DOI: https://doi.org/10.1186/s13040-026-00532-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41928315
تاريخ النشر: 2026-04-02
المؤلف: Giuseppe Defazio وآخرون
الموضوع الرئيسي: الميكروبيوم المعوي والصحة
نظرة عامة
تبحث الدراسة في دور الميكروبيوم الفطري في الأمعاء البشرية في الصحة والمرض من خلال تحليل شامل لحوالي 1,500 عينة من بيانات تسلسل ITS1 المتاحة للجمهور. باستخدام مزيج من الطرق الإحصائية التقليدية وتقنيات التعلم الآلي (ML)، تحدد الدراسة الأجناس الفطرية الرئيسية – مثل Eurotium وAureobasidium وCandida – التي تميز بفعالية بين الأفراد الأصحاء وغير الأصحاء. حققت نماذج التعلم الآلي دقة تصنيف تتجاوز 80%، حيث وصلت بعض النماذج إلى دقة تصل إلى 87% في التمييز الثنائي على مستوى الجنس. وهذا يبرز إمكانيات تحليل المجتمع الفطري كأداة تشخيصية غير جراحية.
علاوة على ذلك، تستخدم الدراسة إطارًا تحليليًا مبتكرًا متعدد الرؤى، يدمج الذكاء الاصطناعي القابل للتفسير (XAI) لتوضيح الأهمية الوظيفية للميكروبيوم الفطري في الأمعاء. تؤكد النتائج على أهمية الأجناس الفطرية المحددة في الحفاظ على الصحة ودورها المحتمل في تعزيز المرض. تتضمن الدراسة أيضًا تصورات تفصيلية، مثل مخططات LEfSe وخرائط الحرارة، لتوضيح الوفرة التفاضلية والارتباطات بين الأجناس وحالات الصحة، مما يساهم في تقديم رؤى قيمة حول تأثير الميكروبيوم الفطري على رفاهية المضيف.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الاهتمام الكبير بالميكروبيوم البشري (GM) على مدى الخمسة عشر عامًا الماضية، مع التأكيد على دوره الحاسم في وظائف فسيولوجية متنوعة مثل تعديل المناعة والهضم والحماية من مسببات الأمراض. يتشكل الميكروبيوم المعوي من عوامل تشمل طريقة الولادة والنظام الغذائي ونمط الحياة والتعرضات البيئية. على الرغم من الأهمية المعترف بها للميكروبيوم في الصحة والمرض، خاصة في الحالات المزمنة مثل السرطان والسمنة، لا يزال تحديد العلاقات السببية بين المجتمعات الميكروبية وصحة الإنسان يمثل تحديًا. تم اقتراح مؤشر صحة الميكروبيوم المعوي (GMHI) كعلامة حيوية سريرية محتملة، بينما يتم البحث بنشاط في تعديل الميكروبيوم من خلال التدخلات الغذائية والبروبيوتيك.
تتناول الورقة أيضًا المكون حقيقي النواة غير المستكشف من الميكروبيوتا المعوية، وخاصة الميكروبيوم الفطري، الذي، على الرغم من كونه يشكل فقط 0.1-1% من الميكروبيوم، يلعب أدوارًا مهمة في الصحة والمرض. تستخدم الدراسة تسلسل ITS1 القائم على تسلسل البيانات مع التعلم الآلي والذكاء الاصطناعي القابل للتفسير (XAI) لتحليل البيانات المتاحة للجمهور، بهدف التمييز بين الأفراد الأصحاء وغير الأصحاء. يسعى هذا النهج إلى تعزيز فهم دور الميكروبيوم الفطري في الصحة وتعزيز إعادة استخدام البيانات في أبحاث الميكروبيوم، بما يتماشى مع مبادئ FAIR (قابلية الاكتشاف، الوصول، التشغيل البيني، وإعادة الاستخدام).
طرق
في هذه الدراسة، تم الحصول على بيانات التسلسل الخام المتاحة للجمهور من قاعدة بيانات PubMed، مع التركيز على الدراسات التي قارنت الميكروبيوم الفطري للأفراد الأصحاء والمرضى باستخدام شريط DNA ITS1. تم تضمين بيانات التسلسل المزدوج فقط من Illumina. استخدم التحليل حاوية ITSoneWB، مستفيدًا من قاعدة بيانات مرجعية ITSoneDB للتصنيف الضريبي. تم استخدام أداة BioMaS لتسلسل DNA، والتي تدمج القراءات المزدوجة بينما تحتفظ بالقراءات غير المدمجة للحفاظ على معلومات التنوع البيولوجي. تم تصفية التعيينات الضريبية لاستبعاد الملوثات المحتملة، وتم حساب مقاييس التنوع الألفا بعد تقليل العمق التسلسلي إلى عمق موحد.
شملت التحليلات الإحصائية اختبارات ويلكوكسون لتقييم الفروق في التنوع الألفا بين حالات الصحة واستخدام Maaslin2 لتقييم الارتباطات بين مقاييس التنوع الألفا وحالة الصحة. تم تحليل التنوع البيتا باستخدام مقاييس عدم التشابه Jaccard وBray-Curtis، مع بناء نماذج PERMANOVA لاستكشاف تأثير حالة الصحة ورقم مشروع BioProject. تم إنشاء شبكات التعايش لتحليل التفاعلات على مستوى الجنس، وتم تطوير نماذج التصنيف الخاضعة للإشراف باستخدام نهج Random Forest، مع تحسين المعلمات الفائقة من خلال التحقق المتقاطع. تم تحديد أهمية الأجناس المرتبطة بحالة الصحة من خلال مقارنات النتائج من تحليلات LEfSe وMaaslin2 وRandom Forest، مع تطبيق عتبات محددة للأهمية.
النتائج
في هذه الدراسة، تم تحديد 9 مشاريع BioProjects من خلال بحث يدوي في قاعدة بيانات PubMed، تشمل ما مجموعه 1,533 عينة. لوحظت تناقضات بين البيانات الوصفية في المخطوطات المنشورة وتلك الموجودة في المستودعات العامة. على سبيل المثال، أفاد مشروع BioProject CRA01060 بوجود 498 عينة تحكم صحية و72 مريضًا بمرض الزهايمر (AD) في المخطوطة، بينما أدرج المستودع فقط 353 عينة صحية و59 عينة AD. بعد التواصل مع المؤلفين ومجلس تحرير المجلة، تم توفير البيانات الوصفية المصححة عبر مستودع GitHub مرتبط بهذه الدراسة.
بالإضافة إلى ذلك، وُجد أن مشروع BioProject DRA013647 يفتقر إلى معلومات الجنس والعمر، وتمت ملاحظة أوجه قصور مماثلة لمشاريع PRJEB42375 وPRJNA607176. في النهاية، تم استرداد بيانات الجنس والعمر بنجاح لـ 1,194 و1,193 عينة، على التوالي، مما يمثل 77.8% من إجمالي حجم العينة. كشفت التوزيعات الجغرافية للعينات أن 358 منها جاءت من أوروبا، بينما كانت 1,175 من آسيا.
المناقشة
في هذه الدراسة، أجرى المؤلفون تحليلًا شاملاً للميكروبيوم الفطري في الأمعاء البشرية، مع التركيز على الفروق بين الأفراد الأصحاء وغير الأصحاء باستخدام عينات تسلسل ITS1 المتاحة للجمهور. نجح BioMaS في تصنيف 96.22% من 1,533 عينة، مع تحديد 3,022 جنسًا، تم الاحتفاظ بـ 1,989 منها بعد تصفية التلوث. كشفت تحليلات الوفرة التفاضلية باستخدام LefSe وMaaslin2 أن أجناسًا مثل Xeromyces وPreussia وWicheramiella كانت مرتبطة بالصحة، بينما كانت Cutaneotrichosporon وCandida وNakaseomyces مرتبطة بحالات غير صحية. من الجدير بالذكر أن مقاييس التنوع الألفا لم تظهر اختلافات كبيرة بين المجموعات، على الرغم من أن الاتجاه أشار إلى تنوع بيولوجي أعلى في الأفراد الأصحاء.
أشار تحليل التنوع البيتا إلى أن معظم التباين كان يُعزى إلى مشاريع BioProjects، مما يبرز تأثير العوامل الجغرافية والمنهجية على تركيب الميكروبيوم الفطري. حققت نماذج التعلم الآلي، وخاصة Random Forest، دقة تصل إلى 87% في تصنيف حالة الصحة بناءً على بيانات مستوى الجنس، مع كون العمر متغيرًا مهمًا. حددت الدراسة عشرة أجناس مرتبطة باستمرار بالصحة عبر عدة طرق تحليلية، مما يبرز إمكانياتها كعلامات حيوية. على الرغم من القيود في اكتمال البيانات الوصفية، تساهم النتائج في تقديم رؤى قيمة حول تفاعلات الميكروبيوم الفطري والمضيف وتؤكد على الحاجة إلى مزيد من البحث لاستكشاف دور الميكروبيوم الفطري في الصحة والمرض.
DOI: https://doi.org/10.1186/s13040-026-00532-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41928315
Publication Date: 2026-04-02
Author(s): Giuseppe Defazio et al.
Primary Topic: Gut microbiota and health
Overview
The research investigates the human gut mycobiome’s role in health and disease through a comprehensive analysis of approximately 1,500 publicly available ITS1 DNA metabarcoding samples. Utilizing a combination of conventional statistical methods and machine learning (ML) techniques, the study identifies key fungal genera—such as Eurotium, Aureobasidium, and Candida—that effectively discriminate between healthy and non-healthy individuals. The ML models achieved classification accuracies exceeding 80%, with some models reaching up to 87% accuracy in genus-level binary discrimination. This highlights the potential of fungal community profiling as a non-invasive diagnostic tool.
Furthermore, the study employs an innovative multiview analytical framework, integrating explainable artificial intelligence (XAI) to elucidate the functional relevance of the gut mycobiome. The findings underscore the importance of specific fungal genera in maintaining health and their potential involvement in disease promotion. The research also includes detailed visualizations, such as LEfSe plots and heatmaps, to illustrate differential abundance and associations between genera and health conditions, thereby contributing valuable insights into the gut mycobiome’s impact on host well-being.
Introduction
The introduction of this research paper highlights the significant interest in the human gut microbiome (GM) over the past fifteen years, emphasizing its critical role in various physiological functions such as immunomodulation, digestion, and protection against pathogens. The gut microbiome is shaped by factors including birth method, diet, lifestyle, and environmental exposures. Despite the established importance of the GM in health and disease, particularly in chronic conditions like cancer and obesity, identifying causal relationships between microbial communities and human health remains a challenge. The Gut Microbiome Health Index (GMHI) has been proposed as a potential clinical biomarker, while microbiome modulation through dietary interventions and probiotics is actively researched.
The paper also addresses the underexplored eukaryotic component of the gut microbiota, particularly the mycobiome, which, despite constituting only 0.1-1% of the GM, plays significant roles in health and disease. The study utilizes ITS1-based metabarcoding combined with machine learning and explainable artificial intelligence (XAI) to analyze publicly available data, aiming to differentiate between healthy and non-healthy subjects. This approach seeks to enhance understanding of the mycobiome’s role in health and to promote data reuse in microbiome research, aligning with FAIR principles (Findability, Accessibility, Interoperability, Reusability).
Methods
In this study, publicly available raw sequencing data were sourced from the PubMed database, focusing on studies that compared the mycobiome of healthy and diseased individuals using the ITS1 DNA barcode. Only Illumina paired-end sequencing data were included. The analysis utilized the ITSoneWB docker, leveraging the ITSoneDB reference database for taxonomic classification. The BioMaS tool was employed for DNA metabarcoding, which merges paired-end reads while retaining unmerged reads to preserve biodiversity information. Taxonomic assignments were filtered to exclude potential contaminants, and alpha diversity metrics were computed after rarefaction to a uniform sequencing depth.
Statistical analyses included Wilcoxon tests to evaluate differences in alpha diversity between health conditions and the use of Maaslin2 to assess associations between alpha diversity metrics and health status. Beta diversity was analyzed using Jaccard and Bray-Curtis dissimilarity metrics, with PERMANOVA models constructed to explore the influence of health status and BioProject ID. Co-occurrence networks were generated to analyze genus-level interactions, and supervised classification models were developed using a Random Forest approach, optimizing hyperparameters through cross-validation. The significance of genera associated with health status was determined through comparisons of results from LEfSe, Maaslin2, and Random Forest analyses, applying specific thresholds for significance.
Results
In this study, a manual search of the PubMed database identified 9 BioProjects, encompassing a total of 1,533 samples. Discrepancies were noted between the metadata in published manuscripts and those in public repositories. For instance, BioProject CRA01060 reported 498 healthy controls and 72 Alzheimer’s Disease (AD) patients in the manuscript, while the repository listed only 353 healthy and 59 AD samples. Following communication with the authors and the journal’s editorial board, corrected metadata were made available via a GitHub repository linked to this study.
Additionally, BioProject DRA013647 was found to lack sex and age information, and similar omissions were noted for PRJEB42375 and PRJNA607176. Ultimately, sex and age metadata were successfully retrieved for 1,194 and 1,193 samples, respectively, representing 77.8% of the total sample size. The geographic distribution of the samples revealed that 358 originated from Europe, while 1,175 were from Asia.
Discussion
In this study, the authors conducted a comprehensive analysis of the human gut mycobiome, focusing on differences between healthy and non-healthy individuals using publicly available ITS1 DNA metabarcoding samples. BioMaS successfully classified 96.22% of the 1,533 samples, identifying 3,022 genera, with 1,989 retained post-contamination filtering. Differential abundance analyses using LefSe and Maaslin2 revealed that genera such as Xeromyces, Preussia, and Wicheramiella were associated with health, while Cutaneotrichosporon, Candida, and Nakaseomyces were linked to non-healthy conditions. Notably, alpha diversity metrics showed no significant differences between groups, although a trend suggested higher biodiversity in healthy individuals.
Beta diversity analysis indicated that the majority of variance was attributed to the BioProjects, highlighting the influence of geographical and methodological factors on mycobiome composition. Machine learning models, particularly Random Forest, achieved up to 87% accuracy in classifying health status based on genus-level data, with age being a significant covariate. The study identified ten genera consistently associated with health across multiple analytical methods, underscoring their potential as biomarkers. Despite limitations in metadata completeness, the findings contribute valuable insights into mycobiome-host interactions and emphasize the need for further research to explore the mycobiome’s role in health and disease.