三、机器学习在微生物组中的应用

（1）分类任务：疾病预测
- 输入：微生物组组成特征（物种丰度、功能通路丰度）
- 输出：疾病状态（如IBD vs 健康）
- 常用算法：
- 随机森林（Random Forest）：对高维稀疏数据表现好，可输出特征重要性
- 支持向量机（SVM）：适合小样本高维数据
- 深度学习（神经网络）：可学习复杂的非线性关系
案例：使用随机森林预测CRC（结直肠癌）
- 训练集：数百个粪便样本的16S/宏基因组数据
- 特征：物种丰度（或MetaCyc通路丰度）
- 模型：随机森林分类器
- 结果：AUC可达0.8-0.9，某些研究报道准确率>90%
- 关键标志物：Fusobacterium nucleatum、Peptostreptococcus anaerobius等
（2）回归任务：表型预测
- 输入：微生物组特征 + 宿主因素
- 输出：连续变量（如BMI、药物响应、血糖水平）
- 常用算法：LASSO回归、弹性网络、随机森林回归
（3）聚类任务：亚型鉴定
- 输入：微生物组组成
- 输出：患者亚型（enterotypes，肠型）
- 肠型概念：人类肠道微生物组可分为几种主要的组成模式
- 肠型1：以Bacteroides为主
- 肠型2：以Prevotella为主
- 肠型3：以Ruminococcus为主