基于微生物群的尿石疾病视角：来自16S rRNA测序和机器学习模型的见解

背景 尿石是一种多因素疾病。近年来，微生物在其发病机制中的作用引起了相当大的关注。尽管研究表明，某些存在于肠道和尿液中的微生物与尿石的形成相关，但目前的石头分类标准并不够严格。因此，本研究旨在通过16S rRNA测序分析纯CaOx、纯UA和纯Inf石患者的肠道和尿液微生物组组成。通过将这些微生物组数据与临床数据整合，我们构建了机器学习模型，并评估其在区分石类型方面的诊断价值。方法 共招募81名尿石患者（包括30名纯CaOx石患者，31名纯UA石患者和20名纯Inf石患者）和26名健康志愿者。收集每位参与者的粪便和尿液样本，并进行16S rRNA测序，以获得微生物组数据并表征不同石类型患者的肠道和尿液微生物组特征。我们进一步整合了微生物组和临床数据，例如年龄、性别和BMI，使用LASSO特征选择和六种机器学习算法（如SVM、随机森林和XGBoost）创建石类型预测模型。通过交叉验证评估模型性能。结果 结果显示，CaOx石患者肠道中Paramuribaculum、Muribaculum、Mesorhizobium和Acinetobacter富集，同时尿液中Enterococcus也富集。UA石患者的肠道中Massilioclostridium丰度增加，尿液中Fenollaria、Anaerococcus、Enterococcus和Escherichia丰度增加。Inf石患者的肠道与健康志愿者相比没有显著丰富的微生物分类群，但尿液中Escherichia的富集显著。基于尿液微生物组和临床数据的预测模型显示出优异的性能，SVM、随机森林和XGBoost模型的AUC分别为0.922、0.866和0.913。结论 本研究揭示了不同类型的石头具有不同的微生物组组成特征。基于微生物组和临床数据的机器学习模型能够无创预测尿石类型。这为尿石的微生态机制提供了新的见解，并为临床诊断开辟了新的途径。