一种名为MOZAIC的新型人工智能框架可以帮助医生更精确地匹配粪便移植供体和受体，通过预测治疗后肠道微生物组如何趋同，从而提高治疗成功率。
研究：人工智能驱动的供体-受体肠道微生物组匹配优化粪便微生物群移植。图片来源：Life science/Shutterstock.com
近期发表在《Cell Reports》的一项研究探讨了使用MOZAIC框架的人工智能驱动供体-受体肠道微生物组匹配是否能够通过优化FMT后的微生物组趋同并预测患者预后，从而提高粪便微生物群移植(FMT)的临床疗效。
FMT疗效的挑战与决定因素
粪便微生物群移植(FMT)是治疗复发性艰难梭菌感染(CDI)的成熟疗法，目前正在评估其对其他胃肠道和代谢疾病的治疗效果。FMT恢复肠道微生物多样性和代谢功能，有效逆转菌群失调并支持肠道稳态。
尽管FMT有效，但不同受体的治疗结果存在差异。虽然大多数优化工作集中在供体选择上，但受体特异性因素正越来越被认为是定植和治疗反应的主要决定因素。同一供体移植给不同受体产生的结果差异突显了将受体适应力纳入FMT策略的重要性。
供体-受体微生物相互作用对FMT结果至关重要，但当前的计算模型缺乏充分捕捉复杂、多维度的微生物动态和个体间反应变异的能力。机器学习(ML)的应用尝试预测FMT后受体的微生物组特征和临床反应，但模型局限性阻碍了双向供体-受体相互作用的全面整合。需要改进的计算框架来实现精确的供体-受体匹配并提高FMT疗效。
使用MOZAIC进行多维度FMT评估
本研究系统分析了来自30个不同数据集的515次FMT事件，包括24个公共数据集和6个内部数据集，涵盖3名健康志愿者和12种疾病适应症。其中，44次FMT的94个宏基因组为新收集的内部数据。
研究人员对细菌、真菌、病毒和古菌群落进行了广泛的分类学分析，以及对代谢通路和基因家族的功能分析。
采用先进的生物信息学流程来解释宏基因组数据，确保FMT前后肠道微生物组的多维度视图。分析考虑了混杂变量，特别调整了疾病类型、患者年龄、性别和任何先前的抗生素治疗。
鉴于在不同疾病和患者背景中观察到的微生物变化的异质性和复杂性，该研究开发了MOZAIC，这是一个专门为FMT供体-受体匹配量身定制的先进深度学习框架。与依赖简单生态指标或孤立特征的传统方法不同，MOZAIC处理来自供体和受体的全部分类学和功能数据。
其架构包含五个紧密互连的神经计算模块，每个模块都设计用于并行提取和处理组成数据，如微生物物种和通路丰度，以及功能基因家族信息。网络的下游层随后整合这些特征，以识别每个供体-受体对独有的兼容性和互补性潜在模式。
该模型融合了先进的机器学习策略，包括正则化、丢弃和动态学习率调整，以确保稳健且可推广的预测。通过使用这种复杂的设计，MOZAIC可以更准确地预测哪些供体-受体对将在FMT后实现微生物组趋同（这一结果与临床成功密切相关），在预测性能上优于传统的机器学习模型。
然而，作者指出，MOZAIC仍然是一个相对"黑箱"的深度学习系统，其决策过程在特定微生物分类或通路方面尚不易解释。
微生物组趋同和预测模型塑造FMT结果
FMT后临床改善的受体显示其微生物组显著向供体样特征转变，特别是在细菌组成和代谢功能方面。然而，无应答者表现出最小的趋同，保留了独特的微生物组特征。因此，FMT成功与受体的微生物组在分类学和功能上变得更像供体的微生物组密切相关。
受体和供体微生物组之间的更大生态距离增加了FMT后趋同的可能性。这个更大的差距可能为供体来源的微生物建立自己创造更多机会。
值得注意的是，供体微生物组多样性并不能预测趋同的成功。相反，基线微生物多样性较低的受体（反映了更具菌群失调或适应力较差的肠道环境）更容易被供体微生物定植和重构。然而，在调整疾病类型和其他混杂变量后，这种关联减弱了。这种效应在CDI、溃疡性结肠炎和肠易激综合征队列中最为明显。
这些发现强调了受体基线生态和供体-受体互补性在FMT后成功微生物组整合中的重要性。
基于标准生态指标的传统机器学习模型在预测FMT后趋同方面仅达到中等准确度，表明这些指标不能充分捕捉复杂的供体-受体动态或高度异质性的疾病特异性微生物变化模式。相比之下，MOZAIC始终优于传统模型，在预测微生物组趋同方面达到了约0.88的曲线下平均面积(AUC)，准确率和召回率超过0.80。
在对独立测试数据集的回顾性分析中，MOZAIC的供体-受体匹配预测在预测临床结果方面达到了78.7%的准确率。即使在微生物组趋同的定义变化时，其稳健性能依然保持，突显了其适应性。
特征分析表明，整合供体和受体微生物组数据对最佳预测至关重要，因为仅使用单一数据源的模型效果差得多。这些发现强调了需要考虑供体和受体微生物组之间的多维度相互作用，以准确预测FMT结果。
回顾性模拟临床效用分析表明，将MOZAIC应用于供体-受体匹配可以使FMT成功率相对于基线提高1.44倍。即使在排除了固有高应答率的病例（如涉及CDI的病例）后，这种疗效的提高仍然存在。这些发现强调了MOZAIC通过系统地识别最兼容的供体-受体对，在广泛疾病和患者人群中显著优化临床结果的潜力。
AI引导的微生物组匹配推进精准FMT策略
本研究表明，FMT的成功取决于供体-受体兼容性，这是通过AI对微生物组特征的分析来衡量的。MOZAIC有助于优化供体选择并解决微生物群疗法中的一个关键障碍。通过将微生物组趋同与临床结果联系起来，这项工作指导了肠道生态系统的精准工程。
下一步包括在临床试验中测试MOZAIC，并阐明其预测如何工作以更好地连接微生物生态学和个性化医学。作者还强调，这些发现基于回顾性分析，在常规临床实施之前，需要进行前瞻性验证和改进AI框架的可解释性。
Journal reference:
Su., Q. et al. (2026). Artificial intelligence-driven donor-recipient gut microbiome matching for optimized fecal microbiota transplantation. Cell Reports. DOI: 10.1016/j.celrep.2026.117301.
【全文结束】