公開シーケンスリポジトリには、研究間比較、再現性解析、腸内細菌叢基盤モデル開発を支える可能性のある大量の腸内細菌叢データが含まれている。しかし、これらのデータがアーカイブ規模でどの程度構造化され、調和され、再利用可能であるかは明らかでない。そこで本研究では、Google BigQueryを用いて、NCBI Sequence Read Archiveに公開されている腸内細菌叢シーケンスメタデータを特徴づけた。対象は、ヒト腸内メタゲノム、マウス腸内メタゲノム、ならびに幅広く注釈された腸内メタゲノム記録である。時間的な増加、シーケンス深度、BioSampleおよびBioProjectの構造、プラットフォームと機器の利用、メタデータ完全性、宿主帰属、出版物との連結、連結文献から読み取れる研究テーマを評価した。公開された腸内細菌叢データは時間とともに大幅に増加し、ヒト関連データセットとIlluminaシーケンスプラットフォームに支配されていた。主要な技術メタデータ項目は高い完全性を示したが、再利用のために必要となる生物学的文脈、すなわち宿主同定、表現型、研究デザイン、疾患状態は、しばしば一貫した形で符号化されておらず、BioSampleの属性や連結された出版物からの復元が必要であった。「汎用の腸内メタゲノム」コホートでは、宿主同定を13.00%のBioSampleに対してのみ割り当て可能であり、自動化されたコホート構築に対する、幅広い生物注釈の限界が示された。出版物との連結もアーカイブレベルでは不完全であったが、連結されているほとんどの出版物からは利用可能なテキストが回収できた。SRAに連結された文献に対するトピックモデリングでは、腸内細菌叢の主要構成に関する強調が持続していること、またヒトコホートと乳児の腸内細菌叢研究の表象が増加していることが示された。総じて、本結果は、公開腸内細菌叢データが広範で技術的に豊富である一方で、解析準備が一様ではないことを示している。大規模な再利用とAIに適した腸内細菌叢データ資源を支えるためには、メタデータの改善された調和、出版物との連結の強化、生物学的文脈の回復が必要となる。
https://doi.org/10.64898/2026.08.31.742652