神经网络对庞大的肠道微生物数据集进行了分析，以期发现有关人类健康的线索。

肠道细菌在多种健康状况中发挥着重要作用。肠道细菌种类繁多，与机体生物化学及细菌间的相互作用十分复杂，因此很难对其进行研究。东京大学的研究人员采用了一种新方法，即应用一种特殊的人工智能——贝叶斯神经网络来分析庞大的肠道微生物数据集。

这种方法使他们能够发现传统分析技术难以可靠检测出的规律和联系。

为什么肠道细菌对健康很重要

人体大约包含30万亿至40万亿个细胞，而肠道内却寄居着大约100万亿个肠道细菌。换言之，人体内的微生物细胞数量远超人体自身细胞。虽然这些细菌通常与消化相关，但它们也影响着广泛的身体机能。

它们的种类多种多样，能够生成或改变许多被称为代谢产物的化学复合物。这些代谢产物充当信号分子，在体内循环并对免疫系统、新陈代谢、大脑活动和情绪等系统产生影响。对肠道细菌有更深入的了解可能会带来巨大的健康益处。

“问题在于，我们才刚刚开始了解哪些细菌会产生哪些人体代谢产物，以及这些关系在不同疾病中如何变化，”来自生物科学系津田实验室的项目研究员Tung Dang说道。“通过准确绘制这些细菌-化学物质关系图，我们或许能够开发个性化治疗方案。想象一下，培养特定细菌来产生有益的人体代谢产物，或设计能改变这些代谢产物以治疗疾病的靶向疗法。”

复杂性的挑战

这听起来很有希望，但存在一个重大挑战。肠道细菌和代谢物的数量庞大且种类繁多，这使得它们之间的潜在关系变得极其复杂。收集数据已经是一项艰巨的任务，而分析这些数据以发现有意义的生物模式则更加困难。为了解决这一问题，党（Dang）及其团队求助于先进的人工智能（AI）工具进行更深入的分析。

“我们的系统VBayesMM能够自动从庞大的、相关性较低的微生物背景中区分出对代谢产物有重大影响的微生物，同时承认预测关系的不确定性，而不是给出过于自信但可能错误的答案，”当（Dang）说，“当使用睡眠障碍、肥胖和癌症研究的真实数据进行测试时，我们的方法始终优于现有方法，并确定了与已知生物学过程一致的特定细菌家族，这让我们相信，它发现的是真正的生物学关系，而非无意义的统计模式。”

VBayesMM如何处理肠道数据

由于变分贝叶斯混合模型（VBayesMM）能够处理和沟通不确定性问题，因此与不具备这一功能的工具相比，它能让研究人员更有信心。尽管该系统已得到优化，能够应对繁重的分析工作负载，但挖掘此类庞大的数据集仍需付出高昂的计算成本；然而，随着时间的推移，这一障碍对于那些希望使用该系统的人来说将越来越微不足道。

目前，该系统的其他局限性还包括，相比肠道细菌产生的代谢物，系统对肠道细菌本身的数据了解更多，从中获益也更多；当细菌数据不足时，准确性就会下降。此外，VBayesMM假定微生物是独立作用的，但实际上，肠道细菌会以极其复杂的方式进行相互作用。

“我们计划利用更全面的化学数据集来捕获细菌产物的全部范围，尽管这在判断化学物质是来自细菌、人体还是饮食等外部来源方面带来了新的挑战，”dang说。“我们还旨在使VBayesMM在分析不同患者群体时更加稳健，纳入细菌的‘谱系’关系以做出更好的预测，并进一步减少分析所需的计算时间。在临床应用中，最终目标是确定特定的细菌靶点，从而进行有助于患者的治疗或饮食干预，实现从基础研究向实用医学应用的转变。”

参考文献：《VBayesMM：利用变分贝叶斯神经网络对高维微生物多组学数据中的重要关系进行优先级排序》，作者：Tung Dang、Artem Lysenko、Keith A Boroevich、Tatsuhiko Tsunoda，发表于2025年7月4日，《生物信息学简报》。DOI：10.1093/bib/bbaf300

本研究部分得到日本学术振兴会（JSPS）KAKENHI项目资助（项目编号：JP20H03240和JP24K15175），以及日本科学技术振兴机构（JST）CREST项目资助（项目编号：JPMJCR2231）。

不要错过任何一项突破：订阅SciTechDaily新闻简报。