。比如个性化营养初创公司Viome就正在利用独有的AI算法分析肠道微生物组数据，为用户提出更合理的饮食建议。

关于Viome公司的更多信息请看，肠道菌群+人工智能，这家公司杀出一条血路！

那么，究竟都有哪些研究人员在利用AI分析微生物组数据呢？都做出了什么新结果呢？

大量证据表明，人类肠道微生物组随着年龄不断变化，甚至可能会影响成年人的衰老。但是肠道微生物组和其他部位的微生物组与年龄之间的相关程度差异，以及是否可以通过微生物组样本预测人的年龄尚不清楚。

《》对该研究也做过报道：

南昌大学徐振江等：微生物组或可预测人的实际年龄

mSystems——[IF:6.519]

①结合公开数据，用随机森林模型，评价粪便、唾液及皮肤（手和前额）样本微生物组预测成年人年龄的能力；②皮肤微生物组可提供最佳的年龄预测(mean±SD为3.8±0.45年，口腔和肠道微生物组年龄预测mean±SD分别为4.5±0.14和11.5±0.12年)；③多个队列研究均表明肠道微生物组与实际年龄有关；④手微生物组年龄预测模型可应用到前额微生物组年龄预测，反之亦然；⑤与老年人富集的细菌相比，年轻人富集的细菌，丰度更高，且在多个群体中普遍存在。

HumanSkin,Oral,andGutMicrobiomesPredictChronologicalAge

02-12,doi:10.1128/

具体地，研究小组从18到90岁的受试者中收集了近9,000个微生物组样本，并使用这些数据对随机森林回归模型进行优化、训练和测试，获得了微生物组与年龄之间的关系。

研究人员认为皮肤微生物之所以最为准确可能是由于年龄的增长，皮肤生理经历了明显的变化，比如皮肤含水量减少，皮肤变得更加干燥。

徐振江教授表示：“将微生物与年龄相关联的新能力可能有助于我们进一步研究微生物在衰老过程以及和年龄相关的疾病中所起的作用，并且或许能够帮助我们更好地测试针对微生物组的潜在治疗性干预措施。”

该研究由IBMResearchAI资助，对该研究的结果，IBM人工智能健康生活计划项目的负责人Ho-CheolKim表示：“研究结果的准确性表明了应用人工智能技术或能更好地了解人类微生物组。”

Science：微生物组预测死亡？

这两项最新的研究发现，我们肠道中的微生物可以比基因更加准确地揭示某些疾病，并且甚至可以预见未来15年内面临死亡的风险。

关于该Science新闻，《》也做过报道：

Science新闻：肠道微生物预测你在15年内死亡的可能性

Science——[IF:41.037]

Themicrobesinyourgutcouldpredictwhetheryou’relikelytodieinthenext15years

01-22,doi:10.1126/

在第一项研究中，研究者回顾了47项研究工作，并探究了肠道微生物的共有基因组和13种常见疾病之间的相互联系。这些疾病包括精神分裂症、高血压、哮喘等，它们都被认为属于“复杂性疾病”，因为上述疾病同时受环境和遗传因素影响。

研究人员把这些分析结果和24个通过全基因组关联分析（GWAS）将特定遗传变异与人类疾病关联起来的研究结果放在一起进行了比较分析。

该团队在公开于bioRxiv上的文章中表示，总体而言，在区分健康个体和生病个体时，相比使用基因组信息，利用肠道微生物的遗传特征进行分辨，最终效果可提升20%。而在预测结肠癌方面，通过肠道微生物组进行预测，效果可提升50%。仅仅在预测I型糖尿病方面，利用基因组分析优于微生物组。

虽然该研究的作者BradenTierney（一名来自哈佛医学院的计算生物学家）承认，该项分析只是初步的探索，但他认为这项工作最终将造福大众。

Braden说：“在临床上，我们可以通过微生物组学和人类遗传学的方法来改善病人的生活质量。我们的目标是努力找到并确定微生物基因组和人类基因组中有助于我们诊断这些复杂疾病的关键标志因子。”

不过也有人提出了另一种看法。VIB-KU鲁汶微生物中心的微生物研究者JeroenRaes认为：“虽然我们十分清楚我们的基因如何工作，但是我们对于体内的微生物的了解还少之又少。所以，在这种情况先贸然将二者进行比较分析，是十分危险的。”

但是，他同时也认为，利用微生物进行分析的一个优势是微生物会受人体所处的外部环境影响，比如吃了什么或者运动量如何。按照这个逻辑，微生物或许可以更好地预测像II型糖尿病一样的受大量环境因素影响的疾病。

而在另一项研究中，研究者分析了人体微生物组和寿命长短的联系。

这项分析利用了一项芬兰研究数据，这项研究从1972年便开始收集成千上万的健康数据。在2002年，参与者捐献了粪便样本，15年后这些样本全部被测序完成。

该研究数据分析的结果显示，体内一种包括大肠杆菌和沙门氏菌在内的肠杆菌科富集的个体在后续的15年内死亡概率会更高。

而且该研究发现，芬兰的东部和西部人群的肠道细菌和死亡风险都存在相关性，尽管东西方拥有不同的遗传背景和生活方式。

来自福瑞德·哈金森癌症研究中心SamuelMinot表示，他对这项研究印象深刻，因为如此长周期的研究是罕见而且难以重复的。他表示：“我希望在未来能看到更多的类似的研究。”

虽然在这两项研究中，我们依旧无法明确微生物为什么会和死亡与复杂疾病发生关联。可能是微生物会通过某种方式导致疾病和缩短人的寿命，也有可能这些微生物的改变只是反映机体正在发生的某些变化。

虽然关于微生物和复杂疾病之间的关系还有大量未知，但是在另一类疾病中，或许我们离揭示微生物和疾病之间的关系已经更进一步了。

图.癌症的微生物信号：微生物可定植在各种组织中，这些微生物的DNA和RNA信号能在各类组织中发现，包括血液中（此处为了简化仅展示DNA）。

3月11日，RobKnight团队在Nature杂志上发表了最新的研究成果，该研究分析了血液和组织中的微生物3。

关于该研究，《》也做过相关报道：

Nature：分析血液和组织的微生物组，或能诊断癌症

Nature——[IF:43.07]

Microbiomeanalysesofbloodandtissuessuggestcancerdiagnosticapproach

03-11,doi:10.1038/s4-1

该团队使用TCGA肿瘤数据库，一个包含DNA和RNA测序数据的在线数据库，分析了33种类型癌症的数据，总计使用了超过来自10,000名病人的17,000份样本。

然后研究者们使用了包括独立训练的人工智能（AI）模型在内的多种算法对这些样本中的微生物序列过滤、归一化和分类。

在通过严格的过滤方法去除了数据中的潜在污染和其它变量后，研究小组将总测序片段的7.2%归为非人源序列。这些序列中大约有三分之一能被注释为细菌、古菌或病毒，并且其中又有12.6%能确定为某一个特定属。

作者们接着用这些数据训练了机器学习模型，以辨别不同的癌症类型、同一癌症类型的不同阶段，以及区分肿瘤和正常组织。

总体而言，这些模型在辨别癌症类型以及区分癌症和正常组织上表现良好，但是在区分同一癌症不同阶段上表现出一定的差异。他们的研究表明血液中的微生物DNA（mbDNA）或可用于区分癌症类型。

这些研究结果令人兴奋，然而，这项研究存有很多限制，也就是意味着还有非常多的机会来完善这项研究。

缺陷之一就是TCGA样本的采集方式无法控制微生物或mbDNA污染，这种污染有可能在样本收集和测序之间的任一时间点被引入。

第二，用于人体研究的DNA和RNA测序或许无法完全表征微生物。基于当前已有的工作，未来的研究应该使用恰当的测序技术对精心筛选后的组织和血液样本进行分析，以表征微生物。

第三，为了验证这些微生物在癌症肿瘤和血液中的存在，深入了解其分布和功能非常重要。

RobKnight团队和其它团队依据核酸序列在肿瘤中鉴定出微生物信号。然而这些微生物定位在哪里并不知道（在肿瘤细胞内部或周围，免疫细胞或在像是间质这一结缔组织中）并且是否是活的也不清楚。

最后，对微生物如何进入并存在于癌组织中，以及研究如何最有效地针对它们治疗甚至是预防癌症，都需要我们进一步在机制上深入了解。

尽管有一些限制，但是这项研究为通过监测和调控微生物组推动临床进展并深化我们的见解提供了诱人的可能。

无疑，AI在生命科学领域的运用获得了许多令人惊讶的结果。从IBMWatson在CT扫描中识别肺栓塞，到GoogleDeepMind识别视网膜病变，再到最近Cell的一项新研究报道利用机器学习方法从1亿多个分子中发现了强大的新型抗生素4。

AI的飞速发展为我们带来了各种新可能。或许未来，AI能够在微生物组领域帮助我们阐明更多微生物组与宿主健康之间的互作机制，为我们带来更多惊喜的结果。让我们一起期待吧！

参考文献或资料：

1.Huang,Shi,etal."HumanSkin,Oral,andGutMicrobiomesPredictChronologicalAge."(2020).

2.

3.Ajami,NadimJ.,"AIfindsmicrobialsignaturesintumoursandbloodacrosscancertypes."(2020).

4.Stokes,JonathanM.,etal."Adeeplearningapproachtoantibioticdiscovery."(2020):688-702.