人體微生物廣泛分布於皮膚、口腔、腸道等部位，構成複雜的生態係統。研究表明，微生物組的失調與炎症性腸病、過敏、哮喘乃至多種癌症密切相關。隨著高通量測序技術的發展，如宏基因組測序、轉錄組、蛋白質組和代謝組分析，研究者得以從多個維度解析微生物組功能。然而，這些數據往往具有高維度、稀疏性和異質性，傳統的生物信息學方法難以充分挖掘其潛在價值。隨著人工智能技術的引入，尤其是機器學習與深度學習方法的廣泛應用，微生物組研究正經曆從數據處理到多尺度挖掘與機製解析的深度革新。人工智能不僅顯著提升了對複雜組學數據的解析能力，也為揭示人體微生物組與健康及疾病之間的關聯、拓展相關臨床應用提供了全新路徑，從而加速了研究範式從傳統的假設驅動向數據驅動的轉變。 

2025年9月22日，必威精装版app西汉姆联 趙方慶團隊在Gut上發表題為AI-empowered human microbiome research的綜述，係統梳理了人工智能在人體微生物組研究中的應用現狀與未來趨勢，提出人工智能技術正引領該領域從傳統統計方法向數據驅動的智能分析轉型。

AI方法的引入：從假設驅動到數據驅動

傳統的微生物組研究多以假設驅動為主，即研究者基於已有生物學知識提出假設，再通過實驗驗證。例如，假設某種菌群在某類疾病中豐度下降，隨後設計實驗采集樣本、測序分析、統計檢驗。這種方法雖然嚴謹，但在麵對高維度、多組學、非線性的數據時，往往難以捕捉複雜的微生物–宿主交互模式，也容易受到主觀偏見的影響。隨著組學技術的進步，微生物組數據呈指數級增長，涵蓋宏基因組、轉錄組、蛋白質組、代謝組等多個維度。麵對如此龐雜的數據體係，AI技術的引入成為研究範式轉型的關鍵驅動力（圖1）。

AI方法全景圖：從數據預處理到功能解析

在微生物組研究中，AI方法的應用貫穿整個數據分析流程，從原始數據的預處理，到特征提取、結構建模，再到動態預測與功能注釋，構成了一個高度集成的智能分析體係（圖2）。本文首先強調了數據預處理的重要性。由於微生物組數據常來自不同實驗平台、樣本來源和測序批次，存在顯著的批次效應與技術偏差。為此，研究者引入了如ConQuR等方法，這些工具能夠在保留生物學差異的前提下，有效消除非生物學性變異，從而提升跨隊列分析的穩定性與可靠性。這一環節為後續AI建模奠定了堅實的數據基礎。在特征提取與表示學習階段，研究者開始采用Word2Vec、BERT等嵌入方法，將微生物序列轉化為低維、語義豐富的向量表示。這些方法被用於學習微生物組的深層次結構特征，顯著提升了分類與表型預測的準確性。由於微生物之間存在複雜的共現關係、代謝互作與生態網絡，傳統的線性模型難以捕捉這種非歐幾裏得結構。麵對多樣化的數據類型，研究者采用了包括監督學習與非監督學習在內的多種建模方法。這些針對性的策略不僅顯著提升了分類性能，也為微生物組功能的預測提供了更具生物學解釋力的分析框架。

多尺度AI建模：從群落到分子層級

在微生物組研究中，理解微生物與宿主之間的關係，不能僅停留在單一層級。本文通過構建了一個清晰的多尺度建模框架，展示了AI技術如何在群落、物種和分子三個層級上協同發力，實現從宏觀生態到分子機製的係統解析（圖3）。

· 群落層級（Community level）：AI模型在這一層級的應用主要體現在兩個方麵。首先是群落組成的預測。通過深度學習模型（如CNN、Transformer等），研究者可以從宏基因組數據中預測微生物的豐度分布和功能潛力。例如，模型可識別特定疾病狀態下群落的失衡模式，如IBD患者中擬杆菌門的顯著減少。其次是群落的動態建模。利用時間序列模型（如LSTM、TCN），AI可模擬微生物群落在不同時間點的演化過程，識別關鍵轉折點或幹預窗口。這對於理解抗生素使用、飲食變化或疾病進展對微生物組的影響尤為重要。

· 物種層級（Species level）：研究目標轉向具體微生物種類的功能角色與臨床意義。通過特征選擇算法（如SHAP）或圖神經網絡，AI可從數千種微生物中篩選出與疾病顯著相關的“核心物種”。例如，Faecalibacterium prausnitzii被識別為抗炎關鍵菌株，在多種腸道疾病中呈現保護性作用。此外，結合微生物豐度數據與臨床指標，AI模型可構建分類器（如隨機森林、XGBoost），用於疾病診斷、亞型識別或治療響應預測。

· 分子層級（Molecular level）：分子層級是微生物組研究中最具挑戰性但也最具潛力的部分。大量微生物基因尚未被注釋，尤其是來自未培養微生物的序列。AI，特別是大語言模型（LLMs），在這一領域展現出突破性能力。如ESM2模型的成果，該模型基於Transformer架構，已成功預測超過6億個微生物蛋白結構，構建了ESM Metagenomic Atlas。這一數據庫為未注釋蛋白提供了結構線索，極大拓展了微生物功能空間。

這篇綜述文章還總結了AI賦能的微生物組研究在臨床應用中的最新進展，更提出了未來發展的關鍵方向。AI技術正從數據處理工具，轉變為揭示微生物與宿主關係的“智慧引擎”，為疾病診斷、個性化治療與精準幹預提供新路徑。盡管AI在微生物組研究中展現出巨大潛力，但仍麵臨一些挑戰，如模型可解釋性不足，泛化能力有限，以及數據治理問題等。文章呼籲建立跨學科合作機製，融合生物學、計算機科學、醫學與倫理學力量，共同推動AI在微生物組研究中的應用。在數據驅動的時代，AI賦能微生物組研究，不僅是技術革新，更是理解生命本質的新窗口。 

該綜述由必威精装版app西汉姆联 趙方慶研究員團隊完成，博士研究生周田為第一作者。

原文鏈接：https://doi.org/10.1136/gutjnl-2025-335946

圖1  AI驅動的人體微生物組學研究新範式

圖2  AI驅動的微生物組數據分析框架

圖3  AI在微生物組數據挖掘中的多尺度應用