博文
[转载]用MaAsLin 3对微生物组多变量关联分析精准提取标记物
||
人体肠道内栖息着超百万亿个微生物，它们如同看不见的器官，深刻左右消化、免疫、代谢甚至精神健康；土壤、水体、动植物体表的微生物群落，更是维系地球生态循环的核心单元。近20年，依托高通量测序技术，微生物组研究迎来爆发，科研工作者最核心的目标之一，就是找到和疾病、环境、饮食等表型相关的关键微生物，为疾病标志物筛选、益生菌开发、生态修复提供依据。
然而，微生物组数据分析面临三大核心挑战：
•第一，稀疏性： 微生物组数据中存在大量零值。一个零可能意味着某种微生物真的不存在，也可能只是因为含量太低而未被检测到。传统方法往往用任意小数值填补零值，但这会扭曲统计结果，导致假阳性或假阴性。
•第二，组成性： 微生物组数据通常以相对丰度（百分比）的形式报告，所有物种的丰度加起来必须等于100%。这意味着，如果某一种微生物的真实数量增加了，其他微生物的相对比例就会被动下降——即使它们的绝对数量没有发生改变。
•第三，异方差性： 不同微生物的变异程度差异巨大，丰度高的物种波动大，丰度低的物种波动小，这使得传统的线性模型假设难以满足。
微生物测序数据自带的缺陷，让科研成果陷入偏差：大量测序结果出现零值、数据受样本总测序量约束只能得到相对比例，传统统计工具很难分清 “细菌是真的消失了” 还是 “测序没检测到”、“某菌变多” 还是 “别的菌变少挤占占比”。
2026年1月，哈佛大学公共卫生学院 Huttenhower 教授团队在顶级期刊《Nature Methods》上推出的新一代微生物组多变量关联分析工具MaAsLin3。它能够精准区分微生物"是否存在"与"数量多少"这两种截然不同的变化模式，旨在解决微生物组数据中的稀疏性、组成性和高维度挑战，能够更精准地识别微生物特征（如物种、基因）与临床或环境元数据之间的关联 。
MaAsLin3的核心突破与创新MaAsLin 3 作为新一代微生物组多变量关联分析R包工具，相比前代及同类工具（如 ALDEx2, ANCOM-BC2），主要实现了以下三大技术突破：
双重建模（丰度 + 存在率）
传统方法通常只关注相对丰度的变化。MaAsLin 3 采用“跨栏模型”策略，将分析分为两步：
√存在率（Prevalence）：使用逻辑回归分析微生物的“存在/缺失”状态。
√丰度（Abundance）：使用线性模型分析非零数据的数量变化。
这种分离使得研究能发现仅由“定植状态改变”驱动的关联（例如某菌在疾病组中完全消失，而非仅仅减少），这在炎症性肠病（IBD）等研究中已被证实非常普遍 。
MaAsLin 3能够实现丰度和流行率建模，精度更高
doi.org/10.1038/s41592-025-02923-9
组成性校正
(Compositionality Correction)
针对测序数据固有的组成性偏差，MaAsLin 3 提供了两种校正路径：
√实验性校正：支持使用 spike-in（外源内参）或 qPCR 等绝对定量数据。
√计算性校正：引入中位数系数比较法。通过检验特定特征的系数是否显著偏离群落中所有特征系数的中位数，从而推断绝对丰度的变化，无需额外的实验数据即可缓解相对丰度带来的假阳性 。
扩展的分析能力
支持更复杂的现代流行病学设计，包括混合效应模型（处理纵向/重复测量数据）、有序预测变量检验以及特征特异性协变量（如宏转录组中的 DNA 丰度作为 RNA 表达的协变量）。
性能表现在多项模拟数据和真实数据集（如 HMP2 IBD 队列）的基准测试中，MaAsLin 3 表现出显著优势：
1
准确性
在样本量 >50 时，其 F1 分数优于或持平于主流工具。
2
高精度与高召回率的平衡
MaAsLin 3 在保持高精确度（Precision）的同时，随着样本量增加（>100），其召回率（Recall）显著优于 ALDEx2，并逼近 ANCOM-BC2。
3
稳健性
在模拟仅含测序零值（Sequencing zeros）或包含生物学零值的情况下，MaAsLin 3 均表现出较高的稳健性。
MaAsLin 3的默认模型组件提升了比简单回归模型
更准确的水平
doi.org/10.1038/s41592-025-02923-9
!
揭示新生物学发现：
在炎症性肠病（IBD）数据分析中，MaAsLin 3 发现 77% 的显著关联是由存在率变化驱动的，而非传统的丰度变化。例如，它首次揭示了 Dysosmobacter welbionis 在 IBD 患者中主要是检出率降低，而非丰度降低。
在炎症性肠病（IBD）研究中
的新发现
研究团队应用 MaAsLin 3 重新分析了 HMP2 炎症性肠病（IBD）多组学数据时发现：
√存在率的差异： 在识别出的 372 个显著关联中，77% 与存在率（Prevalence）有关，且 89% 为负相关。这意味着 IBD 相关的菌群失调更多表现为共生菌的“丢失”，而非仅仅是丰度降低。
√新生物标志物： 首次发现 Dysosmobacter welbionis 在 IBD 患者中显著“消失”，存在率下降。这是一个潜在的有益菌，MaAsLin 2 未能区分这一差别。
√年龄特异性：明确区分了成人和儿童 IBD 患者的特异性菌群变化，仅发现极少数（如 Klebsiella pneumoniae）在两个年龄段均与生态失调相关。
MaAsLin 3应用于HMP2 IBDMDB验证并扩展了以往肠道微生物群与IBD的关联
doi.org/10.1038/s41592-025-02923-9
快速上手指南★官方教程：
https://github.com/biobakery/biobakery/wiki/MaAsLin3
1
安装要求
•R 版本：建议 R >= 4.4 。
•安装命令：
#通过 BiocManager 安装稳定版MaAsLin 3：
if (!require("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("remotes")
BiocManager::install("biobakery/maaslin3")
for (lib in c('maaslin3', 'dplyr', 'ggplot2', 'knitr', 'kableExtra')) {
suppressPackageStartupMessages(require(lib, character.only = TRUE))
}
2
基本运行示例
taxa_table_name <- system.file("extdata", "HMP2_taxonomy.tsv", package = "maaslin3")
taxa_table <- read.csv(taxa_table_name, sep = '\t', row.names = 1)
metadata_name <- system.file("extdata", "HMP2_metadata.tsv", package = "maaslin3")
metadata <- read.csv(metadata_name, sep = '\t', row.names = 1)
#分类变量因子化（用于IBD与健康对照比较）：
metadata$diagnosis <-
factor(metadata$diagnosis, levels = c('nonIBD', 'UC', 'CD'))
metadata$dysbiosis_state <-
factor(metadata$dysbiosis_state, levels = c('none', 'dysbiosis_UC', 'dysbiosis_CD'))
metadata$antibiotics <-
factor(metadata$antibiotics, levels = c('No', 'Yes'))
output <- "maaslin3_results"
set.seed(1)
fit_out <- maaslin3(
input_data = taxa_table,
input_metadata = metadata,
output = 'hmp2_output',
formula = '~ diagnosis + dysbiosis_state + antibiotics + age + reads',
normalization = 'TSS', # 总丰度标准化
transform = 'LOG', # 对数转换
augment = TRUE, # 启用数据增强（解决逻辑回归线性可分问题）
standardize = TRUE, # 连续变量Z-score标准化
max_significance = 0.1, # FDR阈值设为0.1
median_comparison_abundance = TRUE, # 丰度系数与中位数比较（应对组成性效应）
median_comparison_prevalence = FALSE,# 存在率系数与0比较
max_pngs = 250, # 最大可视化结果数
cores = 1 # 单核运行
)
3
结果解读
•significant_results.tsv：筛选后的显著关联列表，包含 coef（效应量）、qval_individual（个体 FDR）和 qval_joint（联合 FDR）。
•summary_plot.pdf：热图和系数排序图，直观展示主要驱动变量。
•association_plots/：每个显著关联的详细散点图或箱线图 。
#适用场景，MaAsLin 3 特别适用于：
•需要区分微生物是“消失/出现”还是“增多/减少”的研究。
•拥有复杂设计（如配对样本、时间序列、多因素交互）的数据集。
总结
MaAsLin3的出现，标志着微生物组关联分析从"模糊关联"迈向"精准提取"的重要一步。MaAsLin 3 为广大科研人员提供了一个更严谨的工具箱，特别是针对大样本量、复杂临床设计或关注低丰度关键物种的研究项目，它能有效减少因数据稀疏性导致的假阴性，并提供更具生物学解释力的结果。
参考文献：Nickols, W.A., Kuntz, T., Shen, J. et al. MaAsLin 3: refining and extending generalized multivariable linear models for meta-omic association discovery. Nat Methods 23, 554–564 (2026). https://doi.org/10.1038/s41592-025-02923-9.
本文转自：谷禾健康
https://blog.sciencenet.cn/blog-2040048-1542570.html
上一篇：[转载]阴道微生态检测+分层干预：女性妇科健康管理新模式（下）
下一篇：[转载]肠道微生物组与代谢综合征：血脂异常如何受到影响（上）
