焦娜/朱立新/朱瑞新团队受邀在Nature Medicine发表微生物-疾病关系鉴定评述
基于测序获得的相对丰度数据，大量研究表明微生物与结直肠癌 （colorectal cancer, CRC）之间存在显著关联。然而，这些研究得到的CRC相关微生物特征并不一致[1]。科研工作者们做了很多尝试来消除这些差异，比如，常用的方法是对不同队列进行荟萃分析（meta-analysis），以矫正不同研究或队列的偏差[2,3]，但该措施并没有完全消除不一致性，也没有显式地考虑到额外混杂因素。需要提醒的是，该现象并不仅限于CRC研究，在微生物组学相关领域中普遍存在。4月30日，Tito et al.在Nature Medicine发表文章Microbiome confounders and quantitative profiling challenge predicted microbial targets in colorectal cancer development [4]，该工作应用了新的范式，即联合定量微生物组数据（quantitative microbiome profiling，QMP）和基于混杂因素控制的因果分析（causal analysis）策略，挑战了以往报道的结直肠癌微生物标志物的有效性，并且对微生物组研究领域起到了警示作用。焦娜/朱立新/朱瑞新团队受邀在Nature Medicine对此工作进行评述，详细阐述了当下微生物组研究中的两个主要挑战。
基于相对丰度的微生物组分析的局限
第一个挑战在于广泛使用的相对微生物组分析方法（relative microbiome profiling, RMP）本质上是组分数据（compositional data），无法提供所采样本中的微生物负荷（microbial loads）信息。鉴于样本间微生物负荷的显著变化，RMP提供的相对丰度数据无法准确量化物种和功能变化的程度和方向[5]。此外，RMP可能会导致微生物特征与临床元数据（clinical metadata）之间的相关性产生偏差[6]，这进一步强调了在微生物组分析中需要采用绝对定量策略的重要性。对结直肠癌CRC粪便样本使用流式细胞术进行微生物细胞计数，结合16S rRNA测序数据，Tito et al.展示了QMP方法的强大能力[4]。他们的分析质疑了先前RMP研究识别的某些候选生物标志物，例如Solobacterium moorei和Mogibacterium pumilum，这强调了QMP在减少偏差方面的价值。
其他实验技术，如定量PCR，DNA-spike-ins 或者cell-spike-ins，也是常用的获取定量微生物数据的途径[5,6]。同时，也有多种计算方法试图缓解RMP组成特性的限制，包括CLR（centered log ratio）和RLE（relative log expression），遗憾的是，这些方法尚未实现评估微生物负载的目标[6]。基准分析还表明，在识别taxon-metadata关联和taxon-taxon相互作用方面，定量方法明显优于这些改进的相对或组分方法[6]。
从相关分析到因果分析的挑战
第二个主要挑战是需要从观察到的大量相关性中识别因果关系[7]。为了解析微生物与疾病之间的因果关系，常用的一种策略是移植人类微生物群的啮齿动物模型。然而，由于人类和啮齿动物肠道微生物之间固有的差异[8]，我们需要对基于动物模型的因果关系保持谨慎。令人振奋的是，目前正不断开发新的算法来推动数据驱动的研究（也称为数据密集型研究），包括从人类宏基因组测序数据中建立因果关系。作为一个显著的例子，Tito et al.在其分析中使用了一种“混杂因素控制（confounder control）”策略，挑战了CRC与之前报道的生物标志物Fusobacterium nucleatum之间的关联。这警示我们要对谨慎对待“明星”微生物与疾病之间的关联，并强调了在研究微生物与疾病关系时识别和控制混淆因素的重要性。
混杂因素控制是目前微生物研究中常见的因果分析策略，它通过将混杂因素视为协变量来消除混杂变量对暴露变量和结局变量的影响[9]。在科学研究中，理解各种因素之间的关系过程，如同攀爬一架“因果之梯”[9]。 第一层次上为“看（Seeing）”，也就是关联，我们使用相关性分析等技术观察此模式，但这些模式并未揭示全部事实。随后，我们前进到下一个层次 “做（Doing）”，即干预，我们通过控制其它变量来探究行动对结果的真实影响，Tito et al.的工作充分体现了此过程。最后，最高层为 “想象（Imagining）”，即反事实，我们研究在假设的相反情景下行动对结果影响的反差来确定因果关系，也就是“what-if”的问题。作为控制混杂因素方法的代表，孟德尔随机化、中介分析和结构方程模型正被广泛用于识别微生物与疾病之间的因果关系。而一些基于模型模拟的新兴策略也逐渐出现，其直接模拟“反事实”以衡量干预的效果[10,11]。
定量微生物组与因果分析两者不可或缺
尽管应用QMP 或confounder control的策略能够过滤掉一些虚假的微生物-疾病关联，但Tito et al.的工作进一步表明两者的联合应用对于确定真实的微生物组-疾病关系至关重要。基于两者联用新策略，作者进一步排除了Alistipes onderdonkii，同时也验证了结直肠癌与包括Anaerococcus vaginalis、Dialister pneumosintes和Parvimonas micra在内的六种微生物种的真实关联（图1）。值得注意的是，confounder control的有效性取决于是否获得全面的元数据（metadata），包括微生物组内在和外在因素，这些因素显著影响着微生物的个体差异。这要求研究人员，特别是在研究设计阶段，仔细考虑影响结果的变量，并进行全面的数据收集。另一方面，在常见的病例-对照（case/control）研究框架下，招募成对的健康一级亲属作为对照组（如双胞胎或兄弟姐妹），因为这些亲属共享相同的遗传背景和环境，可以大大减少混杂因素的影响[12]，特别是在面对未知或难以测量的混杂因素的情形下。
总体而言，Tito et al.的研究给当前微生物组研究提出重要警示，并提供了推动该领域前进的有效解决方案（QMP与因果分析的联合应用）。在生物信息学、临床医学和基础研究团队等的紧密协作下，疾病相关的微生物组研究将从单纯的相关性分析向因果关系探索迈进，从而增强了对疾病的真正有效诊断生物标志物和治疗策略的识别。
定量微生物组数据结合因果分析（Jiao N,et al. Nat. Med, 2024）
参考文献：
1. Wong, C. C. & Yu, J. Nat. Rev. Clin. Oncol. 20, 429–452 (2023).
2. Thomas, A. M. et al. Nat. Med. 25, 667–678 (2019).
3. Wirbel, J. et al. Nat. Med. 25, 679–689 (2019).
4. Tito, R. Y. et al. Nat. Med. https://doi.org/10.1038/s41591-024-02963-2 (2024).
5. Vandeputte, D. et al. Nature 551, 507–511 (2017).
6. Lloréns-Rico, V., Vieira-Silva, S., Gonçalves, P. J., Falony, G. & Raes, J. Nat. Commun. 12,
3562 (2021).
7. Corander, J., Hanage, W. P. & Pensar, J. Lancet Microbe 3, e881–e887 (2022).
8. Walter, J., Armet, A. M., Finlay, B. B. & Shanahan, F. Cell 180, 221–232 (2020).
9. Pearl, J., Glymour, M. & Jewell, N. P. Causal Inference in Statistics: A Primer (John Wiley & Sons, 2016).
10. Wu, D. et al. iMeta 1, e61 (2022).
11. Richens, J. G., Lee, C. M. & Johri, S. Nat. Commun. 11, 3923 (2020).
12. Chen, W. et al. Preprint at bioRxiv https://doi.org/10.1101/2024.02.24.581863 (2024).
论文信息：Jiao, Na*, Zhu, Lixin* & Zhu, Ruixin*. The search for authentic microbiome–disease relationships. Nat Med (2024). https://doi.org/10.1038/s41591-024-02920-z
焦娜(复旦大学)/朱立新（中山大学）/朱瑞新（同济大学）联合团队研究方向聚焦微生物组与人工智能，包括基于因果推理的微生物与宿主互作；面向合成生物学的微生物资源挖掘；面向数据密集型研究新范式的微生物组学分析方法及平台开发。常年招聘博士后，欢迎加入。
复旦大学生命科学学院微生物学与免疫学系、复旦大学微生物组中心焦娜课题组诚聘微生物组研究博士后
焦娜博士现任复旦大学生命科学学院微生物学与免疫学系、复旦大学微生物组中心青年研究员、博士生导师。2019年毕业于同济大学，获得生物学博士学位（生物信息学方向）。2019-2021年在中山大学附属第六医院从事博士后研究。2021-2023年在浙江大学医学院附属儿童医院国家儿童健康与疾病临床医学研究中心任特聘研究员（课题组长）。2024年1月引进到复旦大学生命科学学院微生物学与免疫学系、复旦大学微生物组中心。近年来围绕微生物与慢病防治、微生物-宿主互作，以第一或通讯作者身份(含并列)在Nature Microbiology、Nature Communications、Cell Reports Medicine、Gut 和 Gut Microbes等期刊上发表了多篇研究论文，其中3篇ESI高被引论文。入选博士后创新人才支持计划和获得国家自然科学基金青年科学基金项目资助。课题组研究方向：1）基于因果推理的微生物与宿主互作；2）面向合成生物学的微生物资源挖掘；3）面向数据密集型研究新范式的微生物组学分析方法及平台开发。详情可访问https://life.fudan.edu.cn/0f/e9/c31282a659433/page.htm 或 https://cadd.tongji.edu.cn/info/1053/1143.htm。
复旦大学微生物组中心在著名分子微生物学家，中国科学院院士赵国屏先生的领导下，旨在:（1）发挥复旦大学在生命科学、大数据、物理、化学、材料等领域基础学科完备的优势，促进学科间的交叉研究，为微生物组学研究开辟新方向、提供新动力；（2）利用复旦大学高质量的队列数据、先进的表型组研究经验、丰富的附属医院临床资源，加强基础研究与临床研究的密切合作，从人体微生物组角度推进精准医学的发展。
【应聘条件】
1. 热爱科学研究，思想品德端正，恪守学术道德；
2. 近三年内获得博士学位，条件优秀者适当放宽，微生物学、生物信息学、统计学等学术背景优先；
3. 能够独立开展科研工作，协助指导研究生、本科生；
4. 有良好得沟通和学习能力，责任心强，兴趣浓厚。
【福利待遇】
1．提供优厚的博士后薪酬：年薪不少于35万，具体面议。其他待遇参照复旦大学相关标准，包括博士后公寓、户口、子女入学、社会保险和住房公积金等。
2. 支持申请博士后科学基金和国家自然科学基金青年等项目，根据研究需要资助参与各类学术交流活动。
【应聘方式】
请将以下应聘材料通过电子邮件发至邮箱najiao@fudan.edu.cn，邮件标题请注明“博士后应聘+姓名”, 我们承诺对申请材料保密。初审合格后，将统一通知面试，择优录用。
1. 个人简历
2. 应聘函：包括研究或工作兴趣、过往科研工作介绍、职业理想及规划、拟入职时间等。
3. 两封专家推荐信，其中一封为博士期间导师的推荐信。
上述招聘有效期：应聘信息在职位满额前一直有效。