微生物負荷は、腸内微生物叢とさまざまな疾患との関連性を理解する上で重要ですが、見落とされがちな要素です。 EMBL ハイデルベルクの Peer Bork 博士のグループの研究者らは、追加の実験手順を必要とせずに、腸内の微生物の密度の尺度である微生物負荷を推定する機械学習モデルを開発しました。これにより、科学者によるマイクロバイオームの分析方法が変わる可能性があります。
この研究は、マイクロバイオーム研究の指標として、より頻繁に使用される微生物の組成とは対照的に、微生物負荷の重要性を強調しています。に掲載された論文 細胞 タイトルは「糞便微生物量は腸内微生物叢の変動の主な決定要因であり、疾患との関連性の交絡因子である」
マイクロバイオームの研究は通常、微生物の組成（サンプル内の細菌、ウイルス、その他の微生物の種類の比率）に焦点を当てていますが、微生物の総量によってマイクロバイオーム データの異なる見方が得られる場合があります。組成研究のアプローチは、特定の微生物がいくつかの疾患にどのように関連しているかについての洞察を提供してきましたが、これらの同じ微生物の総量は、疾患に対して異なる関連性や影響を与える可能性があります。
「微生物負荷を定量化するために追加の実験方法を必要としない新しい方法を開発したかったのです」と、この論文の筆頭著者である西島卓博士は述べています。 細胞 報告。この新しいモデルにより、研究者は微生物組成データのみに基づいて微生物負荷を推定することができ、微生物負荷を直接測定するための時間と費用のかかる実験方法への課題を回避できます。
西島氏はさらに、「微生物組成と実験的に測定された微生物負荷データの両方を含む大規模なデータセットにアクセスできました。私たちは、これらを使用して機械学習モデルをトレーニングし、微生物の組成だけを考慮して微生物負荷を推定できるかどうかを確認したかったのです。」
機械学習モデルを構築して検証するために、研究者らは、EU が資金提供した 2 つの大規模プロジェクト、GALAXY/MicrobLiver および Metacardis コンソーシアムのデータを使用しました。これには 3,700 人以上の個人からのデータが含まれます。別のデータセットでテストしたところ、モデルは微生物負荷を正確かつ正確に予測することに成功しました。次に、このモデルを、45 か国の 159 件の研究から得た 27,000 人以上の個人で構成されるはるかに大きなデータセットに適用しました。
この分析により、病気以外のさまざまな要因に起因する微生物密度の変動についての新たな洞察が明らかになりました。薬剤は微生物負荷に大きな影響を与える可能性があります。消化不良は微生物負荷の変動を引き起こし、下痢と便秘はそれぞれ微生物負荷を減少または増加させる可能性があります。さらに、年齢や性別などの人口統計的要因も微生物量に影響を与える可能性があります。若者は高齢者よりも微生物負荷が低く、女性は男性よりも微生物負荷が高い傾向がありますが、女性は男性よりも頻繁に便秘を報告しているため、便秘との関連性がある可能性があります。
「これらの発見は、病気そのものではなく、微生物量の変化が患者のマイクロバイオームの変化の原動力である可能性があることを示唆しています。しかし、特定の疾患と微生物の関連性は依然として残っており、これはそれらが本当に強力であることを示しています。」西島教授は「このことは、偽陽性や偽陰性を避けるために、マイクロバイオーム関連研究に微生物負荷を含めることの重要性をさらに裏付けるものである」と結論付けた。
西島らによって開発された機械学習モデルは、組成データから微生物負荷を予測した最初のモデルです。この新しいモデルは、他の研究者が無料で使用できるため、初期の腸内マイクロバイオーム研究以外にもさらなる用途が期待されています。
EMBL ハイデルベルクの所長であるボーク氏は、このモデルの広範な影響について自分の考えを次のように述べています。この研究は、微生物負荷がそのような研究において考慮されなければならない重要な尺度であることを示しています。したがって、私たちは腸内微生物叢に関する知識を他の生息地に応用することに取り組んでいきます。」
#機械学習は腸の健康と病気に対する微生物負荷の影響を明らかにする