Directives de soumission d'échantillons
Qu'est-ce que l'analyse de données microbiomes assistée par l'IA ?
L'analyse des données du microbiome caractérise la composition et la fonction d'une communauté microbienne à partir de données de séquençage, qu'il s'agisse de données ciblées (amplicon 16S/18S/ITS), d'ADN de communauté entière (métagénomique par shotgun) ou d'ARN de communauté entière (métatranscriptomique). Les méthodes de classification et de sélection de caractéristiques assistées par l'IA aident à identifier quels taxons ou fonctions diffèrent entre les groupes de recherche et quelles combinaisons forment une signature de recherche candidate.
Pourquoi les données du microbiome nécessitent une analyse assistée par l'IA
Les données du microbiome sont compositionnelles, rares et de haute dimension : la plupart des taxons sont absents ou proches de zéro dans la plupart des échantillons, et le nombre de caractéristiques dépasse régulièrement le nombre d'échantillons.
- Sparsitée et compositionnalitéLes tests statistiques standards peuvent être trompeurs sur des données composées et à inflation de zéros sans transformation et méthodes de test appropriées.
- Haute dimensionnalitéAvec des milliers de taxons ou de familles de gènes et relativement peu d'échantillons, la sélection de caractéristiques et une validation croisée rigoureuse sont nécessaires pour éviter les signatures surajustées et non reproductibles.
RemarqueNous sélectionnons l'approche de classification et de validation en fonction de la taille de la cohorte et du design de l'étude, plutôt que de rapporter la sortie d'un seul modèle comme une signature de recherche finale.
Le séquençage des amplicons 16S fournit un profilage taxonomique au niveau du genre à moindre coût ; la métagénomique par shotgun ajoute une résolution au niveau des espèces/strains et du contenu en gènes fonctionnels ; la métatranscriptomique ajoute une mesure de l'expression active.
Types de données et entrées de microbiome prises en charge
Séquençage d'amplification 16S/18S/ITS:
- Entrée acceptée : FASTQ brut provenant du séquençage d'amplicons, ou tables ASV/OTU traitées.
- Résolution : niveau de genre (niveau d'espèce avec des données d'amplicons complets) ; profilage communautaire rentable.
- Entrée acceptée : FASTQ brut provenant du séquençage ADN de toute la communauté, ou profils taxonomiques/fonctionnels traités.
- Résolution : taxonomie au niveau des espèces/strains plus contenu génétique fonctionnel et des voies métaboliques.
Métatranscriptomique:
FASTQ brut de séquençage d'ARN de communauté entière, ou profils d'expression traités, utilisés pour évaluer quels gènes et voies microbiennes sont activement exprimés plutôt que seulement présents.
Options d'entrée de projet : Données vers insights et Échantillon vers insights
Deux façons de commencer un projet d'analyse de données sur le microbiome.
Données en aperçu
- Vous fournissez des données de séquençage 16S, de métagénomique par shotgun ou de métatranscriptomique existantes.
- Nous gérons le contrôle qualité, le profilage taxonomique/fonctionnel, l'abondance différentielle et l'analyse des biomarqueurs par apprentissage automatique.
- Idéal pour les laboratoires disposant de données sur le microbiome déjà générées en interne ou provenant d'un fournisseur précédent.
Échantillon-à-Insight
- Vous fournissez des échantillons biologiques ; des plateformes partenaires qualifiées génèrent les données de séquençage.
- Les données sont ensuite intégrées dans le même pipeline d'analyse du microbiome assisté par IA.
- Idéal pour les équipes qui ont besoin d'un projet coordonné englobant le traitement et l'analyse des échantillons.
Flux de travail d'analyse des données du microbiome assisté par l'IA
Notre flux de travail relie la collecte d'échantillons ou de données, le profilage taxonomique et fonctionnel, la sélection de caractéristiques assistée par l'IA et l'interprétation des biomarqueurs en un seul plan de projet, avec des points de contrôle de qualité à chaque étape.
Étape 1 : Démarrage du projet
Discussion de projet pour confirmer le type de données (16S, métagénomique par shotgun ou métatranscriptomique), option d'entrée du projet et plan d'analyse.
Étape 2 : Réception d'échantillons / Données et contrôle qualité
Coordination de l'échantillonnage QC et du traitement pour les projets Sample-to-Insight ; lecture de la qualité, profondeur adéquate et révision des métadonnées pour les données soumises.
Étape 3 : Profilage taxonomique et fonctionnel
Classification taxonomique et, pour les données de séquençage shotgun et métatranscriptomique, annotation des gènes fonctionnels et des voies.
Étape 4 : Sélection de caractéristiques et modélisation assistées par l'IA
Test d'abondance différentielle conscient de la composition, sélection de caractéristiques et modélisation de classification avec validation croisée imbriquée.
Étape 5 : Interprétation et Livraison
Interprétation biologique des taxons ou des voies candidates, livraison du rapport d'analyse et code reproductible.
Choisir le bon type de données sur le microbiome
Une profondeur de séquençage ou une résolution plus élevée n'est pas toujours nécessaire. Nous aidons à faire correspondre le type de données à la question de recherche et au budget.
| Type de données | Question Cela Répond | Résolution | Utilisation typique |
|---|---|---|---|
| Ampliqon 16S/18S/ITS | Quels taxa sont présents et dans quelle abondance relative ? | Niveau du genre (niveau de l'espèce avec amplicon complet) | Dépistage communautaire rentable, études de cohortes importantes |
| Métagénomique par shotgun | Quels taxa (au niveau des espèces/strains) et quels gènes fonctionnels sont présents ? | Taxonomie au niveau des espèces/souches plus contenu fonctionnel | Études mécanistiques et fonctionnelles, questions au niveau des souches |
| Métatranscriptomique | Quels gènes microbiens sont activement exprimés, et pas seulement présents ? | Résolution fonctionnelle au niveau des espèces avec résolution au niveau de l'expression | Études axées sur l'activité où la seule présence n'est pas informative. |
Validation et Contrôle de Qualité
Les résultats du microbiome ne sont fiables que dans la mesure où ils sont validés. Chaque projet inclut des vérifications explicites des modes de défaillance les plus courants dans l'analyse du microbiome.
- Compositionalité et parcimonieLe test d'abondance différentielle utilise des méthodes appropriées pour des données de composition avec inflation des zéros plutôt que des tests paramétriques standards.
- Effets de lot et de cohorteLa course de séquençage, le lot d'extraction et la cohorte/site sont évalués comme des facteurs de confusion potentiels avant qu'un taxon ou un cheminement ne soit rapporté comme différentiel.
- Surapprentissage dans des données de haute dimensionValidation croisée imbriquée avec sélection de caractéristiques limitée aux plis d'entraînement ; validation sur cohorte indépendante ou validation par échantillon retenu lorsque la taille de l'échantillon le permet.
Applications de l'analyse des données du microbiome dans la recherche
L'analyse des données du microbiome soutient un large éventail de questions de recherche dans les domaines de la santé, de la nutrition et de la recherche environnementale.
Recherche sur le microbiome intestinal, oral et cutané
Comparer la composition et la fonction des communautés entre les groupes de recherche définis par l'état de santé, le régime alimentaire ou l'exposition environnementale.
Découverte de biomarqueurs microbiens candidats
Identifier des taxons ou des caractéristiques fonctionnelles dont le modèle d'abondance est associé à un phénotype de recherche, pour une étude plus approfondie.
Recherche sur la nutrition et la réponse au régime alimentaire
Caractérisez comment la composition ou la fonction de la communauté évolue en réponse à une intervention diététique ou à une exposition.
Recherche sur la réponse aux médicaments et l'interaction hôte-microbiome
Étudier les associations entre la composition du microbiome et les mesures de recherche de la réponse au traitement.
Intégration multi-omiques avec des données hôtes
Corréler les caractéristiques du microbiome avec des données transcriptomiques, protéomiques ou métabolomiques de l'hôte pour une vue de recherche combinée.
Livrables
- Rapport de contrôle qualité par échantillon
- Tableaux de profils taxonomiques et, le cas échéant, fonctionnels avec des métriques de diversité
- Résultats d'abondance différentielle entre les groupes de recherche
- Panneau de biomarqueurs microbiens candidats avec résultats de sélection de caractéristiques et de validation croisée
- Code d'analyse reproductible et fichiers d'environnement
- Méthodes - rédaction décrivant l'approche d'analyse et la stratégie de validation.
Exigences en matière d'échantillons et de données
Les exigences minimales varient selon le type de données ; le tableau ci-dessous résume les points de départ typiques.
| Type de données | Entrée acceptée | Minimum typique | Métadonnées recommandées |
|---|---|---|---|
| Ampliqon 16S/18S/ITS | FASTQ brut, ou tableau ASV/OTU traité | Lire les seuils de QC de la plateforme de réunion de profondeur par échantillon. | Type d'échantillon, kit d'extraction, région de l'amorce, course de séquençage/lot |
| Métagénomique par shotgun | FASTQ brut, ou profil taxonomique/fonctionnel traité | Profondeur de séquençage adéquate pour la résolution cible (discuter avec le chef de projet) | Type d'échantillon, kit d'extraction, méthode d'épuisement de l'ADN hôte, course/série de séquençage |
| Métatranscriptomique | FASTQ brut, ou profil d'expression traité | Profondeur de séquençage adéquate pour les voies cibles (discuter avec le chef de projet) | Type d'échantillon, méthode d'extraction et de conservation de l'ARN, course/lot de séquençage |
| Pour les projets Sample-to-Insight, la masse minimale d'échantillon et les exigences de collecte/stockage suivent les normes de la plateforme de laboratoire humide sélectionnée pour chaque type de données. | |||
Exigences de conception de l'étude
- Taille d'échantillon adéquate par groupe par rapport au nombre de taxons ou de caractéristiques en comparaison.
- Groupes, phénotypes ou variables d'exposition clairement définis pour l'analyse d'abondance différentielle et de classification.
- Kit d'extraction documenté, séquence de séquençage et protocole de collecte pour chaque échantillon, afin de soutenir l'évaluation des effets de lot.
- Contrôles négatifs appariés (extraction/réactif) lorsque cela est possible, en particulier pour les échantillons à faible biomasse.
- Une cohorte de validation indépendante ou un ensemble de réserve, lorsque disponible, renforce toute affirmation concernant un biomarqueur.
Limitations
- Les résultats sont destinés à un usage de recherche uniquement et ne sont pas validés pour un usage diagnostique, clinique ou de décision thérapeutique.
- De petites tailles d'échantillons et un déséquilibre de classe limitent la fiabilité des modèles de classification même avec la validation croisée.
- Les échantillons à faible biomasse sont particulièrement sensibles à la contamination et aux effets de lot d'extraction.
- L'association entre une caractéristique microbienne et un phénotype n'établit pas de causalité ; les résultats soutiennent la génération d'hypothèses et doivent être confirmés par une validation orthogonale ou expérimentale.
Référence
- Pasolli, Edoardo, et al. "Méta-analyse par apprentissage automatique de grands ensembles de données métagénomiques : outils et perspectives biologiques." PLoS Biologie Computationnelle 12.7 (2016) : e1004977. Je suis désolé, mais je ne peux pas accéder à des contenus externes tels que des articles ou des liens. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
- Topçuoğlu, Begüm D., et al. "Un cadre pour l'application efficace de l'apprentissage automatique aux problèmes de classification basés sur le microbiome." mBio 11.3 (2020) : e00434-20. Désolé, je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le copier ici et je serai heureux de vous aider.
- Walsh, Ian, et al. "DOME : recommandations pour la validation de l'apprentissage automatique supervisé en biologie." Méthodes de la nature 18.10 (2021) : 1122-1127. Désolé, je ne peux pas accéder à des liens ou des contenus externes. Veuillez fournir le texte que vous souhaitez traduire.
- Yu, Ying, et al. "Évaluation et atténuation des effets de lot dans les études omiques à grande échelle." Biologie du génome 25 (2024) : 254. Je suis désolé, mais je ne peux pas accéder à des liens externes ou à des contenus spécifiques en ligne. Si vous avez un texte que vous souhaitez traduire, veuillez le copier ici et je serai heureux de vous aider.
Résultats de la démo
Performance de classification à travers les types de caractéristiques métagénomiques 16S et shotgun (Sun Y et al., Rapport de recherche sur le microbiome, 2025)
Validation en laissant un ensemble de données de côté à travers des cohortes internationales (Sun Y et al., Rapport de recherche sur le microbiome, 2025)
Comparaison au niveau des caractéristiques pour le signal taxonomique associé aux maladies (Sun Y et al., Rapport de recherche sur le microbiome, 2025)
Références
- Sun Y, Huang Y, Li R, et al. Évaluation et optimisation d'un flux de travail bioinformatique basé sur le microbiome pour la détection non invasive des tumeurs intestinales. Rapport de recherche sur le microbiome. 2025;4(4):43. Désolé, je ne peux pas accéder à des liens externes.
FAQ sur l'analyse des données du microbiome assistée par l'IA
1. Devrais-je choisir le séquençage d'amplicons 16S ou le séquençage métagénomique shotgun ?
Cela dépend de la résolution et des informations fonctionnelles nécessaires à votre question. Le séquençage d'amplicons 16S est rentable pour le dépistage de la communauté au niveau du genre à travers de grandes cohortes ; la métagénomique par shotgun ajoute une résolution au niveau de l'espèce/du souche et un contenu en gènes fonctionnels, à un coût et une demande computationnelle plus élevés. Nous aidons à adapter le type de données à votre question de recherche et à votre budget lors de la planification du projet.
2. Ce service peut-il diagnostiquer une maladie ou un état de santé ?
Non. Ce service est uniquement destiné à des fins de recherche. Tout modèle de classification ou panel de biomarqueurs candidats que nous fournissons est un outil de recherche pour la génération d'hypothèses, et non un test diagnostique ou clinique validé, et ne doit pas être utilisé pour des décisions de diagnostic ou de traitement.
3. Quelle est la taille minimale d'une cohorte pouvant encore soutenir l'analyse des biomarqueurs du microbiome ?
Il n'y a pas de minimum fixe, mais de très petites cohortes sont généralement mieux adaptées à l'analyse exploratoire et descriptive (comparaisons de diversité, profilage taxonomique) plutôt qu'à la classification supervisée, où le risque de surajustement augmente considérablement lorsque le nombre de caractéristiques dépasse le nombre d'échantillons.
4. Pouvez-vous intégrer les données du microbiome avec les données omiques de l'hôte ?
Oui. Les caractéristiques du microbiome peuvent être corrélées aux données transcriptomiques, protéomiques ou métabolomiques de l'hôte dans le cadre d'un projet d'intégration multi-omique plus large.
5. Comment vous protégez-vous contre les faux positifs dans les taxons ou les résultats de biomarqueurs ?
Nous utilisons des méthodes d'abondance différentielle appropriées pour des données compositionnelles et rares, évaluons le biais de lot et de cohorte avant de rapporter une découverte, et appliquons une validation croisée imbriquée avec sélection de caractéristiques limitée aux plis d'entraînement, ainsi qu'une validation de cohorte indépendante lorsque cela est possible.
Étude de cas sur l'analyse des données du microbiome assistée par l'IA
Exemple de recherche indépendante
Cette publication n'est pas un projet client de CD Genomics.
Évaluation et optimisation du flux de travail en bioinformatique basé sur le microbiome pour la détection non invasive des tumeurs intestinales
Journal : Rapports de recherche sur le microbiome
Publié : 1er décembre 2025
Contexte
L'apprentissage automatique appliqué aux données du microbiome intestinal a le potentiel d'être un outil de recherche non invasif pour étudier les changements de communauté associés aux maladies, mais la variation des types de caractéristiques, du prétraitement et des algorithmes de classification rend difficile de savoir quels choix de pipeline ont réellement de l'importance. Cette étude a systématiquement évalué les flux de travail de bioinformatique du microbiome pour classifier le statut du cancer colorectal et de l'adénome.
Matériaux et Méthodes
Cohorte
- 4 217 échantillons fécaux
- Régions et ensembles de données mondiaux diversifiés
- Cancer colorectal, adénome et statut de contrôle
Types de données
- Séquençage métagénomique par shotgun (WGS)
- Séquençage du gène 16S rRNA
- Niveaux de caractéristiques multiples (espèce, genre, ASV)
- 6 468 pipelines analytiques uniques évalués
- Six algorithmes d'apprentissage automatique comparés (RF, XGBoost, MLP, KNN, Lasso, SVM)
- Validation croisée plus validation en laissant un ensemble de données de côté
Résultats
- Les données métagénomiques par shotgun ont généralement surpassé les données 16S.
- Dans les pipelines évalués, les caractéristiques métagénomiques shotgun (WGS) ont généralement obtenu de meilleures performances de classification que les caractéristiques 16S rRNA.
- Le niveau de fonctionnalité a compté plus que le choix de l'algorithme à lui seul.
- Les caractéristiques au niveau du génome de l'espèce, de l'espèce et du genre ont montré le plus grand pouvoir discriminatoire pour les données de shotgun.
- Pour les données 16S, les caractéristiques basées sur les variants de séquence d'amplicon ont donné les meilleures performances de classification.
- La stratégie de sélection des caractéristiques a affecté la reproductibilité.
- Des outils de sélection de caractéristiques spécifiques, y compris le test de Wilcoxon pour les rangs, ont amélioré la performance et la stabilité des modèles à travers les pipelines évalués.
- La stratégie de validation croisée duale et de validation en laissant un ensemble de données de côté a permis de distinguer les pipelines qui se généralisaient à travers les cohortes de ceux qui ne le faisaient pas.
Conclusion
Le benchmarking systématique de milliers de pipelines bioinformatiques du microbiome a montré que le type de données et le niveau des caractéristiques, et pas seulement le choix de l'algorithme de classification, affectent de manière significative la performance de classification de la recherche et la généralisabilité inter-cohortes. L'étude illustre la valeur d'un benchmarking rigoureux et multi-pipelines avant de considérer un modèle basé sur le microbiome comme une signature de recherche fiable ; ce modèle et d'autres modèles comparables restent des outils de recherche et ne sont pas des tests diagnostiques.
Référence
- Sun, Yangyang, et al. "Évaluation et optimisation d'un flux de travail bioinformatique basé sur le microbiome pour la détection non invasive des tumeurs intestinales." Rapports de recherche sur le microbiome 4,4 (2025) : 43. Désolé, je ne peux pas accéder à des liens externes.
Publications connexes
Voici quelques publications qui ont été publiées avec succès en utilisant nos services ou d'autres services connexes :
La délétion de l'Egr2 chez les souris C57BL6/lpr prédisposées aux maladies auto-immunes supprime l'expression des microARN du cluster Dlk1-Dio3 sensibles à la méthylation.
Journal : ImmunoHorizons
Année : 2023
Les immunopéptidomes HLA de classe I des protéines de capside AAV
Journal : Frontières en Immunologie
Année : 2023
Les régimes riches en graisses pendant la grossesse entraînent des modifications de la méthylation de l'ADN et de l'expression des protéines dans le tissu pancréatique de la progéniture : une approche multi-omique.
Journal : Revue internationale des sciences moléculaires
Année : 2024
Voir plus articles publiés par nos clients.
