《Microbiology Spectrum》：Phylogeny-informed random forests for human microbiome studies
编辑推荐：
随机森林是广泛使用的非线性预测工具，但未充分利用微生物组数据中丰富的系统发育树信息。本研究引入了一种名为“系统发育信息随机森林（PIRF）”的新算法，通过局部化策略在系统发育簇内进行特征选择和加权，有效增强了模型的功能表征多样性，减少了决策树间的相关性。在七项基准任务（四项分类、三项回归）中，PIRF均展现出优越的预测精度，为微生物组驱动的疾病诊断和个体化医疗提供了更准确的计算工具。
我们的身体是数以万亿计微生物的家园，这些微生物（统称为微生物组）与我们紧密共生，深刻影响着我们的健康和疾病状态。随着测序技术的飞速发展，科学家们已能详细描绘出这些微小居民的种类和数量，从而为理解疾病、进行个性化医疗带来了前所未有的机遇。然而，将这些海量、复杂且分布极不规则的微生物组数据转化为精准的健康预测模型，仍然是一项巨大的挑战。传统的机器学习方法在处理此类数据时，往往忽略了微生物之间一个至关重要的生物学联系——进化上的亲缘关系。这种亲缘关系通常通过“系统发育树”来描绘，它像一张家族谱系图，揭示了不同微生物在进化史上的远近，也暗示了它们在功能上的相关性。如果能巧妙地将这份宝贵的“谱系”信息融入预测模型中，是否能让我们更清晰地洞悉疾病背后隐藏的微生物模式，从而获得更可靠的预测？
为了回答这个问题，一项最新发表在《Microbiology Spectrum》上的研究为我们带来了一种创新工具。研究人员敏锐地抓住了微生物组数据“高维度、零膨胀、分布不均”的特点，以及“系统发育树”信息在现有分析中未被充分利用的现状。他们认识到，尽管随机森林（Random Forest, RF）算法因其能处理非线性关系和交互作用，已成为微生物组预测分析的热门选择，但其标准的特征选择过程是“盲目”的，即在所有特征中均匀随机抽取。这导致模型可能遗漏了系统发育上相近、功能相似的微生物特征作为一个“功能群”所携带的集体信息。同时，已有的尝试（如基于单一全局集群的特征加权）虽然能突出重要特征，却又可能导致决策树间相关性增高，反而削弱了模型整体的稳健性。于是，这项研究提出并验证了一个新算法——系统发育信息随机森林（Phylogeny-Informed Random Forests, PIRF）。其核心思想是“局部化竞争”：不再让所有特征在全域范围内竞争，而是先将特征根据系统发育树划分为多个“系统发育簇”（即进化上和功能上相关的微生物特征组），然后在每个簇内独立地评估特征的重要性并进行加权，最后整合出全局的特征选择概率。这种方法旨在丰富模型捕获的功能多样性，同时控制决策树之间的相关性，以达到预测精度和稳健性的提升。
为开展这项研究，作者主要采用了以下几种关键技术方法。首先是算法开发与软件实现，核心是基于R语言环境，利用ranger包构建高效的随机森林框架，并通过整合系统发育信息（包括计算谱系距离、聚类等）开发了PIRF算法，最终打包为可公开获取的R软件包。其次是多元化的基准数据集评估，研究收集了来自不同人群和队列的七个已发表微生物组数据集，涵盖四项分类任务（牙龈炎症、免疫治疗响应、1型糖尿病、肥胖）和三项回归任务（细胞因子水平、基于口腔微生物组的年龄预测、基于肠道微生物组的年龄预测）。再次是严谨的数据预处理与建模流程，对所有数据应用了统一的质量控制和针对微生物组零膨胀、批次效应等问题的非参数校正方法（ConQuR），并采用标准的五折交叉验证来评估模型性能。最后是广泛的比较基准设定，将PIRF与包括标准随机森林、梯度提升机、多种线性模型（岭回归、Lasso、弹性网络）以及基于Keras和Torch实现的浅层和深层神经网络在内的共10种现成工具进行对比，确保评估的全面性和公平性。
研究结果
预测性能表现：PIRF在全部七个基准任务中均取得了最佳的预测性能。在四项分类任务中，它的测试错误率最低，受试者工作特征曲线下面积（AUC）最高；在三项回归任务中，它的均方根误差（RMSE）和平均绝对误差（MAE）同样最低。相比之下，基于树的模型（如随机森林、梯度提升机）整体优于线性模型，而深度神经网络在本研究涉及的中等样本量、高维度的微生物组数据上表现最弱，显示出过拟合的风险。PIRF的性能表现也最为稳定，其评估指标的标准差普遍低于或与最佳竞争对手相当，表明其具有良好的稳健性。
PIRF的概率机制：通过可视化对比PIRF与标准随机森林（对应完全不相交的簇，即k = p）以及单簇随机森林（对应单一全局簇，即k = 1）的特征选择概率分布，可以清晰地揭示其工作机制。标准随机森林的概率分布均匀，方差最小，这最大化了决策树的去相关性，但完全没有特征选择机制。单簇随机森林的概率分布高度集中，方差最大，这使得高重要性特征被频繁选中，但加剧了决策树间的相关性。PIRF基于系统发育簇产生的概率分布则呈现出适中的变异性，它通过局部加权，既引入了有偏的特征选择以增强单棵树的有效性，又通过在不同系统发育簇间分散选择，维持了决策树间的多样性，从而在树强度与去相关性之间取得了更好的平衡。
讨论与结论
本研究的核心贡献是提出了PIRF算法，它通过一种创新的局部化策略，巧妙地将微生物的系统发育信息整合到随机森林建模框架中。该方法不再将所有微生物特征置于全局竞争环境中，而是依据其进化亲缘性进行分组，并在组内进行特征重要性评估和概率加权。这种设计不仅更贴合微生物功能模块化的生物学现实，丰富了模型所能捕获的功能表征，还通过促进不同系统发育簇内的特征被均衡地考虑，有效降低了决策树之间的相关性，避免了因过度聚焦于少数全局重要特征而可能导致的方差缩减收益损失。
在实证评估中，PIRF在涵盖多种疾病状态和宿主表型的七个微生物组预测任务上，全面且稳定地超越了包括多种主流机器学习算法在内的现有工具，证明了其优越的预测精度和鲁棒性。这一结果凸显了在微生物组数据分析中整合先验生物学知识（特别是系统发育信息）对于提升预测模型性能的重要价值。研究也观察到，在当前典型的微生物组数据规模（样本量约102-103，特征数p >> n）下，复杂度较高的深度神经网络模型并未展现出优势，提示选择合适的模型复杂度与实际数据规模相匹配至关重要。
综上所述，PIRF为人类微生物组研究提供了一个强大、实用且易于获取的新工具。它将先进的机器学习算法与深刻的生物学洞察相结合，显著提升了基于微生物组进行疾病诊断和宿主表型预测的能力。其开源软件的实现（R包PIRF）极大地促进了该方法的可及性和可重复性，有望推动微生物组在精准医疗和个性化健康管理中的实际应用。这项工作表明，在“大数据”驱动的生命科学研究中，算法创新与领域知识的深度融合是挖掘数据价值、解决复杂生物学问题的关键路径。
