原名：Modelling spatial patterns in host-associated microbial communities

译名：模拟宿主相关的微生物群落空间模式

期刊：Environmental Microbiology

IF：4.933

发表时间：2021.3.18

通讯作者：Matti O. Ruuskanen

通讯作者单位：芬兰图尔库大学内科学系

1 微生物群的轴变异

1.1 寄主种间变异

1.2 单一宿主物种表面和隔室的变异

1.3 相同物种的个体之间的变异

1.4 同一群落随时间的变化

2 空间模式和尺度的重要性

2.1 跨尺度空间格局

2.2 尺度比例

3 空间微生物群生态学的未解决问题

4 空间建模框架

4.1 经典统计生态学

4.2 机器学习

4.3 概率建模

5 观点

6 结论

1 微生物群的轴变异

与宿主相关的微生物群落和独立生存的环境群落在群落组成上不相同。许多因素都会对土著微生物施加选择压力，最终形成相对稳定的群落组成。已知的稳定的选择压力包括：(i)宿主免疫系统和由宿主产生的其它化合物；(ii)其他微生物的代谢产物，如抗菌毒素和酶；(iii)物理化学因素，如温度、pH和氧气。不同选择压力对微生物群落的强度取决于宿主和特定的位点。

微生物群落被认为是在特定宿主位点的单个宿主内具有相对稳定的组成。但是，它们在下面的坐标轴上表现出很大的变化：(i)在可比较的宿主位点的宿主物种之间，(ii)跨越单一宿主物种的不同表面和隔间，(iii)在相似的宿主位点的同一宿主物种的个体之间和(iv)当宿主个体的空间位置发生变化时，在给定的微生物群落中随着时间的推移(图1)。这种变化大部分是空间结构，之后会简要综述导致这些模式的空间过程和空间相关因素。

图1.宿主相关微生物群落的变化轴与相关空间维度的例子。A在一个可比较的寄主部位，即在同一组织类型或在同一身体部位，不同寄主物种之间的变异。B在单一宿主物种的不同表面和隔间的变异，例如树的叶子、树干和根。C同一宿主物种的个体在可比较宿主位点之间的变异。D同一个体的同一宿主位置上微生物群落随时间的变化，具体取决于个体的位置。

1.1 寄主种间变异

微生物生态学中研究比较多的课题是，在不同宿主物种中，在大致相当的宿主位置，如动物的胃肠道中，建立和维持独特的微生物群落(图1A)。在大多数多细胞真核生物中，特定微生物从亲本向后代的垂直传播是很重要的。但是，独立生存的环境微生物也可以在各种宿主体内或寄主上建立稳定的群落，通常在互惠共生的关系中获得适当的利益。宿主-微生物的关系也可以是非常特殊的，比如，环境中的费氏弧菌(Vibriofischeri)寄生在鱿鱼(Euprymnascolopes)的光器官上。

不同宿主对微生物群落的选择压力不同，这些变化表明了系统发育信号。例如，哺乳动物宿主的系统发育亲缘关系与它们肠道微生物群落的相似性有关。但是，这并不是一个普遍的规律，因为远亲鸟类和蝙蝠也有相似的肠道群落。我们只是刚开始研究各种机制如何影响微生物群落的种间差异，但是微生物水平迁移、垂直迁移和宿主特异性选择压力对宿主物种间微生物群组成的相对影响是一个比较活跃的研究领域。

1.2 单一宿主物种表面和隔室的变异

微生物群落组成在单个宿主物种的外部表面和内部位置之间有很大差异(图1B)。实际上，大多数情况下，外部表面的群落好像是受环境变量(如温度)的调节，而内部群落则受宿主相关因素(如免疫系统和饮食)的调节。群落的组成也因外部或内部位点的不同而不同。在根际、叶际、叶和根的内球层中也发现了不同的群落结构。

1.3 相同物种的个体之间的变异

当在相同宿主位点的群落取样时，可以观察到在相同宿主物种的个体之间的另一个变异轴(图1C)。由于其医学上的意义，这种类型的变异目前受到很大关注。例如，将一系列疾病患者的肠道菌群与健康对照的肠道菌群进行比较，可以发现许多肠道菌群在疾病发病机制中所起的作用。在患病和健康的宿主中，宿主部位特异性微生物群的差异与宿主个体的生活史有关包括，例如它们的遗传背景、环境因素、饮食、衰老相关的变化、药物和疾病。由于实际情况的限制，影响个体间差异的因素也常常是未知的或无法测量的。

1.4 同一群落随时间的变化

在微生物群落研究中经常检查的第四个变异轴是随着时间的推移，同一宿主个体在同一宿主位置的微生物群落状态之间的变化(图1D)。微生物群落当前的状态取决于它过去的状态和空间分布不均匀的因素的影响。因此，不可能将群落的空间格局与时间变化完全分开。

虽然随着时间的推移相同个体的宿主特定群落组成比较稳定，但是每小时到每天的变化是常见的，例如在哺乳动物的胃肠道。据报道，微生物群的疾病相关状态随着时间的变化很不稳定，可能是由于宿主的调节能力降低。

对人类肠道菌群的纵向研究表明，个体的(地理位置)迁移可能对其微生物群产生可衡量的长期和短期影响。随着时间变化，在候鸟的微生物群中也观察到了迁移相关的变化。虽然真正的时间模型超出了本综述的范围，但是空间方法不应该忽视数据在时间方面的可能性。

2 空间模式和尺度的重要性

如前一部分所述，空间结构被认为是由于宿主之间微生物的水平扩散以及空间相关因素对群落的环境过滤所致。但是，不同空间相关因素的相对重要性可能与尺度是相关的。因此，我们应该仔细考虑取样的空间尺度以及在该尺度下影响群落组成的可能过程。

2.1 跨尺度空间格局

人类肠道微生物群中个体间差异的已知模式很好地说明了微生物群落组成中空间模式的尺度依赖性。从区域到国家的尺度来看，微生物群组成的空间模式可归因于种族和生活方式的差异，它们都可能通过遗传和饮食等方式影响选择。虽然关于人类肠道微生物群扩散限制的数据很少，但在研究地理空间差异方面发挥重要作用。

除了不同过程的尺度依赖性相对重要外，采样尺度也可能影响系统发育或分类尺度的差异。此外，共生个体可以在菌株水平上共享微生物物种，特定的微生物菌株可以在宿主的肠道菌群中稳定存在几十年。

2.2 尺度比例

由此得出的结论是，该研究的空间粒度应指导其设计、采样和分类解析的选择，并整合来自“组学数据”的功能和代谢活性信息(图2)。这一点归结为在一个世纪前就被提出的计算机科学的一个基本原则，“垃圾输入，垃圾输出”。

群落成员的识别应该以最准确的实际可用的分辨率执行，因为较低的单位可以在较高的级别上分层分组，以减少分析的计算负担。对于物种级别的鉴定，浅shot枪测序已成为16S rRNA基因元条形码的可行替代方法，具有更高的分类覆盖率和准确性，但测序成本却略有增加。

目前，大多数微生物群落研究使用大量样本，例如从粪便或拭子中获得样本，来比较群落。因此，新的微创方法和准确的取样工具和技术将对这一领域的研究有很多好处。为了更好地了解宿主表面上群落的组成，功能和组织，需要在微米到毫米尺度上具有高空间分辨率的新方法。

图2. 在人类鼻腔菌群的背景下进行空间尺度研究的一个例子，并为它们的研究提供合适的分类学解决方案。微生物群的变化模式是尺度依赖性的，这应该在研究设计和数据分析中考虑。例如，物种或属水平的识别可能不足以观察在更精细的空间尺度上发生的模式。

3 空间微生物群生态学的未解决问题

尽管近十年来人们对微生物群落进行了深入的研究，但我们对微生物群落组成的生态过程(即选择、漂移、扩散和物种形成)及其在不同环境和不同尺度下的相对重要性的认识仍然有限。该领域的主要未解决问题特别涉及以下方面的重要性：个体之间的水平转移、群落之间的功能冗余、群落动态中的创始人效应和随机性以及宿主生命周期内快速进化(表1)。虽然目前很多研究工作都集中在人类身上，但这些一般性问题也可以在其它宿主身上得到解决。

表1 与宿主相关微生物群落的空间变异有关的未解决的关键问题

4 空间建模框架

统计微生物学的许多方法学发展都集中在样本比较之间，以评估不同条件或处理的效果，但是忽略了微生物群落的空间和生态环境。尽管微观和宏观生态之间存在显著差异，但许多研究宏观生物群落的方法也可能适用于微生物群落。

根据群落生态学中的概念综合，“通过物种形成和扩散将物种添加到群落中，这些物种的相对丰度是由漂移、选择和持续扩散决定的，以驱动群落动态。”无论生物有机体的身份和大小如何，这些过程本质上是相同的。一些技术上的限制仍然存在，例如不均匀的DNA提取效率、PCR和测序错误、不均匀的分类分辨率、不完整的参考数据库和数据的组成。最后，植物和动物生态学中DNA元编码的不断使用进一步促进了微生物和宏观生态学之间数据类型和方法的融合。

我们先综述在宏观生态学中用于解释空间结构及其局限性的经典统计方法。除了这些基于不同度量和线性模型的主要方法之外，“预测建模”方法在宏观和微生物生态学越来越多被使用。这两种方法的共同之处在于，它们都能够很容易地揭示数据中的非线性依赖关系和相互作用，并对新数据做出预测。

4.1 经典统计生态学

在宏观生态学和微生物生态学中，分析空间群落组成数据的一种常用方法是将每个样本的分类群丰度标准化，计算样本间组成的成对差异(β-多样性)，并对产生的差异矩阵进行分析。目前，在分析微生物生态学中的高通量测序产生的高维数据方面被这些方法是非常有用的。

虽然这些方法已经确定有用，但基于不同的方法也会产生误导的结果和模糊的数据解释。此外，大多数基于差异的统计方法不允许在分析后加入额外的数据或对新样本进行预测。这限制了它们在医疗诊断和环境监测方面的使用。但是标准的多元统计方法在假设类群丰度呈非线性甚至非单调的空间趋势时，不适合按照空间梯度对类群分布进行建模。

4.2 机器学习

微生物生态学的数据密集型研究通常利用流行的机器学习方法，比如神经网络、决策树、支持向量机、梯度增强和集合。它们非常适合具有复杂结构的数据集，这些数据集表现出非线性的依赖关系和许多变量之间的相互作用。它们可以用来从数据中识别有用的特性，如分类或功能基团的丰度与生物特征、环境和空间变量之间的依赖关系。

和数据点的数量相比，机器学习方法的参数较多，这使得机器学习方法具有较高的灵活性，但也容易对训练数据进行过拟合，泛化较差。为了纠正这种情况，通常通过交叉验证来评估模型的性能和准确性，即通过量化模型对新观测值的推广程度（称为“样本外”数据），而不是通过拟合优度单一数据集(用经典统计中的R²或p值来测量)。

尽管它们在分类和回归中表现很好，但是这些方法的主要局限性在于它们只能充当“黑匣子”：拟合模型的可解释性有限，并且通常不考虑潜在的机制。尽管如此，模型学习的结构可以被研究。

目前为止，利用机器学习对微生物群落进行的研究很少包含空间信息，这是由于样本数量不足，无法可靠的检测空间模式。在具有足够样本容量的研究中包含空间数据和分析可以导致显著的性能提高。研究还发现，将本地的模型外推到更大的地理区域，结果较差。这些研究将空间信息作为离散的位置信息而不是连续的变量，更明确的解释数据的空间结构，可以进一步提高模型的性能。

4.3 概率建模

经典机器学习方法的主要局限性是它们对不确定性的估计很差，潜在的模型要么是隐含的，要么是难以解释的。另一种选择是利用与似然函数相关的显式概率模型。然后，可以通过似然最大化或通过贝叶斯推理对数据进行推断。概率建模可以提供准确的不确定性估计，也可以通过对数据结构的先验知识指导推理，从而对推断的参数提供更清晰的生物学解释。就像在非概率机器学习中一样，它已经成为一种常见的方法来拟合高度灵活的模型，并通过交叉验证来评估其通用性。

宿主相关微生物群落的空间变化及其与宿主和环境的尺度依赖关系的显式概率模型可以通过借用宏观生态学中的物种分布模型(SDMs)来实现。这导致了层次化模型的引入，该模型能够以一种依赖于尺度的方式合并这些因素，同时考虑到数据中的多个不确定性来源。这一研究领域的最新进展之一是联合物种分布模型(JSDMs)，它可以根据非生物条件和生物相互作用联合估计多个物种的分布。

虽然早期JSDMs的计算成本难以处理微生物数据，但现在可以在合理的时间内处理数百种分类和样本。JSDMs还表明蜱相关微生物群丰度的变化主要与宿主特异性因子相关，尽管环境对单个微生物的影响可能很大，包括人类病原体。本研究利用JSDMs对空间效应和宿主相关因子的方差进行划分，得到共现网络。这些研究表明，JSDMs具有模拟微生物群落的潜力，包括微生物间的相互作用以及不同过程对不同尺度下微生物分类群的发生或丰度的相对影响。

尽管如此，使用JSDMs进行宿主相关微生物生态学还是有一些局限性。首先，微生物群落包含更多的稀有类群。其次，目前的JSDMs没有明确地解释微生物群落数据的组成，这可能会使推断产生偏差。

其它的概率建模方法已经被开发出来，用来解释微生物数据的特异性(组成性，在样本和许多稀有类群之间高度异质性的读取计数)，虽然它们还没有明确的解释空间结构。在建立多样性微生物数据集的模型方面，组合模型是分类中心模型的一种特别有趣的替代方法。中性生态模型描述了生态群落的随机动态—包括扩散、漂移和物种形成—假设所有类群的竞争能力都是相等的。

5 观点

鉴于其它研究领域的进展，空间数据分析预测模型的潜力在微生物群落研究中仍未得到充分利用。这些框架的应用可能有助于阐明宿主相关微生物群落多样性空间分布的驱动因素。在以微生物群落组成作为诊断工具的疾病模型中，研究人员认为在研究设计中应更好的考虑空间结构。

同样，对JSDMs的大量扩展和修订可能会提高大量的类群特征的微生物研究的性能。虽然JSDM模型的核心是一个广义线性的建模框架，但使用高斯过程可以进一步提高其性能。此外，使用对数比变换来调节组成数据，以及使用高斯过程来量化宿主之间的自相关，将增加JSDM对微生物群落研究的适用性。最后，与宏观生态学研究类似，进一步利用这些模型来评估空间效应，需要在空间尺度上对相关问题的群落进行更均匀、更密集的取样。

6 结论

与宿主相关的微生物群落在空间(和时间)上有很大差异，甚至在单一宿主物种的单一宿主位点上也是如此。现在通过使用各种高通量测序、单细胞取样和成像方法观察到这种变异性，但变异性的原因仍不十分清楚。如果能把这些群落的空间结构适当的纳入分析中，将有助于更好的了解这些群落的格局。微生物群落研究中的空间数据既可以反映生物体在宿主之间和宿主内部分散的能力，也可以作为未知或未测量的空间相关变量的替代物。近年来，空间分析的发展使微生物群落的尺度依赖性层次结构和变量之间的非线性相互作用成为可能，但这些方法在微生物生态学中仍未得到充分的应用。实际上，微生物群落数据的复杂性、方法的可扩展性有限、以及缺乏公开可用的基准案例研究，都减缓了该领域的发展。计算效率的进一步发展，对微生物群落分析数据的特定属性的调整以及进化过程的整合，将有助于在微生物群落的空间建模中使用这些方法。这些方法在微生物生态学中的应用反过来会刺激新的方法开发和在宏观生态学中的应用，以及工业和临床应用。