微生物叢研究は、方法論の不整合によって再現性と機能的洞察が低下することが多い。従来の分類学に基づくプロファイリングは、データが疎で解像度がばらつき、gDNAシーケンシングに依存するため、微生物機能との間接的な連結しか得られないという限界がある。多オミクス統合は、コミュニティ組成と機能出力を結び付ける枠組みを提供するが、標準化された枠組みの欠如と、機械学習の不統一な利用によって進展が阻まれてきた。とりわけ、バイオマーカー探索と実験的検証に中核となる特徴選択の安定性は、ほとんど検討されていない。ここでは、7つの多オミクス統合戦略と単一オミクスモデルにわたって、3つの広く用いられるアルゴリズム（Elastic Net、Random Forest、XGBoost）を体系的にベンチマークした。さらに、メタボロミクスと分類学的豊度データを変換することの影響を評価した。メタゲノム分類学的プロファイルとメタボロミクスを統合するヒト腸内マイクロバイオームデータセットを用いて、データセットごとに20の学習／テスト分割にわたり、9つの2値アウトカムと8つの連続アウトカムに対するモデルを評価した。加えて、特徴削減が予測精度と特徴選択安定性の両方に与える効果を調べた。非線形学習器は最も一貫して競争力が高かった。連続アウトカムではメタボロミクス優勢モデルが有利であり、2値アウトカムでは積層型の多オミクス統合モデルが有利であった。Random ForestとXGBoostもまた、特に高次元のメタボロミクス全特徴において、特徴選択の安定性をより大きくもたらした。これらの結果は、統合戦略、アルゴリズムの選択、データ前処理が、多オミクス・マイクロバイオームモデリングにおける予測性能と特徴選択の再現性をいかに同時に形作るかを示している。
https://doi.org/10.1101/2025.06.21.660858