一种基于肠道微生物标志物组合诊断或预测疾病的方法和系统与流程

本发明属于微生物标志物，具体地，涉及一种基于肠道微生物标志物组合诊断或预测疾病的方法和系统，特别地，所述疾病为孤独症。

背景技术：

1、孤独症（autism spectrum disorders，asd）是一种起病于婴幼儿时期的严重神经行为发育障碍，患儿通常在6-24个月出现asd症状，也有早期发育正常，至24-36个月逐渐出现语言功能、社交能力丧失等退行性变化。近年来，asd发病率逐年升高。

2、临床证据证明，肠道菌群失调及其代谢产物改变与asd的发生密切相关。肠道是人体最大的消化、免疫及内分泌器官，而肠道微生物被认为是影响人体生理及心理健康的“第二基因组”。孤独症儿童粪便中的微生物与健康儿童相比，各个种属的梭状芽孢杆菌数量明显增多，当使用抗生素万古霉素治疗后孤独症明显得到改善。梭状芽孢杆菌不仅会产生导致胃肠道疾病的肠毒素，还会产生导致孤独症的神经毒素。研究人员采用焦磷酸测序法对孤独症患儿的肠道菌群进行研究，发现严重的孤独症患儿拟杆菌门、放线菌门明显增高，因此肠菌异常所致代谢紊乱可能是asd发病机制之一。

3、因此，筛选肠道微生物标志物，通过机器学习模型预测孤独症的发病风险可以帮助人类更好地地进行孤独症的预测从而进行早期干预。然而，目前基于肠道微生物标志物预测孤独症的模型严重缺乏；部分预测模型的特征值与孤独症相关性较差，因果关联较低，导致该特征值往往无法解释与孤独症的关系。

技术实现思路

1、为了解决上述技术问题中的至少一种，发明人通过孟德尔随机化分析，获得与孤独症具有因果关系的肠道微生物标志物，进一步与孤独症的因果关系，所获得的标志物均是与孤独症具有因果关联的肠道微生物，可以更好地进行诊断或预测。

2、本发明第一方面提供一种诊断或预测孤独症风险的微生物标志物组合，包括 ruminiclostridium、 sutterella、 eggerthella、 holdemanella、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 blautia和 adlercreutzia。

3、进一步地，所述微生物标志物组合还包括 ruminococcus、 slackia、 eubacterium、 desulfovibrio、 holdemania、 gordonibacter、 dorea、 collinsella和 anaerotruncus中的至少一个。

4、在本发明的一些优选实施方案中，所述微生物标志物组合包括 ruminiclostridium、 sutterella、 eggerthella、 holdemanella、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 blautia、 adlercreutzia。

5、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminiclostridium、 sutterella、 slackia、 eggerthella、 holdemanella、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 blautia、 adlercreutzia。

6、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminiclostridium、 sutterella、 slackia、 eggerthella、 holdemanella、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 collinsella、 blautia、 adlercreutzia。

7、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminococcus、 ruminiclostridium、 sutterella、 slackia、 eggerthella、 holdemanella、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 collinsella、 blautia、 adlercreutzia。

8、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminococcus、 ruminiclostridium、 sutterella、 slackia、 eggerthella、 holdemanella、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 dorea、 collinsella、 blautia、 adlercreutzia。

9、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminococcus、 ruminiclostridium、 sutterella、 slackia、 eggerthella、 holdemanella、 holdemania、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 dorea、 collinsella、 blautia、 adlercreutzia。

10、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminococcus、 ruminiclostridium、 sutterella、 slackia、 eubacterium、 eggerthella、 holdemanella、 holdemania、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 dorea、 collinsella、 blautia、 adlercreutzia。

11、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminococcus、 ruminiclostridium、 sutterella、 slackia、 eubacterium、 desulfovibrio、 eggerthella、 holdemanella、 holdemania、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 dorea、 collinsella、 blautia、 adlercreutzia。

12、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminococcus、 ruminiclostridium、 sutterella、 slackia、 eubacterium、 desulfovibrio、 eggerthella、 holdemanella、 holdemania、 odoribacter、 oscillibacter、 turicibacter、 terrisporobacter、 dorea、 collinsella、 blautia、 anaerotruncus、 adlercreutzia。

13、在本发明的一些更优选实施方案中，所述微生物标志物组合包括 ruminococcus、 ruminiclostridium、 sutterella、 slackia、 eubacterium、 desulfovibrio、 eggerthella、 holdemanella、 holdemania、 odoribacter、 oscillibacter、 gordonibacter、 turicibacter、 terrisporobacter、 dorea、 collinsella、 blautia、 anaerotruncus和 adlercreutzia。

14、通过检测上述微生物标志物，获得其丰度数据，进一步通过构建模型诊断受试者是否患有孤独症或预测受试者是否具有患孤独症的风险。

15、本发明第二方面提供一种诊断或预测孤独症风险的系统，包括以下模块：

16、数据输入模块，用于输入获得的受试者生物样本中本发明第一方面任一所述微生物标志物组合的丰度数据；

17、数据库存储模块，用于存储群体的生物样本中的所述微生物标志物组合的丰度数据，所述群体样本中包括非孤独症受试者样本和孤独症患者样本；

18、疾病预测模块，分别与所述数据输入模块和所述数据库存储模块连接，用于利用群体的生物样本中的所述微生物标志物组合的丰度数据构建预测模型，并基于从所述数据输入模块获得的受试者的所述微生物标志物组合的丰度数据，诊断受试者是否患有孤独症或预测受试者是否具有患孤独症的风险。

19、在本发明中，术语“微生物标志物组合的丰度数据”包括所述微生物标志物组合中各微生物标志物的丰度数据。

20、在本发明的一些实施方案中，所述各微生物标志物的丰度数据是基于qpcr、16srna测序或宏基因组测序的方法得到的。

21、在本发明的一些具体实施方案中，是指利用16s rna测序得到的，具体地，包括：

22、从所述生物样本中提取基因组dna，并进行16s rna测序，获得测序数据；

23、对所述测序数据的原始reads进行预处理，过滤得到高质量reads，将其与16s rna基因参考数据库作比对，同时去除嵌合体序列，最终将过滤后的序列按照一定方式（包括但不限于nanoclust）进行聚类分析，得到多个序列聚类操作分类单元（otus），并对otus进行分类学（taxonomy）注释，获取各微生物的丰度数据。

24、在本发明的一些实施方案中，所述丰度为相对丰度。

25、在本发明中，所述生物样本包括但不限定粪便、肠道灌洗液、肛拭子样本，优选地，为粪便样本。

26、在本发明的一些实施方案中，疾病预测模块中，所述利用群体的所述生物样本中的所述微生物标志物组合的丰度数据构建预测模型包括以下步骤：

27、s21，将群体的生物样本中的所述微生物标志物组合的丰度数据随机分为两组，一组为训练集，一组为测试集，每个组中均包括非孤独症受试者样本和孤独症患者样本的所述微生物标志物的丰度数据；

28、s22，利用训练集数据，基于机器学习算法构建疾病预测模型，并进行多折交叉验证；

29、s23，在测试集中，对得到的预测模型进行验证。

30、在本发明的一些实施方案中，利用分层随机抽样进行分组。分组比例可以为7：3、4：1等。

31、在本发明的一些实施方案中，所述机器学习算法选自以下算法中的任一种：逻辑回归算法、线性回归算法、随机森林算法、神经网络算法、支持向量机算法、贝叶斯分类算法、梯度提升算法、k近邻算法和决策树算法。

32、在本发明的一些具体实施方案中，所述机器学习算法为逻辑回归算法，所述预测模型根据逻辑回归算法得到的得分诊断受试者是否患有孤独症或预测受试者是否具有患孤独症的风险及风险高低。

33、在本发明的一些优选实施方案中，所述微生物标志物包括上述全部19个微生物标志物，所述预测模型中，各微生物标志物的回归系数如下：

34、

35、在本发明的一些优先实施方案中，当得分小于0.5时，所述受试者未患有孤独症或者具有患孤独症的低风险；当得分大于0.75时，所述受试者患有孤独症或具有患孤独症的高风险；否则，所述受试者具有患孤独症的中风险。

36、本发明第三方面提供本发明第一方面任一所述微生物标志物组合的丰度检测试剂在制备用于诊断或预测孤独症的试剂盒中的应用。

37、在本发明的一些优选实施方案中，所述丰度检测试剂是指高通量测序试剂，包括核酸提取、扩增试剂和/或纯化试剂。

38、在本发明的一些实施方案中，所述丰度检测试剂包括引物和/或探针。进一步地，将探针制备成芯片。

39、本发明的有益效果

40、相对于现有技术，本发明取得了以下有益效果：

41、利用本发明的微生物标志物，通过建立机器学习模型，在训练集中auc达到0.9623，在内部测试集中可达到0.8409，在外部测试集中也达到0.75，表明利用本发明的微生物标志物可以准确诊断受试者是否患有孤独症或预测受试者是否具有患孤独症的风险。进一步，基于特定的机器学习模型，还可以基于得到预测受试者患孤独症风险的高低程度，实现精准预测，使得能够及时进行医学干预，具有巨大的临床应用价值。