摘要：宏基因组测序方法帮助我们解析了来自不同环境的复杂菌群的组成和功能结构【1-3】。利用宏基因组数据，我们发现肠道微生物组和宿主生理学 （如疾病、免疫和对药物治疗的反应等） 紧密相关。然而，宏基因组数据使用相对比例来衡量每个微生物物种的丰度，这就意味着，某一物种的

撰文｜617

宏基因组测序方法帮助我们解析了来自不同环境的复杂菌群的组成和功能结构【1-3】。利用宏基因组数据，我们发现肠道微生物组和宿主生理学 （如疾病、免疫和对药物治疗的反应等） 紧密相关。然而，宏基因组数据使用相对比例来衡量每个微生物物种的丰度，这就意味着，某一物种的丰度变化会导致其他物种的丰度同时发生相对变化，从而导致偏差。

为了克服这一问题，研究人员研发出了一系列实验手段以获得绝对丰度，如基于流式细胞仪进行细胞计数、定量PCR、使用spike内参等【4-6】。尽管上述办法能够帮助我们获得绝对丰度谱，但是由于其耗时耗力且成本高昂，因此难以被应用在大规模微生物组研究中。

近日，GALAXY和MicrobLiver联盟、欧洲分子生物学实验室 （EMBL）Peer Bork团队和Michael Kuhn团队联合在Cell杂志上发表了题为Fecal microbial load is a major determinant of gut microbiome variation and a confounder for disease associations的文章。该研究开发了一个用于预测粪便微生物负荷的机器学习模型。基于该模型，研究发现微生物负荷是肠道微生物组变异的主要因素，也是肠道菌群-疾病关联研究中的一个关键干扰因子。

基于GALAXY/MicrobLiver和MetaCardis联盟提供的2个独立的大规模人群粪便样本数据，作者初步探究了微生物负荷和肠道菌群之间的关系。作者发现，微生物负荷与微生物组的组成分类、功能特征相关。如不同肠型的微生物负荷存在显著差异，微生物组alpha多样性与微生物负荷呈正相关。

由于微生物负荷与微生物组的组成及功能相关，因此作者分别基于上述两套微生物组物种组成数据，各建立了一个用于预测微生物负荷的模型。对两个模型进行评估发现，模型预测数据与真实数据之间显著相关，pearson相关系数为0.67左右。此外，使用功能图谱训练获得的模型预测效果与基于物种图谱的模型的效果相当。同时作者也使用公开数据进一步验证了模型的效果，表明在数据充足情况下，可以使用物种相对丰度图谱预测粪便微生物负荷，即可以使用上述模型探究微生物负荷与生物因素之间的关联。

为研究微生物负荷与饮食、生活方式、药物和疾病等宿主因素之间的关联，作者收集了来自45个国家/地区的159项肠道宏基因组研究数据，以及日本4D队列和爱沙尼亚微生物组队列中的肠道宏基因组数据。结果显示，高收入国家样本比低收入国家样本具有更高的微生物负荷，表明与收入增加有关的因素 （如生活方式、饮食和卫生） 会影响微生物负荷。进一步，作者发现药物、疾病、饮食、年龄、性别等因素均会影响微生物负荷。具体地，老年人、女性的微生物负荷分别比年轻人、男性更高，这可能与老年人和女性的食物转运时间较长有关；杂食主义微生物负荷最高，其次是素食主义和纯素食主义；抗生素会严重减少微生物负荷，且抑菌和杀菌类抗生素的影响没有差异；使用抗生素后需要数周时间微生物负荷才能恢复至基线。

接着，作者研究了微生物负荷和26种不同疾病之间的关系。结果显示，其中14种疾病与微生物负荷显著相关，4种呈负相关，9种呈正相关。负相关疾病包括克罗恩病、溃疡性结肠炎、肝硬化、艰难梭菌感染和HIV感染，这些疾病通常与腹泻相关。正相关疾病包括慢传输型便秘，以及与便秘相关的疾病，如结直肠癌和高血压。

进一步，作者在校正微生物负荷干扰后，即将微生物负荷作为回归模型的协变量，研究了与疾病相关的微生物。结果发现，这种做法导致与疾病相关的许多物种的效应大小和显著性明显降低，尤其是是在克罗恩病、溃疡性结肠炎、肝硬化、肠易激综合征-腹泻型 （IBS-D） 、乳腺癌、艰难梭菌感染和慢性传输型便秘这7种疾病中。上述7种疾病，有6种疾病与预测的微生物负荷呈负相关。相反，在几种与微生物负荷呈正相关的疾病，如结直肠癌和多发性硬化症，与疾病相关的微生物物种数量略有增加。

对发生变化的物种进行整理，作者发现大多数在疾病患者中显著富集的物种并没有受到校正的显著影响，如在结直肠癌中富集的具核梭杆菌、在克罗恩病和溃疡性结肠炎中富集的Flavonifractor plautii等。此外，作者还发现校正微生物负荷后，会显著降低Shannon多样性的显著性。校正后，溃疡性结肠炎、强直性脊柱炎、IBS-D和慢性传输型便秘等四种疾病与Shannon多样性关联不再显著。上述结果表明，微生物负荷可能会干扰疾病关联分析中的大部分结果。

综上，该研究开发了一种可用于预测粪便微生物负荷的机器学习模型。利用该模型，作者发现微生物负荷是微生物组变异的主要决定因素，并与多种宿主和环境因素相关。同时还发现，不同疾病的微生物负荷不同，且微生物负荷会干扰疾病关联分析结果。该研究强调了微生物负荷在微生物组研究中的重要性，使用微生物负荷得出的物种绝对丰度能够减少由相对丰度带来的偏差，以获得更真实、准确的结果，从而更准确地揭示疾病与微生物之间的关系。

制版人：十一

参考文献

1. Quince, C., Walker, A.W., Simpson, J.T., Loman, N.J., and Segata, N. (2017). Shotgun metagenomics, from sampling to analysis.Nat. Bio- technol.35, 833–844. https://doi.org/10.1038/nbt.3935.

2. Knight, R., Vrbanac, A., Taylor, B.C., Aksenov, A., Callewaert, C., Debe- lius, J., Gonzalez, A., Kosciolek, T., McCall, L.-I., McDonald, D., et al. (2018). Best practices for analysing microbiomes.Nat. Rev. Microbiol.16, 410–422. https://doi.org/10.1038/s41579-018-0029-9.

3. Wooley, J.C., Godzik, A., and Friedberg, I. (2010). A primer on metage- nomics.PLOS Comput. Biol.6, e1000667. https://doi.org/10.1371/jour- nal.pcbi.1000667.

4. Props, R., Kerckhof, F.-M., Rubbens, P., De Vrieze, J., Hernandez Sana- bria, E., Waegeman, W., Monsieurs, P., Hammes, F., and Boon, N. (2017). Absolute quantification of microbial taxon abundances.ISME J.11, 584–587. https://doi.org/10.1038/ismej.2016.117.

5. Jian, C., Luukkonen, P., Yki-Ja ̈ rvinen, H., Salonen, A., and Korpela, K. (2020). Quantitative PCR provides a simple and accessible method for quantitative microbiota profiling.PLoS One15, e0227285. https://doi. org/10.1371/journal.pone.0227285.

6. Maghini, D.G., Dvorak, M., Dahlen, A., Roos, M., Kuersten, S., and Bhatt, A.S. (2023). Quantifying bias introduced by sample collection in relative and absolute microbiome measurements.Nat. Biotechnol. 42, 328–338.

BioART战略合作伙伴

（*排名不分先后）

BioART友情合作伙伴

来源：老钱讲科学