表現学習のための、身体部位横断のヒトマイクロバイオームコーパス Corpusome

ヒトマイクロバイオームの機械学習モデルは、単一コホート由来の便サンプルに基づいて学習されることが多く、身体部位横断の表現や研究間の一般化が制限される。この進展の制約は、アルゴリズムの欠如というより、バッチ構造を無視するのではなくモデル化するために必要な技術メタデータを含む、調和された多身体部位コーパスの不在にある。ここでは、表現学習のための2階層からなる身体部位横断ヒトマイクロバイオームコーパスを調和した Corpusome を公開する。Corpusome は、curatedMetagenomicData、American Gut Project、EBI MGnify プラットフォームからの標準化されたプロファイルを統合し、187,546のヒトマイクロバイオームサンプルから成る調和済みコーパスである。

Corpusome は、機能的な深さと身体部位横断の幅の双方を保持する2階層設計に従う。ショットガン階層（22,588サンプル、93研究）では、種および経路レベルのプロファイルを扱う。16S階層（164,958サンプルで、MGnify の708研究の完全な抽出から得る）では、属レベルのプロファイルにより、口腔、皮膚、呼吸器、泌尿生殖器部位へのカバレッジを拡張する。Corpusome は6つの身体部位と2つのモダリティにまたがり、バッチを意識したモデリングのための調和済みメタデータを備える。16S階層においては、身体部位のシグナルが技術／ソースの分散を約2.4倍上回る。

https://doi.org/10.64898/2026.08.28.747922