部署机器学习和宏基因组学技术,预测结直肠癌中肠道微生物对药物的生物转化作用
《Computational Biology and Chemistry》:Deploying Machine Learning and Metagenomics for Predicting Gut Microbial Drug Biotransformation in Colorectal Cancer
【字体:
大
中
小
】
时间:2026年10月14日
来源:Computational Biology and Chemistry 3.4
编辑推荐:
•全面的数据整合:该工具使用了包含437,079种特定物种酶反应和3,457个分子特征的大规模数据集进行开发。
•高精度预测建模:该模型采用随机森林架构,准确率达到99%,ROC-AUC值为0.99%,并在盲测集验证中保持了97%的准确性。
•全球宏基因组数据库:整合了来自多个地
•全面的数据整合:该工具使用了包含437,079种特定物种酶反应和3,457个分子特征的大规模数据集进行开发。
•高精度预测建模:该模型采用随机森林架构,准确率达到99%,ROC-AUC值为0.99%,并在盲测集验证中保持了97%的准确性。
•全球宏基因组数据库:整合了来自多个地理区域的宏基因组研究的结直肠癌(CRC)特异性肠道微生物组数据库。
•物种特异性分辨率:能够精确识别和量化参与药物代谢的特定物种肠道微生物酶。
•验证:使用四种氟嘧啶类药物进行了预测效率的验证,显示出与文献和现有计算工具的一致性。
引言
人类肠道微生物组在健康和疾病中起着关键作用,并积极参与宿主生理和药物代谢。肠道微生物组的组成受多种因素影响,如饮食和遗传学,这些因素导致个体间对药物反应的差异,此外还有宿主的药物基因组差异。肠道微生物群由复杂的微生物组成,人类微生物组项目显示,拟杆菌门和厚壁菌门占肠道微生物群的90%以上(Turnbaugh等人,2007年)。
旨在发挥治疗作用的药物通常伴有副作用,尤其是胃肠道毒性,然而肠道微生物群在调节这些副作用中的作用尚未完全探索。药物和微生物组之间存在双向关系:药物改变肠道微生物组成,而微生物群可以直接或间接影响药物代谢。体外研究证据表明非抗生素药物具有抑制微生物生长的能力(Maier等人,2018年),以及微生物酶在改变药物可利用性和系统循环中的作用(Tsunoda等人,2021年)。
结直肠癌(CRC)是全球最常见的癌症之一,导致大量癌症相关死亡。它是第三大常见癌症,占所有病例的9.9%(2,041,007例),仅次于肺癌和乳腺癌,并且根据2024年的统计数据是第二大死亡原因(Sung等人,2026年)。尽管有多种治疗策略,如放疗和免疫疗法,但由于其有效性,化疗仍然被广泛使用。化疗可以在手术前作为新辅助治疗,在手术后作为辅助治疗。此外,化疗常与其他疗法(如放疗)联合使用。对于晚期直肠癌,通常提供长期的新辅助化疗以缩小肿瘤体积,提高切除可行性(Yang等人,2025年)。然而,化疗常常伴有毒性。除了药物基因组学之外,药物微生物组学也导致个体间对药物反应的差异(B?hm等人,2025年)。此外,肿瘤发生通过黏膜过度增生改变胃肠道上皮,进一步发展为癌变(Xiao等人,2020年)。这归因于个体间肠道微生物群的多样性,从而导致不同的酶组成,进而影响药物代谢。然而,这种分类学和功能层面的差异可以通过宏基因组分析有效捕捉(Trepka等人,2025a;Tsunoda等人,2021年)。据估计,40%-100%的患者会经历胃肠道毒性,具体取决于药物和剂量。多项研究证明了微生物对化疗药物(包括5-氟尿嘧啶、伊立替康、奥沙利铂、吉西他滨和甲氨蝶呤)的疗效和毒性的影响,突显了药物微生物组学在癌症治疗中的重要性(Chrysostomou等人,2023年)。例如,伊立替康(一种常用的胃肠道癌症治疗药物,Robert & Rivory,1998年)首先被羧酯酶转化为活性代谢物SN-38,然后被UDP-葡糖醛糖基转移酶失活为SN-38G,通过胆汁排出体外。主要由肠道大肠杆菌产生的β-葡糖醛糖苷酶将失活的SN-38G转化为活性形式SN-38,从而增加其在肠道内的浓度,增加肠道毒性风险。伊立替康相关的毒性如中性粒细胞减少症和腹泻可能是致命的(Wallace等人,2010年)。有报道指出,同时给予伊立替康和β-葡糖醛糖苷酶抑制剂可以预防CRC患者的腹泻(Chrysostomou等人,2023年)。
人类肠道微生物群包含超过4,500种肠道微生物,编码超过350,000种代谢酶,使其具有巨大的代谢潜力(Almeida等人,2021年)。还原反应在生物转化中占主导地位,这主要归因于肠道的还原环境。其他生物转化反应包括去甲基化、去酰基化和水解(Malwe, Sharma(2023a)。
下一代测序技术的进步促进了肠道微生物组及其代谢潜力的研究。霰弹枪宏基因组学是一种高通量测序技术,有助于确定微生物群的分类分布和功能潜力。最近的研究表明,微生物标志物可以作为使用机器学习和宏基因组学的非侵入性癌症诊断方法。纵向微生物组研究能够预测癌症阶段并识别与癌症阶段相关的关键微生物。机器学习已在生物学领域得到广泛应用,包括序列分析(Lv等人,2023年)和蛋白质结构预测(Qian等人,2025a;Peng等人,2025年)。基于全切片H&E图像,已经开发出随机森林和深度学习模型来预测宫颈癌的转移和复发风险(Ye等人,2022年)。基于微生物特征的机器学习模型识别了晚期和早期CRC的差异微生物谱型(Torshizi Esfahani等人,2025年)。机器学习方法有助于预测肠道微生物酶介导的外源物质生物转化。这些方法利用酶和底物信息的数值表示进行分子特征分析。通过已知的酶生物转化数据训练模型,使模型能够通过序列和结构特征预测新的生物转化。诸如DrugBug和GutBug之类的工具已被用于预测参与外源物质代谢的肠道细菌酶的EC(酶委员会)编号(Malwe等人,2023b)。BioTransformer和MicrobeRX等工具经过训练,可以利用反应数据库预测生物转化的代谢物,而BioTransformer更适用于宿主介导的代谢预测(Ruiz-Moreno等人,2025年)。尽管已开发出有效的工具,但这些工具在临床实践中的应用仍然较少。
本研究的主要目标是开发基于蛋白质和底物指纹的机器学习模型,以预测特定物种的酶生物转化,并将构建的模型与来自地理多样性宏基因组研究的CRC特异性肠道微生物酶数据库整合。
在这项研究中,我们展示了一个基于机器学习的工具CRCGMMeta Predictor,该工具整合了肠道微生物酶的底物和蛋白质信息及其在CRC患者肠道宏基因组中的丰度数据。该工具能够识别微生物酶、其宿主物种及其丰度,从而预测CRC患者中的药物生物转化。这种方法强调了整合微生物组信息预测以个性化癌症治疗的潜力,从而防止不良药物相互作用并改善化疗结果。
部分内容摘要
• CRC肠道微生物组数据的检索:从ENA数据库中检索了200名CRC患者和200名非CRC(NC)对照组的精心策划的肠道宏基因组数据。这些数据集来自亚洲、欧洲和北美的八项独立研究(表1),详细的样本信息作为补充信息提供(表S1)。整个工作流程如图1所示。这些数据集的选择基于样本大小、地理多样性和适合酶注释分析的原始宏基因组序列的可用性。
• CRC中肠道微生物组的功能多样性:从八项不同的研究中检索了CRC患者和健康个体的肠道宏基因组数据。宏基因组数据经过质量过滤并通过SqueezeMeta进行分类学和功能注释处理。
• 多样性分析显示了两组之间肠道微生物群的结构差异(图3)。α多样性指标表明,尽管两组之间的总体物种丰富度保持不变,但CRC组的内部结构差异很大。
局限性
• CRCGMMeta Predictor使用了现有的计算工具和现有文献证据进行评估;然而,尚未对预测的特定物种酶介导的生物转化进行体外或体内实验验证。此外,CRC特异性肠道微生物酶数据库是基于三个大陆的研究构建的,但仍仅限于八项研究。因此,需要进一步的实验验证和数据库扩展。
结论
肠道微生物群介导的生物转化可能影响癌症化疗的疗效和毒性,通常导致胃肠道毒性。预测性机器学习模型在癌症治疗中的临床应用仍然有限。在这里,我们开发了一个基于Python的工具,将CRC肠道宏基因组数据库与机器学习框架相结合。一个基于酶和底物特征训练的随机森林模型达到了99%的总体准确率。
未引用的参考文献
(ANON, 2023; Huerta-Cepas等人, 2016; Simon Andrews等人, 2010)
作者贡献声明
Subramanian Vidyalakshmi:撰写-审稿与编辑、监督、正式分析、概念化。
Hema Palanisamy:撰写-原始草稿、调查、正式分析、数据整理。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:Hema Palanisamy报告称获得了印度科技部生物技术部的财政支持。如果有其他作者,则他们声明没有已知的可能影响本文工作的财务利益或个人关系。
致谢
作者感谢印度科技部生物技术部通过DBT-JRF计划(HP (DBT/2022-23/PSG/1900)以及科钦巴托尔PSG理工学院生物技术系的生物大数据分析实验室提供的基础设施支持。
利益冲突声明
作者声明没有利益冲突。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号