撰文
Victoria
责编
兮
天地鸿蒙之中，微生物无处不在，影响着生命活动的方方面面。这些微生物群落是否存在于肿瘤组织中（相关阅读见BioArt报道：Cell
张煜博士等破解癌症之王——胰腺癌“长寿”人群的秘密）？它们在肿瘤的发生中是否发挥作用?能否用这些微生物组学信息对肿瘤的临床诊断和治疗提供指导？迄今为止，大多数微生物组学的研究对象为肠道微生物。近年来，不断有证据表明在肿瘤组织以及患者血液中都存在微生物标记。
年3月11日，加州大学圣地亚哥分校RobKnight教授团队在Nature杂志上发表题为Microbiomeanalysesofbloodandtissuessuggestcancerdiagnosticapproach的研究论文。在这篇文章中，作者对TCGA数据库中样本的全基因组和全转录组数据进行分析，包括来自于患者的肿瘤组织、癌旁组织和血液。通过人工智能（AI）机器学习等多种方法对数据进行归类分析，鉴定了与肿瘤类型相关的微生物DNA和RNA的特征，这些特征可能为肿瘤的临床诊断和预防提供新的切入点。由于涉及的肿瘤类型及样本数量巨大，该研究成为迄今为止肿瘤微生物组学研究最系统最全面的文章。
传统的观点认为肿瘤是受基因组调控的疾病。近期研究表明，微生物组在某些肿瘤中起着重要作用，然而，微生物组对不同肿瘤的贡献程度和诊断意义仍然未知。为了确定与肿瘤相关的微生物组，作者首先对TCGA数据库中来自33种肿瘤类型和10,名患者的18,个样品的全基因组测序（WGS；n=4,）和全转录组测序（RNA-seq；n=）进行了数据进行归一化（Supervisednormalization，SNM）和净化分析（Decontaminationanalyses），并对其中的肿瘤微生物读数（microbialreads）进行挖掘，建立了系统的肿瘤微生物组数据集，使用AI来识别和区分不同肿瘤类型的微生物特征，并比较其性能。在这些基因序列数据中，7.2%为非人源，而这些非人源序列中有高达1/3的比例与已知的微生物基因序列一致。
图1.TCGA肿瘤微生物组分析CONSORT图为进一步检验这些微生物组学特征能否在肿瘤区分中发挥作用，作者通过使用AI机器学习对肿瘤进行了区分，包括（1）区分不同肿瘤类型；（2）区分同一种肿瘤的不同分期；（3）区分肿瘤与正常组织。作者的数据显示这些微生物组特征在区分肿瘤类型以及区分肿瘤与正常组织方面表现良好，但对肿瘤的不同分期的区分中表现与肿瘤类型相关，如在区分结肠癌、胃癌和肾透明细胞癌的I期和IV期肿瘤方面表现良好，而在区分其他几种肿瘤的分期中欠佳。同时，作者在多个数据库中验证了结果的可重复性和普适性，并通过贝叶斯跟踪算法证明了这些微生物学特征在临床上的生物相关性。
此外，作者还将基于AI机器学习获得的微生物图谱与已知的肿瘤相关微生物进行了对比分析。与之前的报道一致，他们在胃肠道肿瘤中发现了梭形杆菌，在宫颈癌、头颈癌和肝癌中发现了α-乳头瘤病毒和肝炎病毒等。据此，作者建立了数据库（