许多与细菌相关的疾病，如炎症性肠病和结直肠癌，通常与某些被认为有害的肠道细菌的过多有关。然而，研究人员利用机器学习算法发现，肠道微生物密度的变化——称为微生物负荷——可能对与疾病相关的细菌的存在贡献更大，而不是疾病本身。
在2024年11月13日发表在Cell Press杂志《Cell》上的一篇报告中，研究人员强调，患者微生物负荷的变化受到多种因素的影响，包括年龄、性别、饮食、原籍国和抗生素使用。这被确定为影响健康个体和患病个体粪便样本中细菌谱的重要因素。
“我们惊讶地发现，许多以前被认为直接与疾病相关的微生物种类，实际上与微生物负荷的波动更紧密相连，”来自欧洲分子生物学实验室（EMBL）海德堡的Peer Bork博士表示，他是该研究的主要作者之一。”这表明这些物种主要与腹泻和便秘等症状相关，而不是直接与疾病本身相关。”
微生物负荷在微生物组研究中被认为至关重要，但由于成本高昂和劳动密集，广泛的研究一直受到限制。研究人员通过机器学习方法克服了这一挑战，基于相对微生物组组成开发了粪便微生物负荷预测模型，并将其应用于大型宏基因组数据集，以研究健康和疾病中的变化。
“从粪便样本中确定微生物负荷需要相当大的努力，我们很幸运能够接触到两个大型宏基因组数据集，其中准确测量了这一负荷，”来自EMBL的另一位高级作者Michael Kuhn表示。”我们的目标是将这些发现普及，以造福更广泛的研究社区，使微生物负荷能够被用于所有涉及成人肠道微生物组的研究。”
在这项研究中创建的数据集由来自欧盟资助的GALAXY（酒精性肝纤维化中的肠道与肝脏轴）项目和Novo Nordisk基金会的MicrobLiver项目的数千个宏基因组和实验测定的微生物负荷组成。他们还利用了来自公共MetaCardis研究人群的数据，并包含了来自日本和爱沙尼亚的数万个先前研究的探索性数据集。
然而，研究人员承认他们工作的某些局限性。由于他们的分析纯粹基于关联，因此无法明确建立因果关系或提供对潜在机制的见解。此外，他们开发的方法特定于人类肠道微生物组；预测其他环境的微生物负荷需要不同的训练数据集。
展望未来，研究团队打算专注于与疾病更直接相关的微生物种类，不论微生物负荷，以加深对其在疾病发展中作用的理解，并评估它们作为生物标志物的潜力。此外，将这一预测模型调整到其他生态系统，如海洋和土壤微生物组，可以为全球微生物生态提供额外的见解。
