编辑推荐：
为解决肺结节（PN）诊断依赖影像学存在的局限性问题，成都中医药大学附属医院等研究人员开展了基于唾液微生物组和机器学习算法探索 PN 非侵入性生物标志物的研究。结果表明唾液微生物组可作为 PN 非侵入性生物标志物，这为 PN 临床诊断提供新途径。
在肺癌防治领域，早期筛查至关重要，而肺结节（Pulmonary Nodule，PN）作为肺癌潜在风险因素，其诊断备受关注。目前，计算机断层扫描（CT）虽为主要筛查手段，但存在辐射暴露、假阳性率高及适用人群受限等问题，长期监测给患者带来身心负担，仅依靠影像学诊断已难以满足临床需求。与此同时，微生物被视为极具潜力的癌症生物标志物，口腔作为微生物聚集的重要场所，唾液微生物组与多种恶性肿瘤关联密切，且唾液获取便捷，使其成为疾病诊断研究的热点。在此背景下，成都中医药大学附属医院等研究机构的研究人员开展了基于唾液微生物组和机器学习算法探索 PN 非侵入性生物标志物的研究，相关成果发表于《Scientific Reports》，为肺结节诊断开辟了新方向。
研究人员主要运用了以下关键技术方法：首先是 16S rRNA 基因测序技术，用于分析唾液微生物的群落结构和多样性；其次利用多种机器学习算法构建并评估模型，筛选出最佳模型并优化；还运用 SHapley 可加性解释（SHAP）算法对模型进行解释，探索潜在的生物标志物；通过 PICRUSt2 软件进行功能预测分析，探究微生物群落与肺结节的潜在生物学关系 。
研究结果如下：
- 参与者临床特征：研究共招募 271 名受试者，经筛选最终 193 名纳入分析，其中 PN 患者 153 名，健康对照 40 名。两组在年龄、性别、吸烟状态等基线特征无显著差异。
- 唾液微生物群图谱：通过 Venn 图分析发现两组共有 267 个属，PN 组有 119 个独特属，对照组有 61 个。α- 多样性分析显示，对照组 Chao、ACE 和 Sobs 指数更高，Simpsoneven 指数略低，表明两组 α- 多样性存在显著差异。β- 多样性分析表明两组距离值和群落结构有显著差异。群落柱状图等分析显示两组优势属一致，但相对丰度不同，LEfSe 分析还找出两组在属水平的特异性分类群。
- 唾液微生物群与 PN 临床特征的相关性：通过 Spearman 相关性分析及 VIF 筛选环境因素，发现年龄、性别、家族肿瘤病史与唾液微生物群存在相关性。db-RDA 分析进一步证实患者临床特征与唾液微生物群密切相关。
- PN 中唾液微生物功能的预测与分析：利用 PICRUSt2 进行功能预测分析，发现 PN 组与对照组在一些基因和 KEGG 代谢通路存在差异，表明唾液微生物可能通过代谢通路参与肺结节的发生发展。
- 模型构建与评估：将 193 例患者随机分为训练集和测试集，基于随机森林算法选取 10 个特征属构建 6 种机器学习模型。结果显示所有模型分类性能良好，XGBoost 模型表现最佳。经贝叶斯优化算法优化后，BOXGB 模型预测性能提升，校准曲线和混淆矩阵也验证了其可靠性。此外，研究还表明所选特征集在预测肺结节时更具优势，且这些特征对区分吸烟者和非吸烟者能力有限。
- 模型解释：通过 SHAP 值分析 BOXGB 模型对 PN 的预测，确定了影响模型输出的重要微生物特征，并通过对两个代表性样本的分析展示了模型的可解释性。
- 模型展示与应用：基于 BOXGB 算法开发了在线预测平台，用户输入唾液菌群信息即可获取 PN 风险预测结果。
- 探索潜在的非侵入性生物标志物：利用 SHAP 对多个模型进行全局解释，确定 Defluviitaleaceae_UCG-011、Aggregatibacter、Oribacterium、Bacillus 和 Prevotella 可能是最有前景的 PN 非侵入性生物标志物。
研究结论表明，该研究明确了 PN 患者和对照组唾液微生物群的差异，基于唾液微生物组数据构建了 PN 诊断模型并开发在线预测平台，证明唾液微生物组可作为 PN 非侵入性液体生物标志物，为从微生物角度干预 PN 提供科学依据，拓展了 PN 临床诊断方法。不过研究也存在局限性，如样本量较小、未充分探究生活方式对唾液微生物组的影响、未建立良恶性 PN 鉴别模型以及潜在生物标志物需进一步验证等 。未来研究应针对这些问题深入探索，推动肺结节诊断领域的发展。
