MaAsLin 3: уточнение и расширение обобщённых многопараметрических линейных моделей для обнаружения ассоциаций в мета-омике

Почему важны крошечные соседи в кишечнике

В нашем теле обитает триллионы микробов, которые помогают переваривать пищу, обучают иммунную систему и даже могут влиять на настроение. С развитием ДНК-секвенирования стало проще каталогизировать эти микробные сообщества, и возник важный вопрос: какие конкретные микробы связаны с такими заболеваниями, как воспалительные заболевания кишечника, или с повседневными характеристиками, например возрастом и диетой? Оказалось, что ответить на него не так просто. Данные шумные, содержат множество нулей и часто представлены в виде процентов, а не истинных счётов. В этой статье представлен MaAsLin 3 — новый статистический инструмент, разработанный для того, чтобы извлекать более чёткие сигналы из запутанных данных микробиома и помогать исследователям надёжнее связывать микробы с состоянием здоровья человека и окружающей средой.

Поиск закономерностей в шумной толпе

Традиционные исследования микробиома похожи на подсчёт лиц в толпе: исследователи измеряют относительную абундантность сотен или тысяч микробных видов у многих людей и затем спрашивают, какие виды отличаются между, скажем, больными и здоровыми группами. Но данные микробиома ограничены процентами, которые должны в сумме давать 100%, поэтому если один вид увеличивается, по крайней мере один другой вид выглядит уменьшившимся, даже если его истинное количество не изменилось. К тому же во многих образцах какие-то виды просто не обнаруживаются, что даёт множество нулей, отражающих либо фактическое отсутствие, либо пределы детекции. Обычные методы анализа как правило совмещают два разных вопроса — присутствует ли микроб вообще и в каком количестве он есть, когда присутствует — что легко может привести к неверной интерпретации биологии.

Разделение присутствия и количества

MaAsLin 3 решает эти проблемы, явно рассматривая присутствие и количество как отдельные, но связанные явления. Для каждой микробной характеристики — например вида, гена или метаболического пути — он строит две модели параллельно. Одна модель исследует превалентность, то есть как часто признак обнаруживается в образцах с разными признаками. Другая модель фокусируется на абундантности, то есть как меняется уровень признака только в тех образцах, где он обнаружен. Разделяя данные таким образом, MaAsLin 3 избегает распространённого приёма заполнения нулей произвольно малыми числами, что может искажать результаты. Затем он объединяет оба эффекта в общую картину того, как каждый признак связан с каждой переменной, при этом позволяя исследователям увидеть, относится ли ассоциация в основном к присутствию, количеству или к обоим аспектам.

Приближение к реальным величинам

Ещё одна сложность в науке о микробиоме состоит в том, что большинство измерений относительные: они показывают, какую долю от общего сообщества занимает вид, но не сколько клеток там действительно находится. Между тем многие биологические вопросы зависят от абсолютной абундантности — например, пересекает ли число клеток патогена порог, который может вызвать болезнь. MaAsLin 3 предлагает два взаимодополняющих решения. Когда в экспериментах есть дополнительные данные, такие как известные количества эталонного организма или оценки общей микробной загрузки, метод может преобразовать относительные проценты в оценки абсолютных количеств и моделировать их напрямую. Когда такие данные недоступны, MaAsLin 3 сравнивает поведение каждого признака с типичным паттерном по всем признакам, что при реалистичных предположениях аппроксимирует то, что наблюдалось бы на абсолютной шкале. Обширные компьютерные симуляции и тесты на реальных наборах данных с экспериментально измеренной абсолютной абундантностью показывают, что эта стратегия достоверно восстанавливает лежащие в основе тенденции и превосходит несколько широко используемых инструментов.

Выявление скрытых сигналов при заболеваниях кишечника

Чтобы продемонстрировать практическую значимость этих достижений, авторы применили MaAsLin 3 к большой, хорошо изученной когорте людей с воспалительными заболеваниями кишечника и без них, например при болезни Крона и язвенном колите. Предыдущие работы уже выявили многие микробные изменения при этих состояниях, но MaAsLin 3 добавил несколько уровней нюансов. Он подтвердил большинство известных связей и при этом уточнил, что около трёх четвертей ассоциирований были связаны с изменениями в том, обнаруживается ли микроб вообще, а не с изменением его количества при наличии. Иными словами, воспаление кишечника часто сопровождалось полным исчезновением некоторых полезных микробов или их недетектируемостью, а не лишь незначительным снижением их уровней. Метод также выявил микробы, чьё простое присутствие — независимо от количества — сильно коррелировало с нарушением сообщества кишечника, связанным с болезнью.

Что это значит для будущих исследований и медицины

Для неспециалистов главный вывод в том, что способ анализа данных микробиома существенно влияет на то, какие микробы мы считаем значимыми для здоровья. Благодаря лучшей обработке нулей, разделению присутствия и количества и приближению реальных чисел клеток MaAsLin 3 предлагает более чёткую призму для обнаружения надёжных микробных маркёров болезней, питания и окружающей среды. Его результаты по воспалительным заболеваниям кишечника указывают на то, что многие клинически важные сдвиги связаны с исчезновением или появлением микробов, а не просто с их постепенным увеличением или уменьшением. Это различие важно для разработки терапий: если болезнь связана с полным исчезновением полезных видов, то стратегии по их повторному введению или защите могут быть эффективнее, чем попытки лишь слегка сдвинуть соотношение в сообществе. Таким образом MaAsLin 3 даёт исследователям более точный и гибкий набор инструментов для превращения сложных измерений микробиома в практически применимые биологические выводы.

Цитирование: 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

Ключевые слова: микробиом, воспалительное заболевание кишечника, статистическое моделирование, абсолютная абундантность, превалентность микробов