机器学习平台iProbiotics助力益生菌快速筛选

理想的益生菌菌株应该能够抵抗胃肠道运输过程中的恶劣环境，其基因组应该编码有助于细菌在胃肠道中竞争、粘附和持久存在的特征，以便它们能够成功生存甚至在人类肠道中定殖。另一方面，候选益生菌菌株的基因组应不含任何毒力因子和多药耐药基因。因此，评估新型益生菌菌株的适用性和潜力是一个复杂的过程，需要从多个角度进行。

目前，验证和选择益生菌最常用的方法是进行随机对照试验（RCT）。基本上，在随机对照试验中，候选益生菌的临床功效是通过人为干预和一组定义的临床读数参数进行测试的。已经进行了大量的随机对照试验。此外，微生物组研究的新工具已经迅速开发出来，能够从生理方面评估益生菌的功能，例如益生菌的肠道定植、物种甚至菌株水平的肠道微生物群变化以及所施用的益生菌与内源性肠道微生物组之间的相互作用/宏基因组。然而，已有相互矛盾的临床结果报道。结果不一致的部分原因是不同类型的益生菌菌株和配方、临床干预方案和个体差异。此外，尽管假设益生菌的使用通常是安全的，不会增加健康风险，但临床试验中报告的安全结果不一致，包括对易感使用者的全身感染、不良代谢和免疫刺激反应的理论风险的描述、胃肠道副作用和微生物基因转移。因此，解释 RCT 生成的数据仍然存在重大挑战和局限性，并且它可能并不总是评估益生菌干预有效性和安全性的最合适方法。需要更多的研究来收集深入的信息并从不同的角度发展知识，以确保益生菌在临床环境中的有效和安全使用。基因组测序技术的快速发展极大地促进了微生物生态学、共生群落内微生物相互作用以及通过 16S rRNA和深度宏基因组测序进行的宿主-益生菌-微生物组相互作用的研究。通过新测序技术获得的知识对全基因组水平上的微生物多样性和进化关系产生了新的见解。近年来，人们尝试将机器学习算法应用于比较基因组学挖掘中，以识别大规模宏基因组测序数据集中的特定功能特征。例如，Midani 等人已经实施了这种方法来预测霍乱弧菌感染的易感性，证明了机器学习方法在检测和识别功能特征方面的强大功能。目前，美国国家生物技术信息中心（NCBI）数据库（www.ncbi.nlm.nih.gov）包含约6000个公开可用的双歧杆菌科和乳杆菌科基因组序列数据集。事实上，大多数特征明确且目前使用的益生菌都属于这两个家族。据我们所知，尽管机器学习已广泛应用于生物学和生物医学领域并显示出广阔的前景，但尚未发表应用机器学习方法构建益生菌预测平台的著作。因此，帮助预测和选择具有所需特征的潜在益生菌菌株，以便通过实验和随机对照试验进一步验证，将是有意义的且有必要的。这项工作的主要目标是开发一个基于机器学习算法的平台，用于根据可用的全基因组测序数据预测益生菌特征。构建了三个独立模型。即模型 1：益生菌和非益生菌菌株的预测因子；模型2：益生菌乳酸菌、益生菌双歧杆菌等益生菌的预测因子；模型3：益生菌乳杆菌和非益生菌乳杆菌的预测因子。

本研究首先从益生菌数据库（PROBIO）和文献调查中选择了一个全面的益生菌基因组数据集。然后，进行了k-mer（从2到8）组成分析，揭示了菌株基因组中多样化的寡核苷酸组成和益生菌基因组中明显比非益生菌基因组更多的益生菌（P-）特征。为了减少噪音和提高计算效率，通过增量特征选择（IFS）方法对87 376个k-mers进行了细化，模型在184个核心特征时达到最大准确度水平，预测准确率高（97.77%），曲线下面积高（98.00%）。利用基因本体论（GO）、京都基因和基因组百科全书（KEGG）和使用子系统技术的快速注释（RAST）数据库的注释进行功能基因组分析，以及与宿主胃肠道生存/定居、碳水化合物利用、抗药性和毒力因子相关的基因分析，发现P特征的分布偏向与益生菌功能有关的基因/通路。

本研究证明寡核苷酸组成特征具有作为筛选候选益生菌基因组的分子标记的巨大潜力。为了促进益生菌领域的科学研究，以及进一步开发现有模型并向用户提供相关基因组信息，本工作创建的iProbiotics平台已建立为可作为公共资源公开访问的网络服务器。行业趋势和消费者偏好将继续推动对具有新颖健康促进作用的新型益生菌菌株的需求。我们预计，整合更大的益生菌数据集和机器学习可以进一步提高益生菌预测的准确性和稳健性。我们希望iProbiotics能够促进潜在益生菌菌株基因组信息的发现和破译，减少生物研究人员对益生菌有益效果进行实证验证的时间和成本，并通过新颖的机器学习框架将益生菌的研究和应用推向更高的水平。

图1. iProbiotics预测平台框架。

图2检索到的细菌基因组序列的寡核苷酸组成图谱。 (A) 用寡核苷酸组成表示益生菌和非益生菌基因组。 y 轴是“Probio651”所有样本的 k-mer 值的平均值。每个 k-mer 组（2-8mer）中显示益生菌 (P-) 和非益生菌 (N-) 特征分布不均匀。 (B) 代表不同 k 聚体组的益生菌和非益生菌基因组的 PCA 评分图。图中的每个点代表一个细菌基因组。

图 3.益生菌预测模型的核心特征选择和机器学习训练。 (A) 每个 k-mer 组中通用、精细和核心特征的 F-score 重要性得分的变化。一般特征、精细特征和核心特征由 IFS 方法定义。图中的每个点代表一个特征。 (B) 预测精度与核心特征数量之间的关系。通过 184 个核心特征实现了最大预测精度。 (C) 核心功能的前 30 个功能及其重要性。 (D) 通过分析益生菌和非益生菌基因组的 184 个核心特征生成的 PCA 评分图。图中的每个点代表一个细菌基因组。 (E) 模型 1 的 10 倍交叉验证 ROC 曲线（益生菌和非益生菌菌株的预测因子）。 (F) 模型 1 的混淆矩阵（益生菌和非益生菌菌株的预测因子；1：益生菌，0：非益生菌）。 (G) 显示模型 2 进化关系的分类分支图。训练组中的菌株分别用粉色表示乳杆菌、绿色表示双歧杆菌和紫色表示其他益生菌。准确预测的益生菌以黄色阴影显示。