Corpusome：用于表征学习的跨身体部位人体微生物组语料库

人类微生物组的机器学习模型大多基于单一队列的粪便样本进行训练，从而限制了跨身体部位的表征能力和跨研究的泛化能力。当前进展受限的主要原因并非算法，而是缺乏一个经过协调统一、覆盖多个身体部位且包含建模批次结构所需技术元数据的语料库。本文发布 Corpusome，这是一个用于表征学习、经过协调统一的双层跨身体部位人类微生物组语料库：该语料库共整合了 187,546 份人类微生物组样本，纳入来自 curatedMetagenomicData、American Gut Project 和 EBI MGnify 平台的标准化谱数据。Corpusome 采用双层设计，同时保留功能层面的深度和跨身体部位的广度：鸟枪法测序层包含 22,588 份样本，覆盖 93 项研究，并提供物种和通路水平的谱数据；16S 层包含 164,958 份样本，来源于对 708 项 MGnify 研究的完整数据抓取，并提供属水平的谱数据，将覆盖范围扩展至口腔、皮肤、呼吸道和泌尿生殖道等身体部位。该语料库覆盖六个身体部位和两种测序模式，并配备经过协调统一的元数据，以支持批次感知建模。在 16S 层中，身体部位信号约为技术因素/数据来源方差的 2.4 倍。

人类微生物组的机器学习模型大多基于单一队列的粪便样本进行训练，从而限制了跨身体部位的表征能力和跨研究泛化能力。研究进展受限的主要原因并非算法不足，而是缺乏一个经过协调统一、覆盖多个身体部位且包含用于建模（而非忽略）批次结构所需技术元数据的语料库。在此，我们发布 Corpusome——一个经过协调统一、面向表征学习的双层跨身体部位人类微生物组语料库：该语料库整合了 curatedMetagenomicData、American Gut Project 和 EBI MGnify 平台中的标准化谱数据，共包含 187,546 份人类微生物组样本。Corpusome 采用双层设计，在保留功能层面深度的同时兼顾跨身体部位的广度：其中，宏基因组鸟枪法测序层（22,588 份样本，涵盖 93 项研究）提供物种和通路水平的谱数据；16S 层（164,958 份样本，来自对 708 项 MGnify 研究的完整提取）提供属水平的谱数据，并将覆盖范围扩展至口腔、皮肤、呼吸道和泌尿生殖道等部位。该语料库涵盖六个身体部位和两种测序模式，并配备经过协调统一的元数据，以支持批次感知建模。在 16S 层中，身体部位信号约为技术来源方差的 2.4 倍。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.28.747922v1?rss=1

🏷️ 人类微生物组 跨身体部位数据整合 表征学习 宏基因组学 16S测序 批次效应建模