主文

文献信息：
标题：Ecology-guided prediction of cross-feeding interactions in the human gut microbiome
中文：人类肠道微生物组中交叉喂养相互作用的生态学指导预测
杂志：NC
时间：2021.2.26

摘要：
要了解一个复杂的微生物生态系统，如人类肠道微生物组，需要了解微生物种类及其产生和分泌的代谢产物的信息。这些代谢物通过交叉喂养相互作用的大型网络交换，对预测微生物组的功能状态至关重要。然而，到目前为止，我们只有这个网络的一部分的信息，受到实验吞吐量的限制。在这里，我们提出了一种基于生态学的计算方法，GutCP，我们使用它来预测数百种新的未经测试的人类肠道微生物组交叉喂养相互作用。GutCP利用了一个肠道微生物组的机制模型，代谢产物的显性交换及其对微生物物种生长的影响。为了构建GutCP，我们将肠道微生物组的宏基因组和代谢组测量与机器学习的优化技术相结合。GutCP预测的交叉取食相互作用中有近65%得到了基因组注释的支持，为实验验证提供了依据。我们的方法有潜力极大地改善现有的人类肠道微生物组模型，以及我们预测肠道代谢谱的能力。

过程：
1 利用41例16S和代谢组的配对数据 [1]建立层级营养组织模型，分析细菌和代谢物间的互作关系。对380样本（570物种，244代谢物）的数据集进行预测（物种预测代谢物）和验证 [1, 2]。进行了该数据物种与建模数据物种的mapping。通过比较我们预测的互作与基于宏基因组水平的互作网络，我们获得半自动重建的基因组水平代谢网络从[3]的工作中；该数据集有1500个基因组水平代谢模型，但是只匹配到我们数据中的72种和221代谢物。

[1] Urban diets linked to gut microbiome and metabolome
alterations in children: a comparative cross-sectional study in Thailand. Front.
Microbiol. 2018
[2] Global metabolic interaction network of
the human gut microbiota for context-specific community-scale analysis. Nature communications. 2017
[3] Towards predicting the environmental metabolome from metagenomics with a mechanistic model. Nat. Microbiol. 2018

代码：https://github.com/maslov-group/ML_human_gut
数据：https://github.com/maslov-group/ML_human_gut/tree/master/data

GutCP算法一览：

GUTCP改善预测：

GUTCP预测的新的交叉喂食互作：

GUTCP预测的互作在肠道宏基因组和代谢组中的作用：

营养模型

标题：Evidence for a multi-level trophic organization of the human gut microbiome
中文：人类肠道微生物组的多层次营养组织的证据
杂志：plos computational biology
时间：2019

摘要：
人类肠道微生物群是一个复杂的生态系统，其中数百种微生物和代谢物共存，部分原因是广泛的交叉喂养相互作用网络。然而，这个生态系统的大规模营养组织及其对潜在代谢流的影响仍未被探索。在这里，我们使用一个简化的模型，为人类肠道微生物组的多级营养组织提供了定量支持，微生物在多个迭代步骤中消耗和分泌代谢物。使用一套人工管理的微生物之间的代谢相互作用，我们的模型显示大约四个营养级别，每个级别的特征是副产品的高水平代谢转移。定量预测肠道典型代谢环境(粪便代谢组)，与真实数据基本一致。为了了解这一营养组织的后果，我们量化代谢流和生物量分布，并探索不同水平的微生物和代谢多样性的模式。我们的模型提出的分级营养组织可以机械性地建立人类肠道微生物丰度和代谢产物之间的因果关系。

营养模型（校准，预测）：

模型验证：

代谢，生物质能流层级：

不同层级的代谢物和微生物多样性：