💻 bioinformatics

Perturbation-Aware Neural ODE (pNODE) Learns Microbiome Dynamics from Clinical Data and Predicts Gut-Borne Bloodstream Infections in Patients Receiving Cancer Treatment

本研究引入了扰动感知神经常微分方程（pNODE）框架，该框架通过整合微生物丰度和时间分辨的抗生素扰动，在预测接受异基因造血干细胞移植的癌症患者的肠道微生物群动态以及预测肠道来源的血流感染方面，表现优于传统模型。

原作者： Stamper, I. C., Aeria, B., Xavier, J.

发布于 2026-09-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Stamper, I. C., Aeria, B., Xavier, J.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

在人类肠道内部，一个庞大而复杂的细菌群落正不知疲倦地工作，以维持身体健康。这些微小的居民不仅负责消化食物，还充当着抵御入侵者的盾牌，训练免疫系统并防止有害病原体占据阵地。然而，当一个人接受侵略性癌症治疗（如骨髓移植）时，这种脆弱的生态系统可能会被粉碎。强效药物和辐射会摧毁免疫系统的防御能力，迫使医生使用广谱抗生素来预防感染。虽然这些抗生素可以挽救生命，但它们也会无差别地攻击，破坏那些维持肠道稳定的益生菌。在由此产生的真空状态下，平时数量极少的机会性病菌会爆发式增长，挤占益生菌的生存空间，并最终溢入血液，导致严重的、有时是致命的感染。

多年来，科学家们一直试图预测这些微生物群落在受到此类干扰时会如何反应，希望能找到一种方法，在感染发生前将肠道引导回健康状态。传统的建模方法依赖于简化的规则，假设细菌以固定且可预测的方式进行交互，就像机器中的齿轮一样。但真实的肠道要复杂得多，也更具动态性，会对抗生素产生复杂的非线性反应，这是简单规则无法捕捉的。研究人员需要一种新方法，一种能够直接从混乱的患者数据中学习，而不是将数据强行塞入僵化框架的方法。

来自斯隆凯特医学研究所（Sikorsky Kettering Institute for Cancer Research）和加州大学洛杉矶分校（UCLA）的一个科学家团队开发了一种名为“扰动感知神经常微分方程”（perturbation-aware Neural ODE，简称 pNODE）的新工具来解决这一问题。该系统并不依赖预设规则，而是使用一种旨在通过观察直接学习运动规律的人工智能。想象一下观察河流的流动：传统模型可能会根据静态的河床图来猜测水的路径，但 pNODE 会观察水的移动，学习它如何绕过岩石旋转以及如何随水流改变速度，然后预测它下一步会流向何处。在这种情况下，“河流”是患者肠道中的细菌集合，而“岩石”则是正在施用的抗生素。研究人员向该系统输入了来自 1,000 多名接受过骨髓移植患者的数据，包括详细的每日抗生素治疗记录和追踪细菌种群变化的数千份粪便样本。

结果令人瞩目。在测试已知真实规则的合成数据时，即使在数据具有噪声且不完整（模拟医院现实情况）的情况下，pNODE 的表现也始终优于传统模型。但真正的考验在于，研究团队将该模型应用于真实的患者数据。他们训练系统根据初始粪便样本和计划的抗生素方案，预测患者肠道细菌在未来一周的变化。该模型表现出了惊人的准确性，在预测特定细菌群落的升降方面优于旧方法。更重要的是，研究人员发现，该模型可以预测它从未被明确教授去寻找的临床结果。通过将模型向前运行，他们可以生成特定危险细菌——肠球菌（Enterococcus）的预测路径。如果模型预测这种细菌将生长并占据主导地位，这就是患者面临血液感染高风险的强烈信号。

即使在模型测试从未见过的患者时，这种预测能力依然有效。团队发现，与仅观察当前细菌水平或使用旧有的基于规则的模型相比，模型对肠球菌增长的预测是更好的未来感染预测指标。在某些情况下，模型的预测准确度甚至达到了仿佛研究人员已经预知了未来细菌计数水平的地步，这一成就表明该系统已经学习到了支配肠道的底层生态法则。研究人员还通过将肠道细菌群落映射到二维景观上来可视化这些动态变化。在这种视角下，不同的抗生素就像风，将整个群落推向特定的方向。有些抗生素方案会将群落推向肠球菌接管的状态，而另一些则能保持生态系统的多样性和稳定性。

这项研究表明，这种新方法最终可以帮助医生做出更明智的抗生素使用选择。通过模拟不同治疗方案对特定患者肠道生态系统的影响，临床医生或许可以选择既能治疗感染又不破坏保护性微生物组的给药方案。虽然该模型是在特定的癌症患者群体中进行的测试，并需要在其他环境中进一步验证，但它代表了该领域的一次重大进步。它使该领域从仅仅观察感染发生后的情况，转向理解导致感染发生的动态力量，为在感染开始前就将其预防提供了一条潜在路径。

技术摘要：扰动感知神经常微分方程 (pNODE) 用于微生物组动力学研究

问题陈述

癌症治疗，特别是异基因造血干细胞移植（allo-HCT），会严重破坏肠道微生物群。这种破坏往往因广谱抗生素的使用而加剧，导致生物多样性降低并削弱定植抗性，从而使机会性病原体（如 Enterococcus faecium）得以扩张并占据主导地位（即“肠道统治”）。这种扩张促进了病原体向血液中的转移，导致致命性的血流感染（BSI）。

目前的微生物组动力学预测模型（如广义 Lotka-Volterra (gLV) 模型）依赖于简化的假设：在同质环境中进行线性的、成对的、时不变的相互作用。这些模型难以捕捉在复杂的临床扰动（如抗生素疗程）下，肠道微生物组所表现出的非线性、上下文相关的动力学特征。此外，临床数据具有采样稀疏、不规则以及高噪声的特点，在这些条件下，传统的参数化模型往往难以泛化。因此，迫切需要一种灵活且数据驱动的框架，既能模拟连续时间的微生物动力学，又能显式地整合时间分辨的外部扰动（抗生素），以预测生态演变和临床结果。

研究方法

pNODE 框架

作者引入了扰动感知神经常微分方程 (p-NODE)。与仅模拟自主动力学的标准神经常微分方程 (NODE) 不同，pNODE 将外部扰动显式地纳入控制系统状态的微分方程中。

架构： 系统状态 $x(t)$ 代表微生物丰度。动力学由神经网络 $f_\theta$ 积分的隐状态 $z(t)$ 控制：
$\frac{dz}{dt} = f_\theta(x(t), p(t), t)$
其中 $x(t)$ 是当前的物种丰度向量， $p(t)$ 是编码抗生素暴露的随时间变化的扰动向量， $t$ 是绝对时间（相对于移植的天数）。
扰动编码： 抗生素给药被编码为一个 15 维的二进制向量 $p(t)$ ，其中每一维对应一个特定的抗生素类别（例如碳青霉烯类、氟喹诺酮类）。如果患者在时间 $t$ 正在接受属于类别 $i$ 的抗生素，则 $p_i(t) = 1$ ，否则为 $0$。
组合输出： 为了确保预测结果仍为有效的相对丰度向量（总和为 1），通过 softmax 函数将隐状态映射到观测空间： $x(t) = \text{softmax}(z(t))$ 。
训练： 模型使用短窗口期（7 天）内预测值与观测值之间的平均绝对误差 (MAE) 进行训练。ODE 求解器（通过 torchdiffeq 使用欧拉法）对积分过程进行微分，以更新权重。

数据与实验设计

临床队列： 本研究利用了来自纪念斯隆-凯特琳癌症中心（Memorial Sloan Kettering Cancer Center）的超过 1,000 名 allo-HCT 患者的纵向数据集，包含超过 10,000 份粪便微生物样本（16S rRNA 测序）、详细的抗生素记录及临床结局。
分类学分辨率： 研究训练了两种模型配置：
1. 类水平 (N=14)： 在细菌纲水平进行聚合，并将 Enterococcus 从 Bacilli 纲中显式分离。该子集受限于具有 qPCR 绝对丰度数据的患者，以便与 gLV 进行直接比较。
2. 属水平 (N=136)： 一个在全队列上训练的高分辨率模型，保留了流行率大于 5% 的属。
合成基准测试： 为了在受控条件下验证该框架，作者生成了由扰动增强型 gLV 模型驱动的合成 5 物种生态系统。这些数据集包含了已知的地面真值参数、不规则采样以及高斯噪声，以模拟临床数据的特征。
用于预测的生成模式： 一旦训练完成，pNODE 以生成模式运行。从初始粪便样本和特定患者的抗生素时间线开始，模型向前积分以预测未来的微生物轨迹，而无需中间观测值。

关键结果

1. 在合成与临床设置中表现优于 gLV

合成数据： 尽管地面真值是由 gLV 模型生成的，但 pNODE 在各种条件下（变化的噪声水平、采样密度和训练集大小）始终优于 gLV 推断。在临床研究典型的稀疏、高噪声和数据贫乏的机制下，这种性能差距最为显著。
临床数据 (qPCR 子集)： 在具有绝对丰度数据的患者子集中，pNODE 实现的 7 天预测 MAE（ $\approx 0.047$ ）低于 gLV（ $\approx 0.049$ ）和恒定组成基准。这种优势在更长的时间跨度（30 天和 60 天）内进一步扩大。
临床数据 (全队列)： 属水平的 pNODE 在留出患者上的 7 天 MAE 约为 $\approx 0.007$ ，成功捕捉到了主要的生态转变，包括向 Enterococcus 统治地位的演变以及多样化群落的恢复。

2. 血流感染 (BSI) 的预测

研究表明，pNODE 生成的轨迹可以预测 Enterococcus BSI，且模型从未针对感染结果进行过训练。

方法： 对于每位患者，模型生成未来窗口 $W$ 内的预测 Enterococcus 丰度轨迹。预测的平均丰度作为风险评分。
性能： 基于 pNODE 的风险评分优于初始 Enterococcus 丰度基准和 gLV 生成式预测。
- 在 30 天预测期内，pNODE 的 AUC 为 $0.83 \pm 0.01$ ，超过了 gLV ($0.70$)，并匹配或超过了插值地面真值预言机 (oracle) 的表现 ($0.82$)。
- pNODE 的优势随着预测期的延长而增加，在预言机性能下降的 58 天处，仍保持着较高的 AUC ( $\approx 0.81-0.82$ )。

3. 抗生素依赖型流场可视化

通过将属水平 pNODE 动力学投影到 TaxUMAP 嵌入中，作者可视化了学习到的向量场。

不同的抗生素方案（扰动状态）被显示为能够重塑流场，将微生物群转向不同的生态吸引子。
观察到特定的抗生素（如青霉素类）会将群落驱动向 Enterococcus 占主导地位的区域，这为理解治疗选择如何影响生态轨迹提供了机制性的可视化。

意义与主张

本文声称 pNODE 代表了在建模临床微生物组动力学方面的重大进展，原因如下：

弥合数据与动力学之间的鸿沟： 它证明了灵活的非参数化神经 ODE 即使在理论上类似于 gLV 的情况下，也能在真实临床数据这种稀疏且多噪的条件下优于经典的生态模型 (gLV)。
无需结局训练的预测效用： 该模型仅通过学习微生物动力学和抗生素扰动，就能成功预测下游临床事件 (BSI)。这表明该模型捕捉的是发生在感染之前的上游生态机制（肠道统治），而非仅仅是与结果的相关性。
“假设性”场景的生成能力： 该框架能够模拟不同抗生素方案下的前瞻性微生物轨迹。这种能力为“微生物组感知型”治疗策略奠定了基础，临床医生可以借此评估不同抗生素选择在给药前的生态后果。
通过流场的可解释性： 通过可视化抗生素依赖型流场，可以理解特定药物组合如何将微生物群驱动向具有临床相关性的状态（例如病原体占主导地位），从而产生关于生态韧性和易感性的可测试假设。

作者总结道，虽然 pNODE 是一个极具前景的预测建模工具，但目前仍局限于单中心数据和二进制扰动编码。未来的工作需要在更多样化的机构中验证这些动力学，并纳入剂量、绝对丰度和宿主变量等更丰富的特征，以支持前瞻性的临床决策。