- 7 次围观
口腔包含多个微生物亚生态位，但在每个生态位中，哪些分类群始终发挥着具有生态学重要性且与健康相关的作用，以及这些作用在不同人群中具有多大程度的保守性，仍然知之甚少，这部分是由于缺乏标准化的鉴定框架所致。 我们开发了一个多队列框架，整合了来自142个队列（41个国家）的37,739份口腔微生物组谱（16S rRNA测序和宏基因组鸟枪法测序），通过一种新的健康相关核心（Health-Associated-Core, HAC）评分，对四种口腔栖息地——龈上、龈下、舌、扁桃体以及颊/腭——中的542个分类群进行排序；该评分能够捕捉分类群的一致性流行率、生态影响以及健康相关性。 对于具有可用纵向采样数据的唾液，我们将该方法进一步扩展为唾液健康相关核心关键种（salivary-Health-Associated-Core-Keystone, sHACK）评分，额外捕捉稳定性相关性，并对499个分类群进行了排序。 采用两种互补的生态模块识别方法后，我们发现高sHACK评分的唾液分类群集中于一个由28个成员构成的单一连通亚群落中，并且该亚群落始终与流行率、生态影响、稳定性和健康相关联。 仅该亚群落的丰度，在区分健康个体与患病个体方面，就优于传统的菌群失调指数，并且在一个包含4,621份微生物组的独立队列中能够追踪稳定性。 在另外三个亚部位中也出现了可比的亚群落，其组成差异反映了不同部位之间的理化差异。 机器学习将分类群特异性的基因组编码功能与其对应亚部位特异性的HAC/sHACK评分联系起来，为从诊断和治疗角度确定口腔微生物优先级提供了一个统一框架。
口腔包含多个微生物亚生态位，但在每个生态位中，哪些分类群持续发挥着具有生态学重要性且与健康相关的作用，以及这些作用在不同人群中具有多大程度的保守性，仍然知之甚少，部分原因在于缺乏标准化的鉴定框架。我们开发了一个多队列框架，整合了来自142个队列（41个国家）的37,739份口腔微生物组谱（16S rRNA测序和宏基因组鸟枪法测序），通过一种新的健康相关核心（Health-Associated-Core, HAC）评分，对四种口腔栖息地——龈上、龈下、舌和扁桃体，以及颊部和腭部——中的542个分类群进行排序。该评分可捕捉一致的流行率、生态影响和健康相关性。对于具有可用纵向采样数据的唾液，我们将该方法进一步扩展为唾液健康相关核心关键种（salivary-Health-Associated-Core-Keystone, sHACK）评分，额外捕捉稳定性相关性，并对499个分类群进行了排序。利用两种互补的生态模块识别方法，我们发现高sHACK评分的唾液分类群集中于一个由28个成员构成的、彼此连通的单一子群落中，并且该子群落始终与流行率、生态影响、稳定性和健康相关。仅凭该子群落的丰度，在区分健康个体与患病个体方面便优于传统的生态失调指数，并且在一个包含4,621份微生物组的独立队列中能够追踪稳定性。类似的子群落也出现在另外三个亚部位中，其组成差异反映了不同部位之间的理化环境差异。机器学习进一步将分类群特异性的基因组编码功能与其对应亚部位特异性的HAC/sHACK评分联系起来，为基于诊断和治疗目的优先筛选口腔微生物提供了一个统一框架。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.16.745142v1?rss=1
🏷️ 口腔微生物组 多队列分析 健康相关核心菌群 生态亚群落 16S与宏基因组测序 机器学习