编辑推荐：
为解决纵向微生物组研究网络推断难题，研究人员开发 LUPINE 方法，可有效推断网络，助力相关研究。
在神秘的微观世界里，微生物群落宛如一座隐藏着无数奥秘的宝藏库，对人类健康和生态平衡起着至关重要的作用。微生物组（Microbiome），这个由栖息在特定栖息地的独特微生物群落构成的生态系统，包含了成百上千种不同分类群的细菌，它们彼此交织，形成了极为复杂的社区结构。打个比方，微生物组就像是一个庞大的 “微生物城市”，里面的每一种细菌都是城市中的 “居民”，它们有着各自的 “生活方式” 和 “社交网络”，相互协作或竞争，共同维持着这个 “城市” 的运转。
过去，研究人员主要通过横断面研究来探索这个 “微生物城市”，但这种方式就像是给城市拍了一张静态照片，只能捕捉到某个特定时刻的景象，无法展现微生物群落随时间变化的动态过程。想象一下，只看一张城市某个时刻的照片，很难了解城市里人们的生活是如何随着时间变化的，微生物组研究也是如此。随着科技的进步，纵向微生物组研究逐渐兴起，它就像给微生物群落拍了一部 “纪录片”，能够记录微生物在不同时间的变化，帮助我们更好地理解微生物之间的共存、竞争和协作关系。然而，微生物组数据具有稀疏、成分复杂和多变量等特点，传统的关联分析指标，如相关性分析，在处理这些数据时存在很大的局限性，就像用一把不适合的钥匙去开一把复杂的锁，很难准确地揭示微生物之间的真实关系。同时，现有的网络推断方法大多是针对单一时间点的研究，在纵向研究方面还处于起步阶段，无法满足科研人员深入探究微生物组动态变化的需求。
为了攻克这些难题，墨尔本大学（The University of Melbourne）的 Saritha Kodikara 和 Kim-Anh Lê Cao 等研究人员展开了深入研究。他们开发了一种名为 LUPINE（LongitUdinal modelling with Partial least squares regression for NEtwork inference，基于偏最小二乘回归的纵向网络推断模型）的全新方法，相关研究成果发表在《Microbiome》杂志上。这一研究成果就像为微生物组研究领域带来了一把新的 “万能钥匙”，为解析纵向微生物网络提供了强大的工具，具有重要的科学意义。
研究人员在开展这项研究时，用到了几个主要关键的技术方法。在数据处理上，对于 16S rRNA 扩增子数据集和宏基因组数据集中可用的原始计数数据，研究人员将数据按 “组” 和 “时间点” 分组，并计算每个分类群在特定组和时间点内的相对丰度，同时排除相对丰度低于 0.1% 的分类群。在网络推断方面，LUPINE 方法结合了低维近似和偏相关的概念，通过三种不同的建模方式，即单时间点建模、两时间点建模和多时间点建模，来推断微生物网络。此外，研究人员还使用了图扩散距离（GDD）、综合影响值（IVI）算法和 Mantel 检验等方法来比较和评估推断出的网络。
下面来详细看看研究结果：
- 基准分析：研究人员将 LUPINE 及其单时间点版本 LUPINE_single 与两种现有的网络推断方法进行比较。通过模拟数据实验，以受试者工作特征曲线下面积（AUC-ROC）和精确召回率曲线下面积（AUC-PRC）为评估指标，发现 LUPINE 和 LUPINE_single 在 AUC-ROC 值上表现更优，且计算效率更高。这表明 LUPINE 方法在区分真实边缘和虚假边缘方面具有更好的性能，能够更准确地推断微生物网络12。
- HFHS 研究：在对小鼠进行的高糖高脂（HFHS）饮食研究中，LUPINE 在识别不同饮食组小鼠微生物网络差异方面表现出色。研究发现，正常饮食组中拟杆菌目（Bacteroidales）的节点连接更紧密，而 HFHS 饮食组中乳杆菌目（Lactobacillales）的节点连接更多，且与丹毒丝菌目（Erysipelotrichales）和梭菌目（Clostridales）的节点有更高的连接数。这表明 LUPINE 能够捕捉到饮食对微生物群落结构的影响，揭示出不同饮食条件下微生物网络的差异34。
- VREfm 研究：在研究万古霉素耐药肠球菌（VREfm）定植的小鼠实验中，LUPINE 成功揭示了网络结构在两次干预（抗生素给药和 VRE 定植）过程中的变化。抗生素处理后，拟杆菌目和梭菌目的边缘数量减少，而在 VRE 定植阶段，拟杆菌目的边缘数量增加，梭菌目的连接数在实验结束时仍较少。这说明 LUPINE 能够有效检测到微生物网络在外部干预下的动态变化，为研究微生物群落对干预措施的响应提供了有力支持56。
- 饮食研究：在一项涉及人类的饮食干预研究中，LUPINE 应用于植物性饮食和动物性饮食的案例对照研究。研究发现，植物性饮食组和动物性饮食组的网络结构存在明显差异，且在不同饮食组中，一些分类群的连接情况和平均 IVI 分数不同。此外，还发现了一些不受饮食或每日变化影响的稳定分类群，如拟杆菌门（Bacteroidetes）、毛螺菌科（Lachnospirales）和颤螺旋菌属（Oscilospirales）等。这表明 LUPINE 能够在复杂的人类研究中识别出饮食特异性和饮食稳定性的分类群，有助于深入了解饮食与微生物组之间的关系78。
- 糖尿病前期研究：在对糖尿病前期个体进行的研究中，LUPINE 对接受地中海饮食（MED）和个性化餐后血糖靶向饮食（PPT）的个体进行分析。结果显示，虽然两种饮食组的网络结构相似，但基于 IVI 分数和相关性检验的 p 值，发现了一些分类群在两组间存在差异。例如，粪杆菌属（Faecalibacterium）和双歧杆菌属（Bifidobacterium）在 PPT 组中的 IVI 分数更高，而多雷菌属（Dorea）在 PPT 组中的 IVI 分数较低。这表明 LUPINE 能够在大型人类研究中识别出与不同饮食相关的关键分类群，为糖尿病的治疗和预防提供了潜在的靶点910。
在讨论部分，研究人员指出 LUPINE 是首个用于纵向环境的顺序微生物网络推断方法，能够检测微生物群落中分类群关联的稳定性以及对外部干扰的响应。但在研究过程中也考虑到了微生物组数据的特点，如分类群过滤和小样本量可能导致的假阳性问题。同时，研究人员还提出了 LUPINE 的潜在扩展方向，包括同时考虑多个组以推断共同网络、考虑时间点之间的时间间隔以及将方法扩展到包括功能谱等。
总的来说，LUPINE 方法为纵向微生物组研究提供了一种创新的网络推断工具，在不同的研究设计中都展现出了强大的应用潜力，能够帮助研究人员更好地理解微生物群落的动态变化及其与外部因素的关系。这一研究成果不仅为微生物组领域的基础研究提供了新的思路和方法，也为未来通过调节微生物组来改善人类健康、治疗相关疾病奠定了坚实的基础，有望在生命科学和健康医学领域开启新的研究方向，推动相关领域的进一步发展。
