基于微生物组多模态数据融合的面部皮肤精准评估

《Quantitative Biology》:Precise assessment of facial skin based on multimodal data fusion of the microbiome

【字体: 大 中 小 】 时间:2026年06月25日 来源:Quantitative Biology 2.2

编辑推荐:

  皮肤微生态在维持皮肤健康中发挥关键作用,并与宿主皮肤表型密切相关。然而,目前仍缺乏用于评估皮肤健康状态的精准定量生物标志物,这使得潜在微生态失衡高风险个体的识别面临挑战。本研究采集了中国上海242名16–50岁女性志愿者的面部皮肤微生物组样本。研究人员采用16

  
皮肤微生态在维持皮肤健康中发挥关键作用,并与宿主皮肤表型密切相关。然而,目前仍缺乏用于评估皮肤健康状态的精准定量生物标志物,这使得潜在微生态失衡高风险个体的识别面临挑战。本研究采集了中国上海242名16–50岁女性志愿者的面部皮肤微生物组样本。研究人员采用16S rRNA基因测序对微生物群落进行调查,并将其与高分辨率面部图像及宿主皮肤表型相整合,开展综合分析。研究结果表明,尽管“理想”与“非理想”皮肤状态个体的面部微生物组群落复杂度相当,但两组关键微生物的组成与结构存在显著差异。差异丰度分析进一步强调了皮肤微生物组与宿主表型特征之间相互作用在皮肤衰老及状态转变中的作用。为实现对面部皮肤状态更全面且定量化的评估,研究人员开发了一种新型多模态皮肤指数(MSI),该指数通过基于深度学习的框架融合面部图像、微生物组谱和宿主皮肤表型特征等多模态数据。值得注意的是,MSI能够识别出那些外观上面部健康、但潜在存在显著微生物失衡,而传统诊断方法往往忽视的个体。本研究使此类隐匿风险的检测成为可能,为个体化面部皮肤健康评估、精准皮肤病学(precision dermatology)以及微生物组指导的美容干预提供了新路径。
该论文发表于《Quantitative Biology》,围绕“如何更精准地定义和评估面部皮肤健康”这一核心问题展开。皮肤是人体最大的器官,也是抵御外界刺激和维持机体稳态的重要屏障,其中面部皮肤长期暴露于环境因素之下,具有较高的皮脂腺密度、复杂的结构特征以及显著的个体差异,因此成为研究皮肤健康与异常状态的理想模型。既往研究表明,面部皮肤状态不仅受水分、皮脂、pH、屏障功能、色素、皱纹、毛孔等宿主表型影响,也与皮肤微生物组(microbiome,指寄居于皮肤表面的微生物群及其遗传信息)密切相关。然而,传统皮肤评估大多依赖外观观察、单一生理参数或局部经验判断,难以同时整合“表型表现—宿主特征—微生物生态”这三个层面的信息,因此无法充分识别那些表面看似健康、但已出现潜在微生态紊乱的个体。正是在这一背景下,研究人员试图建立一种兼具客观性、定量性与综合性的评估体系,以弥补现有方法在精准识别皮肤健康状态方面的不足。

本研究纳入中国上海242名16–50岁的健康女性志愿者,并依据标准化评价体系,将受试者划分为理想皮肤组(IS)53例与非理想皮肤组(non-IS)189例。研究人员首先利用16S rRNA基因扩增子测序描绘受试者面颊部位的微生物组构成,再整合宿主多维表型信息与高分辨率面部图像特征,分析微生物群落与皮肤状态之间的关系,并进一步构建预测模型。研究最终表明,理想与非理想皮肤之间的差异,并不主要体现在整体微生物多样性水平上,而更集中地体现于特定菌群组成、群落结构以及微生物与宿主表型之间的交互关系。基于这一认识,研究人员进一步提出多模态皮肤指数(MSI),实现了对面部皮肤状态的连续化、定量化评估。该指数能够补足传统视觉判断的局限,识别被常规皮肤科或美容评估忽略的潜在高风险个体,对精准皮肤病学和个体化护肤策略具有重要意义。

在技术方法方面,研究主要采用了以下几类关键手段。首先,样本来源于上海242名女性志愿者面颊拭子及对应的面部图像、皮肤生理指标和生活行为信息。其次,利用16S rRNA基因测序获得面部皮肤细菌群落数据,并经标准化流程完成扩增子序列变体(ASV)识别与分类注释。再次,图像数据经预处理后输入ResNet-18(深度残差网络)提取深层视觉特征,宿主表型变量经离散化及独热编码(one-hot encoding)后与微生物特征共同构成多模态输入。最后,研究使用XGBoost(极端梯度提升)构建单模态与多模态模型,并以五折交叉验证和受试者工作特征曲线下面积(AUC)评估性能,在此基础上通过概率变换构建MSI评分体系。

在研究结果部分,论文依照多个小标题逐步展开,清晰呈现了从队列设计、微生物特征分析到多模态模型建立及应用验证的全过程。

2.1 Cohort design
该部分说明了研究队列与分组策略。研究共招募242名16–50岁的健康女性,并基于痤疮、毛孔、色素沉着和皱纹四个维度的标准化评分,将其分为IS组与non-IS组。除微生物样本外,研究还收集了年龄、体质指数(BMI)、皮肤类型、VISIA成像数据、疾病史及化妆品使用频率等多维宿主信息,为后续综合分析奠定基础。该部分的核心结论是:研究建立了一个同时覆盖微生物、宿主表型、临床信息和行为因素的多维面部皮肤研究队列。

2.2 The subtle association between the skin microbiome and skin health
该部分聚焦理想皮肤与非理想皮肤之间的微生物生态差异。研究人员首先用Shannon指数评估α多样性,发现IS组与non-IS组之间虽存在分布差异趋势,但统计学上并不显著,提示整体群落复杂度不能直接区分两类皮肤状态。随后,研究在40个属水平微生物中筛选出13个标志菌,重新进行分析后,组间区分度有所提升。相关性分析显示,Shannon多样性与经皮水分流失(TEWL)及皮脂水平呈显著但较弱的负相关,提示微生物多样性可能与皮肤屏障功能和皮脂分泌存在联系。进一步基于Bray–Curtis距离的β多样性分析表明,未经特征筛选时两组样本空间上部分重叠,而在筛选关键菌群后,组间差异显著增强。该部分说明:理想与非理想皮肤的微生物差异主要体现在特定菌群组成及结构,而非总体多样性。

2.3 Integrated modeling of microbiome and host phenotypic variables
该部分主要评估不同数据模态对皮肤状态预测的贡献。研究人员首先以全部微生物相对丰度为输入构建XGBoost模型,AUC仅为0.62,说明单纯依赖微生物信息难以准确判别皮肤状态。考虑到皮肤健康同时受到宿主表型和生活方式因素影响,研究进一步将年龄、性别、饮食等编码后与微生物特征整合,构建多模态融合模型。整合后模型AUC提高至0.76;在进一步实施特征筛选以降低噪声后,AUC增至0.83。该部分的关键结论是:宿主表型信息能够显著增强微生物组模型的预测性能,多维特征整合优于单一模态分析。

2.4 Correlation analysis between bacterial flora information and host phenotypic characteristics
该部分系统分析了关键菌属与宿主表型之间的关联。研究人员采用方差分析(ANOVA)评估不同宿主特征条件下菌属丰度差异,发现多种菌属与皮肤表型显著相关。其中,g__Streptococcus与痤疮印严重程度呈显著正相关,提示其可能与炎症和色素沉着反应有关;g__Ralstonia在毛孔粗大个体中显著升高,支持其可能参与皮脂代谢和角化过程;g__Lactobacillus与黑头形成显著相关;g__Porphyromonas在痤疮印明显个体中富集;g__Pseudomonas表现出最显著的变异,提示其可能在皮肤微生物稳态维持和屏障动态调节中具有重要作用。该部分的结论是:特定细菌属与痤疮、毛孔、色素等多种皮肤表型紧密相关,为理解“微生物—皮肤”互作机制提供了新的证据。

2.5 Innovative application of multimodal fusion model and IS indicators
该部分展示了三模态模型及MSI的构建。研究将面部图像特征、微生物组谱和宿主表型特征进行深度学习增强和融合,建立新的多模态模型。该模型在独立测试集上的AUC达到0.91,明显优于单模态微生物模型(AUC=0.62)和双模态模型(AUC=0.83),表明多模态融合在捕捉皮肤状态复杂生物学与视觉特征方面具有明显优势。在此基础上,研究进一步提出MSI,将模型输出映射为0–100的连续评分,得分越高表示越接近理想皮肤状态,并以75分作为参考阈值划分IS与non-IS。验证结果显示,MSI与临床皮肤评估结果显著相关,且具有较高判别力。该部分说明:MSI为面部皮肤状态提供了可量化、可解释的综合评价指标。

2.6 Developmental trends and risk prediction of skin condition by MSI
该部分重点体现MSI的临床潜在价值。研究发现,单纯视觉判断有时会将某些个体归为理想皮肤,但MSI会将其中一部分重新识别为非理想,即VI-SN人群;相反,也存在外观并不理想、但MSI判定为理想的VN-SI人群。进一步微生物距离分析显示,VI-SN人群虽然外观上接近IS组,但其微生物组结构更接近non-IS组;而VN-SI人群虽然视觉表现一般,但其微生物组更接近IS组。这提示表面外观并不能完全反映底层微生态状态。该部分得出的重要结论是:MSI不仅能识别“隐匿高风险”个体,也能发现“潜在理想”个体,从而为早期风险预警和个体化干预提供依据。

讨论与总结部分系统阐释了本研究的理论意义与现实价值。研究人员指出,皮肤健康评估始终是生物医学研究的重要议题,本研究通过生物标志物筛选、特征提取编码和深度学习建模相结合,建立了一个综合性皮肤状态评估系统。与仅关注表面表型或局部生理参数的传统方法不同,该体系实现了宿主背景、微生物功能变化和外在皮肤表现三者之间的协同整合。研究认为,尽管皮肤微生物组能够反映皮肤生态系统的上游功能状态,但单一微生物视角仍不完整;图像特征能够表征炎症、色素分布、毛孔和纹理等下游表现,宿主特征则提供影响微生物和皮肤状态的外源背景信息。因此,多模态融合模型能够利用互补信号,学习不同模态之间的交互关系,从而提升皮肤状态判别能力。

同时,论文也指出了研究局限。首先,队列仅包含上海地区16–50岁女性,且以亚洲皮肤类型为主,因此结果在男性、其他地区人群及不同皮肤类型中的外推性有限。其次,16S rRNA测序的功能分辨率有限,当前研究可以揭示菌属与皮肤表型之间的关联,但尚不足以建立严格因果关系。未来若扩大人群来源并结合功能宏基因组学(metagenomics,宏基因组学)数据,可能进一步完善精准皮肤健康评估的理论基础。

研究结论部分可概括为:研究人员构建了一种融合面部图像、宿主表型与皮肤微生物组信息的多模态皮肤状态评估框架,并据此提出多模态皮肤指数(MSI)这一连续定量指标。研究表明,理想皮肤与非理想皮肤的差异主要体现在特定微生物组成及其与宿主表型的关联上,而非总体多样性本身。多模态模型显著优于单模态和双模态模型,能够更准确地识别皮肤状态,并发现视觉上难以辨识的潜在微生态失衡风险人群。总体而言,该研究为面部皮肤健康的精准评估、风险分层和个体化皮肤管理提供了新的量化工具,也为微生物组指导的精准皮肤病学发展奠定了方法学基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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