机器学习

以前研究表明微生物群落中隐藏着基石物种，去除这些物种会导致微生物群结构和功能的巨大转变。然而，目前仍然缺乏一种有效的方法来系统地识别微生物群落中的基石物种。近日，哈佛大学医学院刘洋彧及团队在Nature Ecology & Evolution发表最新研究，提出一个基于深度学习的数据驱动的基石物种识别框架，通过使用从该栖息地收集的微生物组样本训练一个深度学习模型，隐含地学习来自特定栖息地的微生物群落的组装规则。应用DKI来分析人类肠道、口腔微生物组、土壤和珊瑚微生物组数据分析结果说明，那些在不同群落中具有高中位关键性的分类群显示出很强的群落特异性，而且其中许多分类群在文献中被报道为关键分类群，值得关注。

机器学习基石物种研究论文基础研究微生物生态学

纳米孔测序

国内团队开展大队列纳米孔测序快速鉴定下呼吸道感染病原临床研究

作者提出了一种基于双条码体系结合无偏宏基因组（Meta流程）和靶向扩增（Panel流程）的纳米孔Meta-Panel双流程（NanoMP）。利用人群中常见的DNA病毒（HSV1、EBV和CMV）以及曲霉菌烟曲霉（Aspergillus fumigatus）和RNA病毒（鼻病毒Rhv），用于Panel流程的方法学评估。首次建立起病原水平的方法学性能评价和样本水平的临床性能评价结合的两级性能评价体系，更符合临床宏基因组学在临床应用的真实性能。

纳米孔测序宏基因组学下呼吸道感染机器学习靶向扩增

癌症风险预测

利用电子健康记录预测食管腺癌或贲门癌

Gastroenterology上发表的一项最新研究结果，开发了一种基于电子健康记录预测食管腺癌（EAC）或贲门癌（GCA）风险的机器学习模型，准确度优于已验证模型或已发表指南。

癌症风险预测食管腺癌贲门癌研究论文机器学习

无创方法

国内团队Cell子刊：新型无创方法对胃癌肿瘤微环境进行无创评估

肿瘤微环境在疾病进展中起着关键作用，是癌症患者治疗反应的关键决定因素。近日，南方医科大学李国新、中山大学王玮、斯坦福大学李瑞江在Cell Reports Medicine发表最新研究，开发了一种结合放射组学和深度学习分析的无创方法来预测放射图像的肿瘤微环境状态，为纵向监测和跟踪癌症治疗的反应开启了新视角，值得关注。

无创方法肿瘤微环境研究论文基础研究机器学习

CheckM2

Nature子刊：利用机器学习评估微生物基因组质量的工具CheckM2

基因组组装或者Binning获得的基因组草图，首先需要评估其质量，包括基因组完整度、污染度、序列分布等信息，其中CheckM是最常用的工具之一。近日，昆士兰大学研究人员在Nature Methods发表了最新生信工具CheckM2。CheckM2比现有方法更快、更准确，当应用于新的谱系和基因组大小减少的谱系时，它的性能优于现有方法，如Patescibacteria和DPANN超级门，值得关注。

CheckM2 宏基因组组装基因组 (MAG) 研究论文基础研究机器学习

宿主感染

宿主基因如何影响肠道菌群的组成和稳态？

人体肠道菌群是一个由数万亿细菌组成的复杂群落，对营养物质的消化和吸收至关重要。肠道微生物群的细菌群落影响几种病症和疾病的发展。近日，美国德州农工大学研究人员在Microbiome发表最新研究，利用协作杂交小鼠研究了宿主遗传对肠道微生物组成的影响。提出了多个宿主基因影响肠道菌群组成和体内平衡，以及某些生物体可能影响鼠伤寒沙门氏菌感染后健康的观点，值得关注。

宿主感染肠道菌群研究论文基础研究 Qiime2流程

机器学习

基于肠菌和尿代的机器学习模型或可判断健康人年龄

机器学习可以分析大规模数据，并将其结合到疾病风险、诊断、预后和适当治疗的预测中。近日，韩国研究人员在Gut Microbes发表最新研究，基于568名健康个体的肠菌和尿液代谢物特征构建机器学习模型产生了最佳的年龄预测器，用于预测健康个体的年龄，准确性较好，值得关注。

机器学习年龄预测研究论文基础研究肠道菌群

机器学习

Nature子刊：数据驱动法或可用于预测药物对人类微生物组的影响？

先前多项研究发现药物会对肠道细菌产生负面影响，耗尽有益物种并造成不良反应，为了指导个性化药物治疗，需全面了解各种药物对肠道微生物组的影响。近日，特拉维夫大学研究人员及团队在Nature Communications发表最新研究，开发了一种数据驱动的方法，用于预测药物对人类微生物组的影响。系统地绘制了药物与人类肠道细菌间的大量相互作用，并证明药物的抗菌特性与其不良反应密切相关，值得关注。

机器学习菌群药物互作研究论文基础研究药物结构

肠道真菌

Nature子刊：肺癌患者肠道中念珠菌扩张或与乳酸有关？

念珠菌在人体肠道中过度生长被认为是侵袭性念珠菌病的先决条件，肠道细菌群能否促进或限制念珠菌的过度生长，仍需进一步解析。近日，莱布尼兹天然产物研究和感染生物学研究所研究人员在Nature Communications发表最新研究，通过宏基因组学数据和体外竞争实验揭示了与念珠菌水平相关的强大细菌组特征。即在低氧条件下，由于SCFAs产生菌的减少，念珠菌可将肠道中额外的乳酸作为碳源而获得竞争优势，值得关注。

肠道真菌乳酸研究论文基础研究宏基因组测序

肠道菌群

陈卫华+赵兴明等：基于肠菌的机器学习模型对20种疾病的诊断性能如何？

肠道菌群被逐渐用作非侵入性疾病预筛查的生物标志物和疾病干预的目标。然而，由于肠道菌群会受到多种因素影响，因此关于不同队列中肠道菌群失调的可重复性仍存在争议。近日，复旦大学赵兴明、华中科技大学陈卫华及团队在Gut Microbes发表最新研究，系统地评估了基于肠道菌群的机器学习分类器对20种疾病的跨队列分类性能，发现可以使用肠道菌群作为独立的、跨队列的诊断工具，但仅用于少数肠道疾病。

肠道菌群疾病诊断研究论文基础研究机器学习

胆汁酸腹泻诊断评分（BDS）

Gut：诊断胆汁酸腹泻新方法

胆汁酸腹泻（BAD）是一种常见的胃肠道疾病，影响全世界约1%人口。BAD诊断困难，目前的临床金标准为75硒牛磺胆酸潴留试验，但在很多国家不被批准，血清FGF19和7α-羟基-4-胆甾烯-3-酮血清浓度检查也可以辅助诊断，但其准确性较低。Gut上发表的最新研究，发现与目前基于血液检测的诊断相比，来自单一血液样本的血清代谢物的BAD诊断评分显示出更高的特异性和敏感性。此外，这一诊断模型能够改善和加速诊断过程，增加治疗的可行性，并能促进不良反应治疗的个性化改进。

胆汁酸腹泻诊断评分（BDS）机器学习胆汁酸腹泻研究论文医学研究

结直肠癌

Nature子刊：利用组织病理学图像预测大肠癌预后

组织病理学评估对于诊断结直肠癌（CRC）是必不可少的。然而，在显微镜下对病变组织进行人工评估并不能可靠地告知患者预后或对治疗选择至关重要的基因组变异。Nature Communications近期发表的文章，通过机器学习的方法构建出MOMA平台，可利用CRC患者的组织病理学来预测患者的多组学变化、临床特征等，或可为癌症患者的治疗提供信息。

结直肠癌组织病理学机器学习

食管癌

国内团队Lancet子刊：筛查食管癌的新工具

食管鳞状细胞癌和食管胃交界处腺癌预后不佳，早期发现是降低死亡率的关键。然而，早期检测依赖于上消化道内镜检查，但在人群水平上无法实施。因此，急需开发一种基于机器学习的全自动预测工具，用于在内镜检查前筛查食管鳞状细胞癌和食管胃交界处腺癌。近日，海军军医大学王洛伟、李兆申团队联合东南大学施瑞华团队在Lancet Gastroenterology & Hepatology 上发表文章，开发了一种具有良好性能的预测工具，用于筛查食管鳞状细胞癌和食管胃交界处的腺癌。这种方法可以避免对许多低风险个体进行内窥镜检查的需要，并通过优先考虑高风险个体来确保资源优化。

食管癌筛查机器学习

机器学习

Nature子刊：自动化+机器学习，助力大规模微生物培养

虽然测序技术的快速发展极大促进了研究人员挖掘微生物“暗物质”，但在微生物实验和机理研究方面培养组学仍然发挥着关键作用，传统的培养组学方法存在劳动密集型、规模化小、缺乏表型-基因型的整合等问题。近日，美国哥伦比亚大学研究人员在Nature Biotechnology发表最新研究，开发了一种自动化微生物组成像和分离的培养学（CAMII）平台，利用菌落形态学和基因组数据，可最大限度提高分离的微生物多样性，并能有针对性地挑选特定的菌属。总之，该研究为深入挖掘复杂生态样品中微生物“暗物质”提供了新的指导和见解，值得关注。

机器学习高通量培养组学研究论文基础研究自动化

AI辅助诊断

浙江省肿瘤医院：AI辅助下的“查舌知胃癌”

根据中医理论，舌诊成像（颜色、大小、形状、舌苔厚度、舌苔颜色、舌苔含水量等）可反映人体的健康状态。浙江省肿瘤医院的程向东团队在EClinicalMedicine上发表的一项前瞻性队列研究结果，开发了基于舌诊成像的人工智能深度学习模型，可较准确地诊断胃癌。

AI辅助诊断研究论文医学研究前瞻性队列研究胃癌

结直肠癌

Nature子刊：结直肠癌各转移病灶的响应或复发与其所在器官间有何关联？

大肠癌是常见的恶性肿瘤，包括结肠癌和直肠癌，约20%的结直肠癌患者在初次诊断时已有恶性转移，转移性结直肠癌病人的五年生存期只有14%。多项研究发现结直肠癌转移病灶之间响应与复发的差异性越大，病人生存期也越差，但相关机制仍不明确。近日，美国北卡罗莱纳州立大学研究人员在Nature Communications发表最新研究，利用计算机模型和机器学习的方法分析了来自4308名转移性结直肠癌患者, 40612个肿瘤病灶的响应与复发，基于转移病灶所在器官识别到4种不同的表型。此外，还发现不同器官内转移病灶复发的顺序和病人生存期相关。总之，该研究为结直肠癌患者设计针对转移病灶的药物提供了新的理论依据，值得关注。

结直肠癌复发研究论文基础研究机器学习

抗菌肽

浙大Nature子刊：通过机器学习在短肽全库中高效筛选抗菌肽

在过去几十年里，多肽合成和修饰化学的技术进步极大促进了治疗多肽的发现和翻译，目前，超80种多肽药物已获监管机构批准，550-750种多肽正处于临床或临床前阶段。然而，由于肽序列的组合空间很大，系统地鉴定功能肽仍具有较大困难。近日，浙江大学计剑、赵俊博、张鹏及团队在Nature Biomedical Engineering发表最新研究，开发了一种结合经验判断、分类、排序和回归任务组成的全新机器学习管道（SMEP），极短时间内即可实现在含有数千亿候选序列的六肽-九肽全序列文库中抗菌肽的识别。此外，对其中3条代表性的抗菌六肽进行了实验研究，发现在患有细菌性肺炎的小鼠中，所确定的多肽雾化配方显示出与青霉素相当的治疗效果。总之，该研究报告的机器学习管道可能会加速新功能肽的发现，值得关注。

抗菌肽机器学习研究论文基础研究抗菌功能

microDELTA

宁康等：microDELTA或可用于解决年龄依赖的人体健康诊断问题

人类肠道微生物群落在生命不同阶段及不同健康状况下的组成各不相同，其动态变化与环境、疾病进展及饮食变化等有关。因此，人类肠道菌群的时序变化可以一定程度反映宿主的生活轨迹。近日，华中科技大学宁康及团队在Briefings in Bioinformatics发表最新研究，提出一个基于肠道微生物群落数据使用迁移学习实现的人体健康轨迹追踪框架microDELTA，初步解决了年龄依赖性的人体健康状态诊断问题。总之，该工具可准确追踪人类肠道菌群特定的生命轨迹，较为完善的解决了年龄依赖性的人体健康状态诊断问题，对未来的健康监测与临床实践有着重要意义，值得关注。

microDELTA 健康诊断研究论文基础研究机器学习

机器学习

Nature子刊：AI+机器学习，可更好预测CRC患者预后和治疗反应？

先前多项研究发现免疫细胞成分在结直肠癌（CRC）中具有很强的预后和预测价值，但诸如免疫评分（IS）或上皮内淋巴细胞定量等评分系统只是被缓慢地应用于临床应用，并仍存在较大局限性。近日，德国美因茨大学研究人员在Nature Medicine发表最新研究，利用人工智能和深度机器学习建立了多链深度学习模型，发现该模型具有较高预测能力，且优于其他基于临床、分子和免疫细胞的参数，也可用于预测CRC患者对新辅助治疗的反应。总之，该方法为C RC的预后和预测目的提供了有价值的参考和见解，值得关注。

机器学习结直肠癌研究论文基础研究人工智能

BCR

利用BCR特征可准确鉴别克罗恩病

Genome Research上发表的一项最新研究，开发了一种基于B细胞受体（BCR）序列的机器学习算法，可鉴别出克罗恩病（CD）特异性的体细胞超突变模式，并可较准确地区分CD患者与对照。

BCR 研究论文基础研究体细胞超突变克罗恩病

抑郁症

香港中文大学：抑郁症的肠菌标志物（荟萃分析）

先前多项研究表明，肠道菌群与抑郁症的发生有关，但目前仍存在较大的争议。近日，香港中文大学Hein M Tun及团队在Cellular and Molecular Life Sciences发表最新的荟萃分析结果，纳入8项研究（含1827个样本）的16S rRNA数据，发现抑郁症组和对照组间肠道细菌β多样性有显著差异（非α多样性），还确定和量化了与抑郁症状相关的某些细菌类群的一致变化，以及有助于与宿主生理学互作的代谢途径，并进一步构建了分类模型，可以较好区分抑郁症患者和对照组，值得关注。

抑郁症肠道菌群荟萃分析基础研究机器学习

环境监测

基于宏基因组学改进流程可准确高效监测医疗环境的病原菌

有效监测医疗环境中微生物群落在感染预防中越来越重要，利用宏基因组学可监测医疗环境中病原菌，但仍存在一定的局限性。近日，美国西北大学研究人员在Microbiome发表最新研究，结合溶剂萃取、叠氮溴化丙锭（PMA）处理、qPCR、机器学习模型、全细胞过滤和培养组等开发出加强版宏基因组学的环境监测工作流程，适用于低生物量样品，可实现病原菌定量，并可预估测序资源。总之，该流程比较适用于环境监测工作流程的感染预防和消毒评估，值得关注。

环境监测宏基因组学研究论文基础研究病原菌感染

妊娠期高血压疾病

尿液代谢组学或可助力妊娠期高血压诊断

寻找妊娠期高血压疾病诊断的非有创的生物标志物有助于疾病的早发现、早诊断和早治疗，同时也为寻找潜在的干预靶点提供依据。本研究基于尿液代谢组学，借助机器学习算法，发现了妊娠期高血压疾病的潜在预测模型。

妊娠期高血压疾病研究论文尿液代谢组学生物标志物机器学习

疾病诊断

港中大Nature子刊：基于粪便微生物组的机器学习可用于多类疾病诊断

肠道菌群不平衡会导致各种人类疾病，随着测序技术和机器学习发展，研究人员基于肠道菌群常使用二元分类模型去预测疾病，但大多数疾病/健康表型存在重叠的肠道菌群特征，因此单一疾病的诊断模型很可能会被不相关的疾病混淆，可能导致错误的分类。近日，香港中文大学黄秀娟（Siew C Ng）与团队在Nature Communications发表最新研究，纳入涵盖大肠癌、大肠腺瘤、克罗恩病、溃疡性结肠炎、肠易激综合征、肥胖、心血管疾病、急性COVID-19后综合征和健康人等9种不同疾病/健康表型，利用5种多类分类器去预测不同的疾病，发现RF模型性能明显优于其他，进一步使用来自亚洲、欧洲和北美12个公共数据集的1597个粪便宏基因组数据验证了RF模型的良好性能，选取贡献度前50的物种关联分析发现，相比健康人，几乎所有疾病状态与厚壁菌门或放线菌门丰度下降、拟杆菌门丰度增加有关。总之，该研究表明基于粪便微生物组的多类模型用于疾病诊断是可行的，值得相关人员学习和参考。

疾病诊断肠道菌群机器学习

个性化饮食干预

基于人工智能创建的个性化饮食或可调节IBS患者肠道菌群

肠易激综合征（IBS）是一种慢性功能性胃肠道疾病，最近证据表明，饮食已成为治疗IBS一种有效的干预方法，肠道菌群可能在IBS疾病发生、进展和严重程度中起着重要作用，但不同病人有其独特的菌群组成会影响饮食干预的有效性，因此，需要促使微生物群疗法更加个性化。近日，发表在Gut Microbes的最新研究，基于罗马IV标准招募25名IBS患者，分个性化营养饮食组（n=14）和标准IBS饮食组（n=11），干预6周，发现通过机器学习算法创建的特定个性化饮食可实现调节IBS患者的肠道菌群。但该研究的样本量较小，相关结论仍有待进一步验证。

个性化饮食干预人工智能研究论文基础研究肠道菌群

疾病诊断

宁康团队：迁移学习模型或可促进基于微生物的跨区域疾病诊断

炎症性肠病人群肠道菌群的异质性具有显著的区域效应，这在很大程度上限制了基于微生物的疾病诊断的跨区域应用。目前，基于微生物的机器学习方法已用于炎症性肠病和2型糖尿病的诊断，但尚无法减轻跨区域效应。近日，华中科技大学宁康及其团队在Gut发表最新研究，将迁移学习引入疾病神经诊断模型，“借用”源城市有关疾病的成熟知识，辅助目标城市进行疾病诊断，提高了人工智能在缺乏目标城市微生物群模式信息时的诊断准确性和稳健性。

疾病诊断人工智能机器学习迁移学习研究论文

菌群

机器学习和深度学习在菌群研究中的应用

菌群人工智能机器学习深度学习预测能力

粪菌移植

赵方庆+张发明：提高FMT疗效，如何选择供-受体配对？

粪菌移植 enterotype Fecal microbiota transplantation Gut microbiota washed microbiota transplantation

PhaMer

香港城市大学：PhaMer可从宏基因组数据中准确识别噬菌体

近年来，宏基因组测序技术已经成为一种新的噬菌体识别手段，它可以对来自各种微生物群的所有遗传物质进行测序，基于序列比对或机器学习的噬菌体识别工具也被相继开发。近日，香港城市大学孙燕妮及团队在Briefings in Bioinformatics发表最新研究，基于语言模型Transformer开发了PhaMer（https://github.com/KennthShang/PhaMer）工具，通过模拟和真实数据评测，发现PhaMer的准确度优于目前的主流噬菌体鉴定工具，值得相关人员关注和测评。

PhaMer 噬菌体基础研究研究论文肠道噬菌体组

LookingGlass

Nature子刊：宏基因组功能预测和注释新工具LookingGlass

目前，还是有大量的微生物未被培养，在微生物基因组或环境序列中鉴定到的大多数蛋白质也无法很好的进行功能注释。由于参考数据库的不完整，一定程度上限制了研究人员充分捕捉微生物群的功能多样性，也限制了对生物序列的高级特征进行建模的能力。近日，Nature Communications发表了一项最新研究，研究人员建立了一种“生命通用语言”深度学习模型—LookingGlass（https://github.com/gnif/LookingGlass），能准确识别短读长DNA序列中的编码区，高效地对宏基因组中的reads进行功能预测、注释和特定的酶挖掘。总之，该研究为深度挖掘微生物暗物质提供了支撑，也为复杂生物系统建模提供了基础。

LookingGlass 深度学习研究论文基础研究机器学习