企业官网建设流程全解析

4,489 例、22 个数据集、11 个国家：Nature Communications high-performance machine learning元分析全 R 管线拆解（附核心图）

核心图一览（Fig 2–5）

下图从上到下依次对应这条机器学习管线的四个关键环节：模型性能的三层验证（Fig 2）→ 20 个物种的特征精简（Fig 3）→ 跨疾病特异性（Fig 4）→ 分类谱与功能谱的正面对比（Fig 5）。

分析管线拆解

一、数据来源与样本设计

• 从 52 篇里筛出 22 个数据集：只保留样本量 ≥30、原始数据公开、元数据能分清病例与对照的研究；最终 4,489 例（16S 3,165 例 / 宏基因组 1,324 例），覆盖 11 个国家、4 大洲。
• 同一研究的不同批次拆开算：Wallen 的两种读长拆成两份、Boktor 的两个独立队列拆成两份，于是 16S 得到 17 个数据集、宏基因组得到 7 个——"批次不混"从数据组织就开始做。
• 分组只有 PD vs 对照：不限制病情严重程度、用药、国家。作者刻意保留异质性，因为要回答的正是"换个人群还能不能用"。
• 另外拉 AD 和 MS 的 16S 数据：只用于测试 PD 模型会不会把别的神经退行性疾病也判成 PD。
• 一句话：这不是一篇"我做了个 90% 准确率模型"的文章，而是一篇"我来审计大家模型到底能不能迁移"的文章。

二、数据处理与特征计算

• 16S 侧：每个数据集单独用 DADA2 去噪出 ASV（不同 run 单独估错误率），cutadapt 去引物，GTDB v207 注释后压到属水平，reads 少于 2,000 的样本直接剔除。
• 宏基因组侧：mOTUs v3 做种级定量，再映射到 GTDB 分类；转相对丰度并去掉 unassigned。
• 功能侧：bbduk 清洗 → kraken2 去宿主 → BWA-MEM 比对到缩减版人类肠道基因目录（1,378 万条非冗余基因）→ gffquant 定量到 KEGG KO；只保留原核来源 KO，通路与模块分别要求 ≥50%、≥60% 原核 KO。
• GMM / GBM 从 KO 推：用 omixerRpm 得到肠道代谢模块与肠脑轴模块，把"菌"翻译成"功能"。
• 5% 流行度过滤后的特征池：202 个属、1,808 个 mOTU、7,632 个 KO、581 个 KEGG 模块、144 条通路、103 个 GMM、49 个 GBM——后面所有模型都在这个池子里选特征。
• 两套变换都跑：log 标准化与 CLR；16S 另做 2,000 reads 稀释版，专门检验测序深度是不是"背锅侠"。

三、统计模型总览

• 统一在 SIAMCAT 里建模：Ridge、Elastic Net、LASSO、Random Forest，以及 LibLinear 版 Ridge/LASSO，六套分类器同台竞技。
• 主评估是 10 次重复 10 折交叉验证：一次验证产出 100 个模型，分类概率平均后再算 AUC；超参在训练集内部再套一层交叉验证，避免调参调出乐观值。
• 研究来源当作批次：先量化它解释了多少方差，再试 MMUPHin 与 bapred 的多种校正，看跨研究表现能不能救回来。
• 混杂单独查：年龄、性别、用药（Wallen 中 ≥20% 使用的 11 种药；Boktor 的 PD 用药）逐个做敏感性分析。
• 样本量与性能的关系：用线性混合模型 + ICC 拆解"测试集是谁"和"训练集多大"各占多少方差。

四、主要分析目标（Aim 1–4）

• Aim 1｜单研究内部能不能分：10×10 CV × 6 种算法 × 4 档流行度阈值（5/10/20/30%）× 2 种变换，先把"最好能做到多少"摸清楚。
• Aim 2｜换个研究还能不能用：cross-study validation（每个模型测遍其他所有研究）+ leave-one-study-out（留一个研究，合并其余全部训练）；再把 2–6 个研究的所有组合穷举（每个留出集 57 个模型，共 399 个）。
• Aim 3｜能不能更简单、更特异：在训练集内部用按研究分层的 Wilcoxon-Mann-Whitney 检验挑 FDR<0.05、效应量最大的 20 个物种重训；再把 PD 模型丢到 AD/MS 数据上看假阳性率。
• Aim 4｜肠菌到底变了什么：Agresti 广义优势比 + 随机效应元分析 + BH 校正；KEGG 功能做超几何富集；年龄/性别/用药逐项排雷。

五、结果呈现逻辑

• 单研究内部很能打：平均 AUC 71.9%，宏基因组 78.3±6.5、16S 72.3±11.7；个别研究（Zhang 2020、Tan 2021）能到 95% 以上——这正是很多单研究论文敢写"90% 准确率"的来源。
• 一换研究就掉：跨研究验证平均只剩 61%（16S 60.1、宏基因组 64.2）；Bedarf 研究内部 85%，跨研究平均 57.4%。
• 合并多研究能救回来一半：LOSO 平均 68%（16S 67.5、宏基因组 72.3），显著高于跨研究验证；训练样本越多，LOSO 越高（解释 15% 方差）。
• 批次校正救不了：MMUPHin、bapred 的各种方法都没有显著提升跨研究 AUC；稀释到 2,000 reads 也只差不到 1.3%——问题不在测序深度。
• 20 个物种就够：精简模型 LOSO 72.3% vs 全特征 72.4%，几乎无损；有 6 个物种在 7 个训练集里次次入选。
• 疾病特异性明显改善：单研究模型在 AD/MS 上的假阳性率平均 35.1%，LOSO 模型降到 18.7%（PD 内部基准是 10%）。
• 功能谱没有想象中香：KO、模块、通路、GMM、GBM 都没稳定超过物种谱，只有 KO 的跨研究 AUC 略高（64.8 vs 64.2）。
• 生物学落点：Lachnospiraceae 的Roseburia、Blautia、Fusicatenibacter、Agathobacter以及Faecalibacterium、Butyricicoccus在 PD 中减少；Ruthenibacterium、Bifidobacterium、Lactobacillus、Streptococcus增加；功能上多糖降解下降、色氨酸降解上升、TyrDC 富集、分泌系统与农药/溶剂降解通路富集。年龄/性别/用药可能解释的差异菌不足 23%，效应最强的那些基本不受影响。

六、一句话总结

52 篇筛成 22 个数据集 → 5% 流行度过滤 → 六套分类器 10×10 交叉验证 → 跨研究 + 留一研究双层外推 → 20 物种精简 + 跨疾病压假阳性 → 广义优势比元分析落到菌与通路。

写在最后

框架已经全部摊开，但每一步的参数细节、避坑点、结果核对清单没法在一篇短文里穷尽。下一篇会把这篇 110 个脚本里用到的每一个方法、每一个 R 包，按「数据 → 特征 → 建模 → 校正验证」四层列成一张表。

如果你正在做：

• 手里有多中心/多队列的组学数据，想回答"模型换个数据集还灵不灵"
• 毕业论文需要复现并迁移这套"内部 CV → 跨研究 → 留一研究 → 跨疾病"的验证组合
• 系统学一遍微生物组机器学习从特征表到元分析的标准流程

👉机器学习代做、一对一答疑，都在TB「万汇泛科技」（拍前可先私信你的数据类型，帮你判断能不能套这套管线）。

后续还会拆更多「开源可复现」的高分文章，关注不迷路。