CN111315899A - 与鼻部微生物组相关的鼻有关表征 - Google Patents
与鼻部微生物组相关的鼻有关表征 Download PDFInfo
- Publication number
- CN111315899A CN111315899A CN201880071816.XA CN201880071816A CN111315899A CN 111315899 A CN111315899 A CN 111315899A CN 201880071816 A CN201880071816 A CN 201880071816A CN 111315899 A CN111315899 A CN 111315899A
- Authority
- CN
- China
- Prior art keywords
- user
- nasal
- microbiome
- nose
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
- C12Q1/689—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for bacteria
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/30—Unsupervised data analysis
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/106—Pharmacogenomics, i.e. genetic variability in individual responses to drugs and drug metabolism
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Microbiology (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
用于鼻有关表征的方法能够包括确定与受试者集合相关的微生物数据集;和/或基于所述微生物数据集、即微生物组,基于从人获得的鼻部样品以及与从人获得的微生物组数据集的比较来执行表征过程,其中地理位置、气候、日历季节和人的年龄能够用作数据集中的补充数据。
Description
相关申请的交叉引用
本申请要求2017年9月06日提交的美国临时申请系列号62/554,985的权益,其通过引用整体合并在本文中。
本申请与2017年5月26日提交的美国申请系列号15/606,743相关,其是2015年10月21日提交的美国申请系列号14/919,614的延续,其要求2014年10月21日提交的美国临时申请系列号62/066,369、2014年12月4日提交的美国临时申请系列号62/087,551、2014年12月17日提交的美国临时申请系列号62/092,999、2015年4月14日提交的美国临时申请系列号62/147,376、2015年4月14日提交的美国临时申请系列号62/147,212、2015年4月14日提交的美国临时申请系列号62/147,362、2015年4月13日提交的美国临时申请系列号62/146,855、以及2015年8月18日提交的美国临时申请系列号62/206,654的权益,它们中的每个通过引用整体合并在本文中。
技术领域
本公开一般涉及基因组学和微生物学。
背景技术
微生物组可以包括与生物体相关的共栖(commensal)、共生(symbiotic)和致病性微生物的生态群落。人类微生物组的表征是一种复杂的过程。人类微生物组包括超过人类细胞10倍的微生物细胞,但是由于样品处理技术、遗传分析技术和处理大量数据的资源的限制,人类微生物组的表征仍然处于初期阶段。目前的知识已经清楚地确定了微生物组与多种健康状况的关联作用,并已成为关于人类疾病发展的宿主遗传和环境因素的日益了解的媒介。怀疑微生物组在许多与健康/疾病相关的状态中起到至少部分的作用。进一步地,微生物组可以介导环境因素对人类、植物和/或动物健康的影响。考虑到微生物组在影响用户健康方面的深刻意义,应当继续与微生物组表征相关的工作、从所述表征生成见解、和/或生成配置为以矫正失调状态的治疗。
鼻通道是人体中微生物多样性的主要储库之一。这个储库的重要特征是它与环境持久接触,微生物组成的改变可以反应地理学的和时间的变化。鼻通道还在人体健康中起到重要作用,为通向人体的第一屏障之一的一部分。
然而,基于获得的见解分析人类的微生物组(例如,鼻部微生物组)、确定表征和/或提供治疗措施的常规方法留有许多未解决的问题。
附图说明
图1A-1B包括方法的实施方式的变体的流程示意图;
图2包括方法和系统的实施方式的变体;
图3A-3D包括与日历季节和气候类型相关的分类群分布的具体实施例;
图4包括方法的实施方式的变体的流程示意图;
图5包括在方法的实施方式中生成表征模型的过程的变体;
图6包括基于益生菌的疗法在方法的实施方式中起作用的机制的变体;
图7包括方法的实施方式中样品处理的变体;
图8包括通知提供的实施例;
图9包括方法的实施方式的变体的示意图;
图10A-10B包括使用模型执行表征过程的变体;
图11包括在方法的实施方式中推广疗法;
图12包括与样品集合相关的地理位置、气候类型和样本数量的具体实施例。
具体实施方式
实施方式的以下描述不意图限制所述实施方式,而是使本领域的任何技术人员能够制造和使用。
1.概述
如图1A-1B所示,方法100的实施方式(例如,与微生物相关的鼻有关表征,等)可以包括:确定与用户集合相关的微生物数据集(例如,微生物序列数据集、诸如基于微生物序列数据集的微生物组组成多样性数据集、诸如基于微生物序列数据集的微生物组功能多样性数据集,等)(例如,基于来自受试者集合的样品确定微生物数据集)S110;和/或基于微生物数据集(例如,基于来自于微生物数据集并与一种或多种鼻有关病症相关的微生物组组成特征和/或微生物组功能特征;等)执行表征过程(例如,预处理、特征确定、特征处理、鼻有关表征模型处理,等)S130,其中执行表征过程可以额外地或替代地包括执行鼻有关表征过程(例如,用于与样品相关的日历季节预测、用于一种或多种鼻有关病症,等)S135,和/或确定一种或多种疗法(例如,确定用于预防、改善、降低一种或多种鼻有关病症的风险,和/或要不改善一种或多种鼻部相关病症的疗法,等)S140。
方法100的实施方式可以额外地或替代地包括以下中的一个或多个:处理补充数据(例如,用于为用户确定一种或多种鼻有关表征,等)S120;处理一个或多个与用户(例如,受试者、人类、动物、患者,等)相关的生物样品S150;使用一种或多种表征过程,基于与用户的生物样品相关的(例如,来自于生物样品的样品处理和/或排序,等)用户微生物数据集(例如,用户微生物序列数据集、用户微生物组组成数据集、用户微生物组功能数据集、来自于用户微生物数据集的用户微生物组特征,其中用户微生物组特征可以相当于从一种或多种表征过程确定的微生物组特征的特征值;等),确定与用户相关的鼻有关表征S160;促进用户的一种或多种鼻有关病症的治疗干预(例如,向用户提供疗法)(例如,基于鼻有关表征和/或疗法模型;用于促进一种或多种鼻有关病症的改善;等)S170;随时间(例如,基于处理来自用户的一系列生物样品)监测用户的一种或多种疗法的效果和/或监测其他适合的组分(例如,微生物组特征等)(例如,随时间对用户评估用户微生物组特征、例如与疗法相关的用户微生物组组成特征和/或功能特征等)S180;和/或任何其他适合的过程。
在具体的实施例中,方法100(例如,用于与微生物相关的鼻有关表征,等)可以包括基于来自从受试者集合的鼻部部位(和/或其他适合的身体部位)收集的样品的微生物核酸,确定与受试者集合(例如,包括与地理多样性、气候类型多样性、年龄多样性、人口统计数据多样性等相关的受试者;包括具有一种或多种鼻有关病症的受试者;包括没有鼻有关病症的受试者,其中与这样的受试者相关的样品和/或数据可以作为对照;等)相关的微生物序列数据集;基于微生物序列数据集,确定微生物组特征集合,其包括(例如,基于使用与样品相关的微生物序列数据集和/或补充数据、应用分析技术提取的;等)微生物组组成特征集合与微生物组功能特征集合的至少一种;基于与受试者集合相关的微生物组组成特征和补充数据的集合(例如,补充数据包括与所述样品和/或受试者相关的日历季节、地理位置、气候状态、年龄、采样时间、鼻有关病症数据和/或其他数据;等),产生鼻有关表征模型(例如,用于预测一种或多种样品的日历季节、地理位置、气候状态和/或其他适合的参数,等);和/或基于鼻有关表征模型和在用户的鼻部部位(和/或其他适合的身体部位)收集的用户样品,确定与用户相关的一种或多种鼻有关表征(例如,确定与用户样品相关的、诸如与采样时间有关的日历季节;确定用户的一种或多种鼻有关病症的表征;等)。
在具体的实施例中,方法100(例如,用于与微生物相关的鼻有关表征,等)可以包括从用户收集样品(例如,通过样品试剂盒提供和收集,等),其中样品来自于用户的鼻部部位(和/或其他适合的身体部位)并且包括微生物核酸;基于样品的微生物核酸(例如,基于样品制备和/或样品的排序,等)确定与用户相关的微生物数据集;基于微生物数据集确定用户微生物组特征(例如,包括用户微生物组组成特征和/或用户微生物组功能特征的至少一种,等);和/或确定一种或多种鼻有关表征(例如,确定与用户样品相关的、诸如与采样时间有关的日历季节;确定用户的一种或多种鼻有关病症的表征;等)。
方法100和/或系统200的实施方式可以起到例如,基于给定时间点的用户的鼻部微生物组(例如,考虑到与预测收集的样品的来源和/或季节有关的鼻部微生物组中的地理和时间变化,等),确定一种或多种鼻有关表征(例如,样品的日历季节预测;样品的、与来源有关的地理位置预测;一种或多种鼻有关病症的表征;等)的作用。
在具体的实施例中,鼻有关表征可以基于与以下中的至少一种相关的微生物组组成特征(例如,相对丰度特征):贫养菌属(Abiotrophia)、无色杆菌属(Achromobacter)、不动杆菌属(Acinetobacter)、放线杆菌属(Actinobacillus)、放线菌属(Actinomyces)、凝聚杆菌属(Aggregatibacter)、别样杆菌属(Alistipes)、拟普雷沃氏菌属(Alloprevotella)、厌氧球菌属(Anaerococcus)、厌氧棒状菌属(Anaerostipes)、厌氧芽孢杆菌属(Anoxybacillus)、水杆菌属(Aquabacterium)、节杆菌属(Arthrobacter)、奇异菌属(Atopobium)、芽胞杆菌属(Bacillus)、拟杆菌属(Bacteroides)、伯杰氏菌属(Bergeyella)、双歧杆菌属(Bifidobacterium)、布劳特氏菌属(Blautia)、慢生根瘤菌属(Bradyrhizobium)、短杆菌属(Brevibacterium)、短波单胞菌属(Brevundimonas)、伯克霍尔德菌属(Burkholderia)、弯曲菌属(Campylobacter)、二氧化碳噬纤维菌属(Capnocytophaga)、柄杆菌属(Caulobacter)、蜈蚣菌属(Centipeda)、金黄杆菌属(Chryseobacterium)、柯林斯氏菌属(Collinsella)、棒状杆菌属(Corynebacterium)、异常球菌属(Deinococcus)、戴尔福特菌属(Delftia)、皮杆菌属(Dermabacter)、小杆菌属(Dialister)、狡诈球菌属(Dolosigranulum)、多尔氏菌属(Dorea)、肠杆菌属(Enterobacter)、粪杆菌属(Faecalibacterium)、芬戈尔德菌属(Finegoldia)、黄杆菌属(Flavobacterium)、镰刀链杆菌属(Fusicatenibacter)、梭菌属(Fusobacterium)、孪生球菌属(Gemella)、颗粒链菌属(Granulicatella)、嗜血杆菌属(Haemophilus)、草螺菌属(Herbaspirillum)、嗜氢菌属(Hydrogenophilus)、克雷伯氏菌属(Klebsiella)、克吕沃尔菌属(Kluyvera)、考克氏菌属(Kocuria)、乳杆菌属(Lactobacillus)、乳球菌属(Lactococcus)、劳特罗普氏菌属(Lautropia)、纤毛菌属(Leptotrichia)、马拉色氏霉菌属(Malassezia)、巨球型菌属(Megasphaera)、亚栖热菌属(Meiothermus)、甲基杆菌属(Methylobacterium)、微球菌属(Micrococcus)、莫拉氏菌属(Moraxella)、分枝杆菌属(Mycobacterium)、阴性球菌属(Negativicoccus)、奈瑟氏菌属(Neisseria)、新鞘脂菌属(Novosphingobium)、苍白杆菌属(Ochrobactrum)、泛菌属(Pantoea)、副拟杆菌属(Parabacteroides)、微单胞菌属(Parvimonas)、嗜糖假单胞菌属(Pelomonas)、嗜冻菌属(Peptoniphilus)、消化链球菌属(Peptostreptococcus)、叶杆菌属(Phyllobacterium)、卟啉单胞菌属(Porphyromonas)、普氏菌属(Prevotella)、丙酸菌属(Propionibacterium)、伪丁酸弧菌属(Pseudobutyrivibrio)、假单胞菌属(Pseudomonas)、雷尔氏菌属(Ralstonia)、根瘤菌属(Rhizobium)、罗氏菌属(Roseburia)、罗思氏菌属(Rothia)、八叠球菌属(Sarcina)、申氏杆菌属(Shinella)、鞘脂单胞菌属(Sphingomonas)、葡萄球菌属(Staphylococcus)、寡养单胞菌属(Stenotrophomonas)、链球菌属(Streptococcus)、韦荣氏球菌属(Veillonella)、副萨特氏菌属(Parasutterella)、红假单细胞菌属(Rhodopseudomonas)、黄单胞菌属(Xanthomonas)、中慢生根瘤菌属(Mesorhizobium)、费克蓝姆氏菌属(Facklamia)、金氏菌属(Kingella)、红杆菌属(Rhodobacter)、赖氨酸芽孢杆菌属(Lysinibacillus)、皮生球菌属(Dermacoccus)、心杆菌属(Cardiobacterium)和/或其他适合的分类群(例如,地理位置参数的信息;日历季节和/或其他采样时间参数;鼻有关病症;等)。
额外地或替代地,方法100和/或系统200的实施方式可以起到鉴定与一种或多种鼻有关表征相关(例如,与鼻有关病症相关;等)(例如,正相关、负相关,等)的微生物组特征、(例如,来自补充数据的,等)补充特征和/或其他适合的数据的作用,例如,用作生物标志物(例如,用于诊断过程、用于治疗过程,等)、用于样品鉴定和/或跟踪,和/或其他适合的目的。在实施例中,可以鉴定、应用和/或要不使用微生物组特征与环境因素(例如,日历季节、其他采样时间参数、地理位置、生活状况、气候类型,等)之间的关联(例如,用于预测与新的样品相关的环境因素,等)。在实施例中,鼻有关表征可以与微生物组组成(例如,微生物组组成多样性,等)、微生物组功能(例如,微生物组功能多样性,等)和/或其他适合的微生物组相关方面中的至少一种或多种相关联。在实施例中,例如,通过使用本文描述的生物信息学管线(bioinformatics pipeline)、分析技术和/或其他适合的方法,微生物特征(例如,例如,对于表现一种或多种鼻有关病症的受试者,描述例如,与用户的微生物组中存在的微生物的相对丰度有关的、可识别模式的组成、功能和/或多样性;等)和/或微生物数据集(例如,从中可以得出微生物组特征,等)可以用于表征(例如,诊断、风险评估,等)、治疗干预促进、监测和/或其他适合的目的。额外地或替代地,方法100和/或系统200的实施方式例如在表征(例如,诊断、提供相关信息,等)和/或治疗用户的情况下,可以起到对多种鼻有关病症执行交叉(across)病症分析的作用(例如,对多种鼻有关病症执行表征过程,例如,确定不同鼻有关病症之间的相关性、协变性、共患病(comorbidity)和/或其他适合的关系,等)。
额外地或替代地,实施方式例如通过相关疗法(例如,与具体的身体部位、例如鼻部部位和/或包括肠道部位、皮肤部位、口腔部位、生殖器部位、其他收集部位的任何一个或多个的其他适合的身体部位有关;通过疗法模型确定的疗法;等)的推广(promote),可以起到促进一种或多种鼻有关病症的治疗干预(例如,疗法选择、疗法推广和/或提供、疗法监测、疗法评估,等)的作用。额外地或替代地,实施方式可以起到生成模型(例如,鼻有关表征模型,例如用于样品元数据预测、用户特征预测和/或表型预测;疗法模型,例如用于疗法确定;机器学习模型,例如用于特征处理;等)的作用,例如,可以用于基于用户的微生物组(例如,用户微生物组特征;作为临床诊断;作为伴随诊断,等)来表征和/或诊断用户的模型,和/或可以用于为与一种或多种鼻有关病症有关的受试者选择和/或提供疗法的模型。额外地或替代地,实施方式可以执行本文描述的任何适合的功能。
因而,来自用户群体(例如,与一种或多种鼻有关病症相关的受试者的群体;与一种或多种鼻有关病症正相关或负相关;等)的数据可以用于表征随后的用户,例如,用于指示健康的微生物相关的状态和/或改善的区域,和/或促进例如与一种或多种鼻有关病症有关的治疗干预(例如,推广一种或多种疗法;促进将用户的微生物组的组成和/或功能多样性朝向一种或多种期望的平衡状态、例如与一种或多种鼻有关病症相关的改进的健康状态相关的状态集合调节;等)。方法100的变体例如通过交叉身体部位(例如,交叉用户的样品采集部位,例如,对应于诸如鼻部部位、肠道部位、口腔部位、皮肤部位、生殖器部位的特定身体部位类型的采集部位;等)随时间(例如,随多个日历季节;在治疗方案的整个进程,通过鼻有关病症的用户的体验的程度;等)收集并分析(例如,使用鼻有关表征模型)来自用户的额外的样品,可以进一步促进选择、监测(例如,效力监测,等)和/或调节提供给用户的疗法,另外或替代地处理随时间的补充数据,例如,用于一种或多种鼻有关病症。然而,来自群体、子群体、个体和/或其他适合的实体的数据可以由方法100和/或系统200的实施方式的任何适合的部分为了任何适合的目的来使用。
方法100和/或系统200的实施方式可以优选地确定和/或推广(例如,提供、呈现、通知有关,等)一种或多种鼻有关病症的表征和/或疗法,和/或方法100和/或系统200的实施方式的任何适合的部分可以关于鼻有关病症来执行。
鼻有关病症可以包括以下中的一种或多种:鼻窦感染、鼻息肉、枯草热、鼻中隔偏曲、过敏、鼻炎(例如,慢性萎缩性鼻炎、非过敏性鼻炎,等)、鼻液溢、慢性鼻窦炎、细菌性鼻感染、鼻出血、鼻后滴、复发性呼吸道乳头状瘤病、喉部乳头状瘤病、流鼻涕、鼻窦肿瘤、鼻塞、鼻充血、癌(例如,鼻窦未分化癌,等)、真菌性鼻窦炎、嗅觉缺失、后鼻孔闭锁、原发性纤毛运动障碍、倒置性乳头状瘤、鼻中的物体、鼻咽癌、曲霉病、呼吸道感染、传染病、和/或与鼻部和/或鼻通道相关的任何适合的病症。
额外地或替代地,鼻有关病症可以包括以下中的一种或多种:疾病、症状、病因(例如,诱因;等)、相关严重度、行为(例如,身体活动行为;饮酒;吸烟行为;压力有关的特征;其他心理特征;恶心;社会行为;咖啡因消费;饮酒;睡眠习惯;其他习惯;饮食有关的行为,例如,纤维摄取、水果摄取、蔬菜摄取;冥想和/或其他松弛行为;与鼻有关病症相关的生活方式状况;鼻有关病症的诊断和/或治疗性干预提供信息的、对应的、指示的、促进的、和/或要不其他相关的生活方式状况;影响鼻部和/或鼻有关病症的行为和/或要不与之相关的行为;等)、环境因素(例如,日历季节、其他采样时间、地理位置、气候类型,等)、人口统计数据有关的表征(例如,年龄、体重、种族、性别,等)、表型(例如,可测量的人类、动物、植物、真菌体的表型;与鼻部和/或其他有关方面相关的表型,等)和/或与鼻有关病症相关的任何其他适合的方面。在实施例中,一种或多种鼻有关病症可以干扰正常的身体、心智、社交和/或情绪功能。
方法100和/或系统200的实施方式可以对单个用户实施,例如,对于应用一种或多种样品处理过程和/或表征过程,用于处理来自用户的(例如,交叉一个或多个收集部位收集的,等)一种或多种生物样品,用于鼻有关表征、促进治疗干预和/或用于任何其他适合的目的。额外地或替代地,实施方式可以对受试者群体(例如,包括用户,排除用户)实施,其中受试者群体可以包括与任何其他受试者在任何适合的表征类型相似和/或不相似的受试者(例如,与鼻有关病症有关、人口统计学表征、行为、微生物组组成和/或功能,等);方法100和/或系统200的实施方式可以对用户的子群体(例如,共有表征,例如,影响鼻有关表征和/或疗法确定的表征)实施;对植物、动物、微生物和/或任何其他适合的实体实施。因而,来自受试者集合(例如,受试者的群体、受试者的集合、用户的子群体,等)的信息可以用于为随后的用户提供额外的见解。在变体中,生物样品的聚集集合优选地与各种各样的受试者相关并进行处理,受试者例如,包括以下中的一种或多种的受试者:不同的人口统计数据表征(例如,性别、年龄、婚姻状况、种族、国籍、社会经济地位、性取向,等)、不同的鼻有关病症(例如,健康和疾病状态、不同的遗传分布,等)、不同的生活情况(例如,独居、与宠物同住、与重要的他人同住、与儿童同住,等)、不同的饮食习惯(例如,杂食、素食、绝对素食、糖类消费、酸消费、咖啡因消费,等)、不同的行为倾向(例如,身体活动水平、药物使用、酒精使用,等)、不同的活动水平(例如,与给定时间段的远途旅行有关的)、和/或任何其他适合的表征(例如,影响微生物组组成和/或功能的表征、与之相关联和/或要不与之相关,等)。在实施例中,随着受试者的数量增加,可以增加方法100和/或系统200的实施方式的部分中实施的过程的预测能力,例如,关于基于他们的微生物组(例如,关于用户的样品的不同收集部位,等)表征随后的用户(例如,利用变化的表征,等)。然而,方法100和/或系统200的实施方式的部分可以以任何适合的方式对任何适合的实体来执行和/或配置。
在变体中,方法100的实施方式的部分可以以任何适合的顺序重复地执行,和/或系统200的实施方式的任何适合的组件可以重复地应用,例如,以改进方法100的实施方式的任何适合的部分和/或系统200的实施方式的任何适合的组件。在实施例中,方法100的实施方式的部分可以重复地进行以能够改进(refine)一个或多个微生物数据库(例如,通过鉴定与不同的分类群和/或病症相关的新标志物来改进分类的数据库,例如,通过收集和分析一种或多种鼻有关病症和/或治疗干预的过程中的额外的样品、例如,随着时间从受试者采集的样品;等);改进表征过程(例如,通过更新用于与用户靶点的相对丰度比较的参考丰度例如用于鉴定临床上有关的结果;通过生成和更新表征模型;通过提高可以使用单个生物样品表征的病症的数量;等);疗法过程(例如,通过使用疗法随着时间监测和调节微生物组组成,例如,通过随时间重复执行表征过程,例如,其中可以基于具有敏感性、特异性、精确性和阴性预测价值的表征结果选择疗法;等)和/或其他适合的过程。
本文描述的数据(例如,微生物组特征、微生物数据集、模型、鼻有关表征、补充数据、通知,等)可以与任何适合的时间指标(例如,秒、分钟、小时、天、周、月、日历季节、年,等)相关,该时间指标包括以下中的一种或多种:指示何时收集(例如,指示何时收集样品、采样时间的时间指标;等)、确定、传输、接收和/或要不处理的时间指标;为数据描述的内容提供背景的时间指标(例如,与鼻有关表征相关的时间指标,例如,其中鼻有关表征描述特定时间下的鼻有关病症、样品元数据、用户表征和/或用户微生物组状态;等);时间指标的改变(例如,随着时间的鼻有关表征和/或鼻部微生物组的改变;例如响应于接受疗法的改变;样品收集、样品分析、向用户提供鼻有关表征或疗法、和/或方法100的实施方式的其他适合的部分之间的等待时间;等);和/或与时间有关的任何其他适合的指标。
额外地或替代地,参数、度量、输入、输出和/或其他适合的数据可以与值类型相关,该值类型包括:评分(例如,鼻有关病症倾向评分;特征关联性评分;关联性评分、协变性评分、微生物组多样性评分、严重度评分;等)、单独值(例如,不同的收集部位的单独的鼻有关病症评分,例如,状况倾向评分;等)、聚合值(例如,基于不同收集部位的单独的微生物有关评分的总体值,等)、二元值(例如,存在或缺乏微生物组特征;存在或缺乏鼻有关病症;等)、相对值(例如,相对分类群组丰度、相对微生物组功能丰度、相对特征丰度,等)、分类(例如,用户的鼻有关病症分类和/或诊断;特征分类;行为分类;人口统计数据表征分类;等)、置信度水平(例如,与微生物序列数据集相关的;与微生物组多样性评分相关的;与其他鼻有关表征相关的;与其他输出相关的;等)、标识符、沿光谱的值、和/或任何其他适合的值类型。本文描述的任何适合的数据类型可以用作输入(例如,用于不同的分析技术、模型和/或本文描述的其他适合的组件)、生成为输出(例如,不同的分析技术、模型的,等)、和/或以任何适合的方式对与方法100和/或系统200相关的任何适合的组件进行操作。
本文描述的方法100和/或过程的实施方式的一个或多个实例和/或部分可以异步地执行(例如,顺序地)、同步地进行(例如,并行数据处理、并发的交叉病症分析;多重样品处理,例如,对应于与环境因素和/或鼻有关病症相关的靶序列的微生物核酸片段的多重扩增;执行样品处理和分析用于基本上同时地评估一组鼻有关病症;并行地计算确定多个用户的微生物数据集、微生物组特征和/或表征鼻有关病症;例如在不同的线程上同时地并行计算以改善系统处理能力;等)、与触发事件(例如,方法100的一部分的性能)时间有关地(例如,基本上同时地、响应于、连续地、之前、之后,等)执行;和/或通过和/或使用本文描述的系统200、组件和/或实体的一个或多个实例以任何适合的顺序在任何其他适合的时间和频率上执行。在实施例中,方法100可以包括基于使用下一代测序系统(和/或其他适合的测序系统)处理一个或多个生物样品的微生物核酸来产生微生物数据集(例如,在文库制备之后,包括用桥接扩增底物来扩增;等),和在与下一代测序平台可操作通信的计算设备上确定微生物组组成特征和/或微生物组功能特征。然而,方法100和/或系统200可以以任何适合的方式配置。
2.实施例
微生物组分析可以实现精确的和/或有效的鼻有关表征(例如,用户微生物组的、用户样品的、用户的,等)和/或疗法提供(例如,根据方法100的实施方式的部分,等),用于由微生物引起、与微生物相关和/或要不与微生物相关联的鼻有关病症。该技术的具体实施例可以克服传统方法面临的几种挑战。首先,传统方法可能需要患者拜访一个或多个护理提供者来接收表征和/或疗法建议,例如,用于鼻有关病症,这可能相当于与诊断和/或治疗之前经过的时间、与健康护理质量不一致性和/或与护理提供者拜访的其他方面相关的低效率和/或健康风险。第二,当应用于微生物组时,用于人类基因组测序的传统遗传测序和分析技术可能是不相容的和/或是低效的(例如,人类微生物组可能包括比人类细胞多10倍以上的微生物细胞;其中可行的分析技术和运用该分析技术的手段可以不同;其中例如,对于降低扩增偏差,最佳的样品处理技术可以不同;其中对鼻有关表征可以采用不同的方法;其中病症的类型和相关联性可以不同;其中相关的病症的病因和/或对相关病症的可行疗法可以不同;其中序列参考数据库可以不同;其中微生物组可以在用户的不同身体区域之间变化,例如在不同的收集部位;其中诸如鼻部微生物组的微生物组可能在地理、气候、日历季节、采样时间、生活状况、其他环境因素、行为方面等变化)。第三,测序技术(例如,下一代测序、相关的技术;等)的兴起产生了除了与测序遗传物质相关的速度和数据生成的空前进步之外、不存在的技术问题(例如,对于大量的产生的序列数据的数据处理和分析问题;以多重化方式处理多个生物样品的问题;信息显示问题;疗法预测问题;疗法提供问题;等)。方法100和/或系统200的具体实施例可以对至少上文描述的挑战给予基于技术的解决方案。
第一,该技术的具体实施例可以将实体(例如,用户、生物样品、包括医药设备的疗法促进系统,等)转化成不同的状态或事物。例如,该技术可以将生物样品转化为能够被测序和分析的成分,以生成可用于表征与一种或多种鼻有关病症相关的用户的微生物数据集和/或微生物组特征(例如,通过使用下一代测序系统、多重扩增操作,等)。在另一个实施例中,该技术可以鉴定、阻止和/或推广(例如,呈现、建议、提供、管理,等)疗法(例如,基于鼻有关表征的个体化疗法)和/或要不促进治疗干预(例如,促进用户的微生物组组成、微生物组功能的修正,等),其例如,应用一个或多个微生物组特征(例如,应用微生物组特征与一种或多种鼻有关病症之间的关联性、关系、和/或其他适合的相关性;等),可以防止和/或改善一种或多种鼻有关病症,例如,由此转化患者的微生物组和/或健康(例如,改善与鼻有关病症相关的健康状态;等)。在另一个实施例中,该技术可以转化用户的一个或多个不同的身体部位(例如,一个或多个不同的收集部位;等)处的微生物组组成和/或功能,例如,靶向和/或转化与鼻部(和/或其他适合的部位,例如,肠道、皮肤、口腔和/或生殖器,等)微生物组相关的微生物(例如,通过促仅与一个或多个部位特异性疗法有关的治疗干预;等)。在另一个实施例中,该技术可以控制疗法促进系统(例如,饮食系统、自动药物分配器、行为修正系统、诊断系统、疾病疗法促进系统,等)来推广疗法(例如,通过生成用于疗法促进系统执行的控制指令;等),从而转化该疗法促进系统。
第二,该技术的具体实施例可以给予计算机相关技术的改进(例如,改进存储、检索和/或处理鼻有关病症的微生物相关数据的计算效率;与生物样品处理相关的计算过程,等),例如,通过促进计算机执行早先不可执行的功能。例如,该技术可以以非通用的方式将分析技术集合应用于非通用的微生物数据集和/或微生物组特征(例如,由于样品处理技术和/或测序技术的发展近来能够生成和/或可行的特征,等),用于改进鼻有关表征和/或促成对鼻有关病症的治疗干预。
第三,该技术的具体实施例可以给予处理速度、鼻有关表征、精确度、微生物组相关疗法确定和推广、以及诸如与鼻有关病症有关的其他适合的方面的改进。例如,该技术可以利用非通用微生物数据集来确定、选择和/或要不处理与一种或多种类型的鼻有关病症的特别相关、例如与环境因素预测和/或鼻有关病症有关的微生物组特征(例如,与鼻有关病症有关的处理过的微生物组特征;与多种鼻有关病症有关的交叉病症微生物组特征,等),其可以促仅提高精确度(例如,通过使用最相关的微生物组特征;通过利用定制的分析技术;等)、处理速度(例如,通过选择相关微生物组特征的子集;通过进行降维技术;通过利用定制的分析技术;等)和/或其他计算改进(例如,关于表型预测,例如,鼻有关病症的指示,等)、其他适合的表征、治疗干预促进和/或其他适合的目的。在具体的实施例中,该技术可以应用特征-选择规则(例如,用于组成、功能的微生物组特征选择规则;对于从补充的数据集提取的补充特征;等)从巨大的潜在特征库(例如,从大量微生物组数据例如序列数据中可提取的;通过单变量统计测验鉴定的;等)中选择优化的特征子集(例如,与一种或多种鼻有关病症相关的微生物组功能特征;微生物组组成多样性特征,例如指示健康、存在、不存在和/或与鼻有关病症相关的分类群组的其他适合的范围的参考相对丰度特征;用户相对丰度特征,其可以与鼻有关病症和/或疗法反应相关的参考相对丰度特征比较;等),用于生成、应用和/或要不促进表征和/或疗法(例如,通过模型;等)。微生物组(例如,人类微生物组、动物微生物组,等)的潜在大小可以转化成大量数据,产生了如何处理和分析巨大的数据阵列,以产生与鼻有关表征有关的可操作的微生物组的见解的问题。然而,特征选择规则和/或其他适合的计算机可实施的规则可以实现以下中的一种或多种:更短的生成和执行时间(例如,用于生成和/或应用模型;用于确定鼻有关表征和/或相关疗法;等);优化的样品处理技术(例如,通过使用引物类型、其他生物分子和/或由对分类群组、序列、和/或与鼻有关病症相关的其他适合的数据的计算分析所鉴定的其他样品处理组分,改进来自生物样品的微生物核酸的转化,例如,同时优化以改进特异性、降低扩增偏差和/或其他适合的参数时;等);简化模型,促进有效的结果分析;减少过度拟合;与生成、存储和应用多个用户的、与鼻有关病症有关的、随时间的与鼻有关表征相关的网络影响(例如,通过收集和处理与数量递增的用户相关的数量递增的微生物组相关数据,以改进鼻有关表征和/或疗法确定的预测能力;等);改进的数据存储和检索(例如,存储和/或检索鼻有关表征模型;存储特定的模型,例如与不同用户和/或用户集合相关的、与不同的鼻有关病症相关的;存储与用户账号相关的微生物数据集;存储与一种或多种疗法和/或接受该疗法的用户相关的疗法监测数据;存储与用户、用户集合和/或其他实体相关的特征、鼻有关表征和/或其他适合的数据,以改进对所述鼻有关病症的个体化表征和/或治疗的递送,等)和/或技术领域的其他适合的改进。
第四,该技术的具体实施例可以相当于在包括样品处理系统、鼻有关表征系统和多个用户的组件之间进行创造性的功能分配,其中该样品处理系统可以实质上并行地处理来自多个用户的生物样品(例如,以多重的方式),这可以由鼻有关表征系统在生成用于鼻有关病症的个体化表征和/或疗法(例如,针对例如与用户的饮食行为、益生菌相关行为、病史、人口统计数据特征、其他行为、偏好等有关的用户的微生物组定制的)中利用。
第五,该技术的具体实施例可以改进至少基因组学、微生物学、微生物组相关计算、诊断、治疗学、微生物组有关数字医疗、一般数字医疗、建模和/或其他相关领域的技术领域。在一实施例中,该技术可以建模和/或表征不同的鼻有关病症,例如,通过相关微生物特征(例如,其可以作为诊断、促进治疗干预中使用的生物标志物,等)的计算鉴定鼻有关病症。在另一个实施例中,该技术可以进行交叉病症分析,以鉴定和评估与多种鼻有关病症(例如,疾病、表型,等)相关的(例如,交叉共有、交叉相关联,等)交叉病症微生物组特征。微生物组特征的这种鉴定和表征可以促进改善的健康护理实践(例如,在群体和个体水平上,例如,通过促进诊断和治疗干预,等),通过降低与鼻有关病症共患病和/或与鼻有关病症多病变的风险和/流行性(例如,其可与环境因素相关,从而与微生物组相关,等)。在具体的实施例中,该技术可以应用非常规的过程(例如,样品处理过程;计算分析过程;等),例如,来给予技术领域中的改进。
第六,该技术可以利用专门化的计算设备(例如,与样品处理系统相关的设备,例如,下一代测序系统;鼻有关表征系统;疗法促进系统;等)以执行与方法100和/或系统200的实施方式相关的适合的部分。
然而,该技术的具体实施例可以在使用系统200的实施方式的非通用部件和/或适合部件的情况下提供任何适合的改进,用于鼻有关表征、微生物组调节和/或用于执行方法100的实施方式的适合的部分。
3.1确定微生物数据集
所述方法100的实施方式可以包括块S110,其包括确定与用户集合相关的微生物数据集(例如,微生物序列数据集、例如基于微生物序列数据集的微生物组组成多样性数据集、例如基于微生物序列数据集的微生物组功能多样性数据集,等)S110。块S110可以起到处理样品(例如,生物样品;非生物样品;与共享人口统计数据特征和/或其他适合特征的受试者的群体、受试者的亚群、受试者的子群相关的样品的聚合集合;用户样品;等)的作用,以确定例如与一种或多种鼻有关病症有关的、相应的微生物组相关的组成、功能、药物基因组学和/或其他适合的方面。
组成和/或功能方面可以包括微生物水平(和/或其他适合的粒度)上的一个或多个方面,包括跨越界、门、纲、目、科、属、种、亚种、株系和/或任何其他适合的物种分类群的不同组的微生物分布有关的参数(例如,以每组的总丰度、每组的相对丰度、代表组的总数测量的,等)。组成和/或功能方面也可以按照操作分类单位(operational taxonomicunits,OTU)来表示。组成和/或功能方面可以额外地或替代地包括遗传学水平上的组成方面(例如,通过多位点序列分型、16S序列、18S序列、ITS序列、其他遗传学标志物、其他系统发生标志物等确定的区域)。组成和功能方面开包括与特定功能(例如,酶活性、转运功能、免疫活性,等)相关的基因的存在或缺失或数量。因此,块S110输出可以用于促进微生物组特征的确定(例如,生成可用于鉴定微生物组特征的微生物序列数据集;等),用于块S130的表征过程和/或方法100的实施方式的其他适合的部分(例如,其中块S110可以引起微生物组组成数据集、微生物组功能数据集和/或可以从微生物组特征提取的其他适合的微生物数据集的输出,等),其中该特征可以是基于微生物的(例如,细菌属的存在)、基于遗传学的(例如,基于特定遗传区域和/或序列的表示)、基于功能的(例如,特定催化活性的存在)、和/或任何其他适合的微生物组特征。
在变体中,块S110可以包括基于从细菌和/或古细菌得到的系统发生标志物的评估和/或处理(例如,用于产生微生物数据集,等),该细菌和/或古细菌与基因家族有关,该基因家族与以下中的一种或多种相关:核糖体蛋白S2、核糖体蛋白S3、核糖体蛋白S5、核糖体蛋白S7、核糖体蛋白S8、核糖体蛋白S9、核糖体蛋白S10、核糖体蛋白S11、核糖体蛋白S12/S23、核糖体蛋白S13、核糖体蛋白S15P/S13e、核糖体蛋白S17、核糖体蛋白S19、核糖体蛋白L1、核糖体蛋白L2、核糖体蛋白L3、核糖体蛋白L4/L1e、核糖体蛋白L5、核糖体蛋白L6、核糖体蛋白L10、核糖体蛋白L11、核糖体蛋白L14b/L23e、核糖体蛋白L15、核糖体蛋白L16/L10E、核糖体蛋白L18P/L5E、核糖体蛋白L22、核糖体蛋白L24、核糖体蛋白L25/L23、核糖体蛋白L29、翻译延伸因子EF-2、翻译起始因子IF-2、金属内肽酶、ffh信号识别颗粒蛋白、苯丙氨酰-tRNA合成酶beta亚基、苯丙氨酰-tRNA合成酶alpha亚基、tRNA假尿嘧啶核苷合酶B、胆色素原脱氨基酶、核糖体蛋白L13、磷酸核糖基甲酰基甘氨酰胺环连接酶(phosphoribosylformylglycinamidine cyclo-ligase)和核糖核酸酶HII。额外地或替代地,标志物可以包括靶序列(例如,与微生物分类群组相关的序列;与功能方面相关的序列;与鼻有关病症相关的序列;指示用户对不同疗法的响应的序列;交叉群体和/或任何适合的受试者集合不变的序列,例如,以使用共有引物序列的引物类型进行多重扩增;保守序列;包括突变、多态性的序列;核苷酸序列;氨基酸序列;等)、蛋白质(例如,血清蛋白、抗体,等)、肽、碳水化合物、脂质、其他核酸、全细胞、代谢物、天然产物、遗传易感生物标志物、诊断生物标志物、预后生物标志物、预测性生物标志物、其他分子生物标志物、基因表达标志物、成像生物标志物、和/或其他适合的标志物。然而,标志物可以包括与微生物组组成、微生物组功能和/或鼻有关病症相关的任何其他适合的标志物。
为生物样品的各聚合集合表征微生物组组成和/或功能方面因此优选地包括样品处理技术的组合(例如,如图7所示、湿实验室技术,等),包括但不限于扩增子测序(例如,16S、18S、ITS)、UMIs、3步PCR、CRISPR、使用引物和/或计算技术(例如,利用生物信息学工具),来定量地和/或定性地表征与来自受试者或受试者群体的各生物样品相关的微生物组和功能方面。
在变体中,块S110中的样品处理可以包括以下中的任何一种或多种:溶解生物样品、破坏生物样品的细胞中的膜、从生物样品中分离非期望的元素(例如,RNA、蛋白质)、纯化生物样品中的核酸(例如,DNA)、扩增来自该生物样品的核酸、进一步纯化该生物样品的扩增的核酸、和对生物样品的扩增的核酸进行测序。在实施例中,块S110可以包括:从用户集合收集生物样品(例如,由用户使用包括样品容器的采样试剂盒来收集的生物样品,等),其中所述生物样品包括与鼻有关病症相关的微生物核酸(例如,包括与鼻有关病症相关的靶序列的微生物核酸;等)。在另一个实施例中,块S110可以包括向用户集合提供采样试剂盒集合,该采样试剂盒集合的每个采样试剂盒包括样品容器(例如,包括预处理试剂,例如溶解试剂;等),其可操作以从该用户集合的一个用户中接收生物样品。
在变体中,溶解生物样品和/或破坏生物样品的细胞中的膜优选地包括物理方法(例如,珠子敲打、氮减压、均质化、超声处理),其省去了在测序时在某些细菌群组的表示中产生偏差的某些试剂。额外地或替代地,块S110中的溶解或破坏可以涉及化学方法(例如,使用洗涤剂、使用溶剂、使用表面活性剂,等)。额外地或替代地,块S110中的溶解或破坏可以涉及生物学方法。在变体中,非期望元素的分离可以包括使用核糖核酸酶(RNases)除去RNA和/或使用蛋白酶除去蛋白质。在变体中,核酸的纯化可以包括以下中的一种或多种:从生物样品中沉淀核酸(例如,使用基于醇的沉淀方法)、基于液-液的纯化技术(例如,苯酚-氯仿提取)、基于层析的纯化技术(例如,柱吸附)、涉及使用结合部分结合的颗粒的纯化技术(例如,磁性珠子、浮力珠子、具有大小分布的珠子、超声响应性珠子,等),其配置为以结合核酸并配置为在存在洗脱环境(例如,具有洗脱溶液、提供pH值改变、提供温度改变,等)的情况下释放核酸,以及其他适合的纯化技术。
在变体中,纯化核酸的扩增可以包括以下中的一种或多种:基于聚合酶链式反应(polymerase chain reaction,PCR)的技术(例如,固相PCR、RT-PCR、qPCR、多重PCR、降落PCR、纳米PCR、嵌套PCR、热启PCR,等)、解旋酶依赖性扩增(helicase-dependentamplification,HDA)、环介导等温扩增(loop mediated isothermal amplification,LAMP)、自持序列复制(self-sustained sequence replication,3SR)、基于核酸序列的扩增(nucleic acid sequence based amplification,NASBA)、链置换扩增(stranddisplacement amplification,SDA)、滚环扩增(rolling circle amplification,RCA)、连接酶链式反应(ligase chain reaction,LCR)和/或任何其他适合的扩增技术。在纯化核酸的扩增中,优选地选择所使用的引物以防止或最小化扩增偏差,以及配置为扩增分类学上、系统发生学上提供信息的核酸区域/序列(例如,16S区、18S区、ITS区,等),用于诊断、用于制剂(例如,用于益生菌制剂)和/或用于任何其他适合的目的。因而,可以在扩增中使用配置为避免扩增偏差的通用引物(例如,16S RNA的F27-R338引物集、16S RNA的F515-R806引物集,等)。额外地或替代地,包括对生物样品、用户、鼻有关病症、分类群、靶序列和/或任何其他适合的组分特异性的掺入的条码序列和/或UMI,其可以有助于测序后的鉴定过程(例如,用于将序列读取结果绘制(map)至微生物组组成和/或微生物组功能方面;等)。在具体的实施例中,应用引物可以包括使用通用V4引物(例如,515F:GTGCCAGCMGCCGCGGTAA和806R:GGACTACHVGGGTWTCTAAT)、与可变区(例如,半保守的高变区,等)(例如,V1-V8区)和/或RNA基因的任何其他适合的部分相关的其他适合的引物扩增16S基因(例如,编码16SrRNA的基因)。块S110的变体中使用的引物可以额外地或替代地包括衔接子区(adaptorregion),其配置为与涉及互补衔接子的测序技术(例如,Illumina测序)协作。额外地或替代地,块S110可以实施为配置为促进处理的任何其他步骤(例如,使用Nextera试剂盒)。在具体的实施例中,执行扩增和/或样品处理操作可以是以多重方式进行的(例如,对于单个生物样品、对于交叉多个用户的多个生物样品,等)。在另一个具体实施例中,执行扩增可以包括标准化步骤以平衡文库和检测混合物中的所有扩增子,而与起始材料的数量无关,例如,3步PCR、基于珠子的标准化、和/或其他适合的技术。
在变体中,纯化核酸的测序可以包括涉及靶向扩增子测序的方法,实施的技术包括以下中的一种或多种:边合成边测序技术(sequencing-by-synthesis technique)(例如,伊柳米娜(Illumina)测序)、毛细管测序技术(例如,桑格(Sanger)测序)、焦磷酸测序技术(pyrosequencing techniques)和纳米孔测序技术(例如,使用牛津纳米孔(OxfordNanopore)技术)。
在具体的实施例中,来自生物样品集合的生物样品的核酸的扩增和测序包括:固相PCR,其涉及在具有寡聚衔接子的基底上桥接扩增生物样品的DNA片段,其中扩增涉及具有正向索引序列(例如,对应于MiSeq/NextSeq/HiSeq平台的Illumina正向索引)、正向条码序列、转座酶序列(例如,对应于MiSeq/NextSeq/HiSeq平台的转座酶结合位点)、接头(例如,零个、一个或两个碱基的片段,其配置为降低均质性并改进序列结果)、额外的随机碱基、UMI、靶向特定靶区(例如,16S区、18S区、ITS区)的序列、反向索引序列(例如,对应于MiSeq/HiSeq平台的Illumina反向索引)和反向条码序列的引物。在具体的实施例中,测序可以包括利用边合成边测序技术的Illumina测序(例如,使用HiSeq平台、MiSeq平台、NextSeq平台,等)。在另一个具体实施例中,方法100可以包括:鉴定与一个或多个遗传靶点相容的一种或多种引物类型,该遗传靶点与一种或多种鼻有关病症相关(例如,一种或多种鼻有关病症的生物标志物;与之正相关的;与之负相关的;为原因的;等);基于一种或多种引物类型(例如,基于与一种或多种引物类型对应的引物、基于所收集的生物样品中包括的微生物核酸,等)确定一个或多个用户(例如,受试者集合)的微生物数据集(例如,微生物序列数据集;例如使用下一代测序系统;等),例如,通过片段化该微生物核酸,和/或基于与一个或多个遗传靶点相容的一种或多种鉴定的引物类型(例如,与引物类型对应的引物,等)对片段化的微生物核酸进行单重扩增过程和/或多重扩增过程,该一个或多个遗传学靶点与鼻有关病症相关;和/或基于源自微生物数据集的鼻有关表征推广(例如,提供)对用户状况的疗法(例如,对于鼻有关病症;使得能够相对于期望的分类群的群体大小和期望的微生物组功能中的至少一个选择性地调节用户的微生物组,等)。在具体的实施例中,其中确定所述微生物数据集可以包括通过微生物核酸的单重扩增过程和多重扩增过程的至少一种产生扩增的微生物核酸;和使用下一代测序系统,基于扩增的微生物核酸确定微生物数据集。在实施例中,确定一个或多个微生物序列数据集可以基于使用下一代测序系统对微生物核酸(例如,来自收集的样品,等)进行测序。
在实施例中,生物样品可以对应于一个或多个采集部位,包括肠道收集部位(例如,对应于肠道部位的身体部位类型)、皮肤收集部位(例如,对应于皮肤部位的身体部位类型)、鼻部收集部位(例如,对应于鼻部部位的身体部位类型)、口腔收集部位(例如,对应于口腔部位的身体部位类型)和生殖器收集部位(例如,对应于生殖器部位的身体部位类型)的至少一种。在具体的实施例中,确定微生物数据集(例如,微生物序列数据集,等)可以包括鉴定与第一遗传靶点相容的第一引物类型,该第一遗传靶点与一种或多种鼻有关病症和收集部位集合的第一收集部位相关;鉴定与第二第二遗传靶点相容的第二引物类型,该第二遗传靶点与一种或多种鼻有关病症和收集部位集合的第二收集部位相关;和基于微生物核酸、对应于第一引物类型的第一引物以及对应于第二引物类型的第二引物生成受试者集合的微生物数据集。
在变体中,块S110和/或方法100的实施方式的其他适合的部分中使用的引物(例如,对应于引物序列的引物类型的;等)可以包括与蛋白质基因相关的引物(例如,编码交叉多个分类群的保守蛋白质基因序列,例如,以便能够对多个靶点和/或分类群进行多重扩增;等)。引物可以额外地或替代地与鼻有关病症(例如,与遗传靶点相容的引物,该遗传靶点包括与鼻有关病症相关的微生物的序列生物标志物;等)、微生物组组成特征(例如,与遗传靶点相容的鉴定过的引物,该遗传靶点对应于与一组分类群相关的微生物组组成特征,该组分类群与鼻有关病症相关;从中得出相对丰度特征的遗传序列,等)、功能多样性特征、补充特征和/或其他适合的特征和/或数据相关。引物(和/或本文描述的其他适合的分子、标志物和/或生物材料)可以拥有任何适合的大小(例如,序列长度、碱基对数量、保守的序列长度、可变区长度,等)。额外地或替代地,任何适合数量的引物可以用于样品处理,以执行表征(例如,鼻有关表征;等)、改进样品处理(例如,通过降低扩增偏差,等)、或用于任何适合的目的。引物可以与任何数量的靶点、序列、分类群、病症和/或其他适合的方面相关。块S110和/或方法100的实施方式的其他适合的部分中使用的引物可以通过块S110中描述的过程(例如,基于生成分类学数据库中使用的参数的引物选择)和/或方法100的实施方式的任何其他适合的部分来选择。额外地或替代地,引物(和/或与引物相关的过程)可以包括和/或类似于2015-10-21提交的美国申请No.14/919,614中描述的那些,其通过引用整体合并在本文中。然而,引物的鉴定和/或使用可以以任何适合的方式配置。
样品处理的某些变体可以包括在测序之前进一步纯化扩增的核酸(例如,PCR产物),其起到除去过多的扩增成分(例如,引物、dNTP、酶、盐,等)。在实施例中,额外的纯化可以使用以下中的任何一种或多种来促进:纯化试剂盒、缓冲液、醇类、pH值指示剂、离液盐、核酸结合过滤器、离心和/或任何其他适合的纯化技术。
在变体中,块S110中的计算处理可以包括以下中的任何一种或多种:鉴定源自微生物组的序列(例如,与受试者序列和污染物相对的)、源自微生物组的序列的比对和绘制(例如,使用单端比对(single-ended alignment)、无缺口比对(ungapped alignment)、缺口比对(gapped alignment)、配对的一种或多种对片段化进行序列)、和产生与生物样品相关的微生物组的组成和/或功能方面相关的(例如,从中得出的)特征。
源自微生物组序列的鉴定可以包括将来自样品处理的序列数据绘制(mapping)至受试者参考基因组(例如,基因组参考联盟(Genome Reference Consortium)提供的),以除去源自受试者基因组的序列。在将序列数据绘制至受试者参考基因组之后剩余的未鉴定的序列然后可以基于序列相似性和/或基于参考的方法(例如,使用VAMPS、使用MG-RAST、使用QIIME数据库)进一步群聚(cluster)到操作分类单位(operational taxonomic unit,OTU)中,比对(例如,使用基因组哈希方法(genome hashing approach)、使用Needleman-Wunsch算法、使用Smith-Waterman算法),以及使用比对算法(例如,基本局部比对搜索工具(BasicLocal Alignment Search Tool)、FPGA加速的比对工具、使用BWA的BWT索引(BWT-indexingwith BWA)、使用SOAP的BWT索引(BWT-indexing with SOAP)、使用Bowtie的BWT索引(BWT-indexing with Bowtie)等)绘制至参考细菌基因组(例如,国家生物信息中心提供的)。未鉴定的序列的绘制可以额外地或替代地包括绘制至参考古细菌基因组、病毒基因组和/或真核生物基因组。此外,分类群的绘制可以相对于现有数据库和/或相对于定制生产的数据库来执行。
块S120中描述的任何适合的过程可以对任何适合数量的生物样品以多重方式进行。在实施例中,块S120可以包括使用正向和反向索引(例如,唯一组合)条形码化多个样品,以多重方式测序多个样品;以及在测序之后,对应于不同的用户对样品进行去多重化(例如,使用BCL2FASTQ算法,等)。额外地或替代地,块S110的部分的任何数量的实例可以以任何适合的时间和频率来执行。然而,处理生物样品、确定微生物数据集和/或其他相关方面可以以类似于2018年7月27日提交的美国申请No.16/047,840中描述的任何适合的方式进行,其通过引用以整体合并在本文中。
在实施例中,可以确定微生物数据集,用于促进一个或多个鼻有关表征过程(例如,对于块S130、S135、S160、和/或方法100的实施方式的适合的部分,等)。在具体的实施例中,方法100可以包括从受试者集合收集样品集合(例如,由受试者集合自我采集的、在受试者集合的鼻部部位采集的,等);基于一种或多种环境因素(例如,季节和气候,根据采用时间、如采样日期;等)将受试者集合子集化;从样品集合提取DNA(例如,使用磁性珠子;等);从DNA扩增靶点(例如,16S rRNA区的V4区;使用条码化引物;等);对扩增的文库进行测序(例如,双端测序(paired-end sequencing);使用一种或多种下一代测序系统;等);应用一种或多种分析技术(例如,对于执行表征过程;等),例如,在嵌合体去除之后,将两端与早先选定的扩增子数据集进行比对,来促进微生物数据集(例如,处理过的微生物数据集;等)的确定和/或微生物组特征(例如,微生物组组成特征;等)的确定,例如,其中分类计数、丰度和/或与微生物组组成相关的其他适合的数据可以与补充数据(例如,包括日历季节、气候类型、其他环境因素的样品元数据,等)组合分析,用于鼻有关表征(例如,关于块S130、S135、S160和/或方法100的实施方式的适合的部分,等)。在具体的实施例中,气候类型可以基于样品和/或用户的地理位置使用Major Koppen气候分类类型来指定(例如,指定至样品,等)。
然而,处理生物样品、生产微生物数据集、和/或其他相关方面可以以任何适合的方式进行。
3.2处理补充数据
方法100的实施方式可以额外地或替代地包括块S120,其可以包括处理(例如,接收、收集、转化、确定补充特征、排列补充特征、鉴定关联性,等)补充数据(例如,一个或多个补充数据集,等),例如,与鼻有关表征(例如,用于确定鼻有关表征的补充数据)、一种或多种鼻有关病症、一个或多个用户和/或其他适合的实体相关的(例如,情报性的;描述性的;指示性的;相关的;等)补充数据。块S120可以用于处理数据以补充微生物数据集、微生物组特征(例如,对于确定鼻有关表征和/或促进治疗干预,等),和/或可以用于补充方法100和/或系统200的任何适合的部分(例如,处理补充数据以促进一种或多种表征过程,例如,在块S130中;例如,用于促进训练、验证、生成、确定、应用和/或要不处理鼻有关表征模型,等)。在实施例中,补充数据可以包括源自随访(survey)得出的数据、用户数据、部位特异性数据(site-specific data)和设备数据(和/或其他适合的补充数据)的至少一种,其中方法100的实施例可以包括基于随访得出的数据、用户数据、部位特异性数据和设备数据(和/或其他适合的补充数据)的至少一种来确定补充特征集合;以及处理基于补充特征、微生物组特征和/或其他适合的数据(例如,生成、训练、应用,等)的一种或多种鼻有关表征模型。
补充数据可以以下中的包括一种或多种:样品元数据(例如,一种或多种样品的地理位置参数、日历季节参数、气候类型;环境因素(例如,本文描述的);随访得出的数据(例如,对于本文描述的任何适合的数据类型,来自对随访样品元数据、用户数据、一种或多种鼻有关病症的一种或多种随访响应的数据;等);部位特异性数据(例如,鼻部部位的信息数据;不同的收集部位,例如,指示特定收集部位的微生物组与一种或多种鼻有关病症之间的相关性的在先的生物学知识;等);鼻有关病症数据(例如,不同的鼻有关病症的信息数据,例如,与微生物组特征、疗法、用户有关,等);设备数据(例如,传感器数据、与鼻部相关的情景传感器(contextual sensor)数据;可穿戴设备数据;医疗设备数据;用户设备数据,例如移动电话应用数据;网络(web)应用数据;等);用户数据(例如,年龄;族群;用户医疗数据,当前的和历史的医疗数据,例如,历史疗法、历史医学检查数据;医疗设备得出的数据;生理数据;与医疗测试相关的数据;社会媒体数据;人口数据;家族史数据;描述行为的行为数据;描述环境因素、如生活状况的环境因素数据;饮食相关数据,例如来自食品企业登记的数据、来自分光光度分析的数据、用户输入的数据、与益生菌和/或益生元食物相关的营养数据、所消费的食物类型、所消费的食物数量、卡路里数据、饮食方案数据、和/或其他适合的饮食相关数据;等);在先的生物学知识(例如,鼻有关病症的信息、微生物组特征、微生物组特征与鼻有关病症之间的相关性,等);和/或任何其他适合的补充数据类型。
在变体中,处理补充数据可以包括处理随访得出的数据,其中随访得出的数据可以提供样品元数据、病症数据(例如,指示一种或多种鼻有关病症的存在、缺失和/或严重度;等)、生理数据、人口统计数据、行为数据、环境因素数据(例如,描述环境因素的,等)、其他类型的补充数据、和/或任何其他适合的数据。
生理数据可以包括与生理特征(例如,身高、体重、体质指数、体脂百分比、体毛水平、病史,等)相关的信息。人口统计数据可以包括与人口统计学特征(例如,性别、年龄、种族、婚姻状况、兄弟姐妹数量、社会经济地位、性取向,等)相关的信息。行为数据可以描述行为,包括以下中的一种或多种:健康相关状态(例如,健康和疾病状态)、饮食习惯(例如,酒精消费、咖啡因消费、杂食、素食、绝对素食、糖消费、酸消费、小麦、蛋、大豆、坚果、花生、贝类、食物偏好、过敏特征、其他食物的消费和/或回避,等)、行为倾向性(例如,身体活动水平、药物使用、酒精使用、习惯发展,等)、不同的活动性水平(例如,运动量,例如,低度、中度和/或极限体育活动活性;与给定时间内的远途旅行有关的;运动传感器、如由运动和/或位置传感器指示;等)、不同水平的性活动(例如,与伴侣数量和性取向有关)、以及任何其他适合的行为数据。随访得出的数据可以包括定量数据、定性数据和/或其他适合类型的随访得出的数据,例如,其中定性数据可以转变为定量数据(例如,使用严重性等级、将定性反应映射至定量评分,等)。处理随访得出的数据可以包括促进随访得出的数据的收集,例如,通过向一个或多个用户、受试者和/或其他适合的实体提供一个或多个随访。随访可以以个人(例如,与样品试剂盒的提供和/或样品的接收配合地;等)、电子(例如,在帐户设置期间;在受试者的电子设备执行应用时,在可通过互联网访问的web应用和/或网站上)和/或以任何其他适合的方式来提供。
额外地或替代地,处理补充数据可以包括处理传感器数据(例如,鼻有关设备的传感器、可穿戴计算设备、移动设备;与用户相关的生物计量传感器,例如用户智能电话的生物计量传感器;等)。传感器数据可以包括以下中的任何一种或多种:与身体活动和/或身体动作有关的数据(例如,加速度计数据,陀螺仪数据,位置传感器数据、如GPS数据,和/或来自一个或多个设备、如移动设备和/或可穿戴电子设备的其他运动传感器数据;等)、描述环境因素的传感器数据(例如,温度数据、高度数据、气候数据、光参数数据、压力数据、大气质量数据,等)、生物计量传感器数据(例如,血压数据;温度数据;与肿胀(swelling)相关的压力数据;心率传感器数据;指纹传感器数据;光学传感器数据、例如面部图像和/或视频;通过移动设备的传感器记录的数据;通过可穿戴或其他外围设备记录的数据;等)、和/或与传感器相关的任何其他适合的数据。额外地或替代地,传感器数据可以包括在以下中的一个或多个处采样的数据:光传感器(例如,图像传感器、光传感器、照相机,等)、声音传感器(例如,麦克风,等)、温度传感器、挥发性化合物传感器、大气质量传感器、重量传感器、湿度传感器、深度传感器、位置传感器(GPS接受器;信标;室内定位系统;指南针;等)、运动传感器(例如,加速器、陀螺仪、磁强计、与用户佩戴的设备集成的运动传感器,等)、生物计量传感器(例如,心率传感器、例如用于监测心率;指纹传感器;面部识别传感器;生物阻抗传感器,等)、压力传感器、接近传感器(例如,用于监测第三方物体的运动和/或其他方面;等)、流量传感器、功率感传器(例如,霍尔效应传感器)、虚拟现实相关传感器、增强现实相关传感器、和/或任何其他适合的传感器类型。
额外地或替代地,补充数据可以包括病历数据和/或临床数据。因而,补充数据集的部分可以来自一个或多个电子健康记录(electronic health record,EHR)。额外地或替代地,补充数据可以包括任何其他适合的诊断信息(例如,临床诊断信息)。任何适合的补充数据(例如,以提取的补充特征的形式,等)可以与微生物组特征和/或其他适合的数据组合和/或一起使用,用于执行方法100(例如,执行表征过程,等)和/或系统200的实施方式的部分。例如,与计算机断层扫描(CT扫描)、超声、活检、血液测试、癌症筛选检查、尿检(例如,以检测感染;等)、诊断成像、与鼻有关病症相关的其他适合的诊断过程、随访相关信息、和/或任何其他适合的测试相关的(例如,得自于,等)补充数据可以用于补充(例如,用于方法100和/或系统200的实施方式的任何适合的部分)。
额外地或替代地,补充数据可以包括疗法相关数据,其包括以下中的一种或多种:疗法方案、疗法类型、建议的疗法、用户使用的疗法、疗法依从性和/或与疗法相关的其他适合的数据。例如,补充数据可以包括与一种或多种疗法(例如,建议的疗法,等)有关的用户依从性度量(adherence metric)(例如,药物依从性、益生菌依从性、体育活动依从性、饮食依从性,等)。然而,处理补充数据可以以任何适合的方式来执行。
3.3执行表征过程
方法100的实施方式可以包括块S130,其可以包括,例如基于微生物数据集(例如,块S110中得出的,等)和/或其他适合的数据(例如,补充数据集;等)执行与一种或多种鼻有关病症相关的表征过程(例如,预处理;特征生成;特征处理;部位特异性表征(site-specific characterization)、例如,特定于一个或多个特指的身体部位的表征,例如,在对应于身体部位的收集部位收集的样品,例如,多个身体部位的多部位表征;多种鼻有关病症的交叉病症分析;模型生成;等)S130。块S130可以基于他们的微生物组组成(例如,微生物组组成多样性特征,等)、功能(例如,微生物组功能多样性特征,等)和/或其他适合的微生物组特征(例如,通过生成和应用用于确定鼻有关表征的表征模型,等),用于鉴定、确定、提取和/或处理可用于确定用户和/或用户集合的鼻有关表征的特征和/或特征组合。
因而,表征过程可以用作诊断工具,其可以基于受试者的微生物组组成和/或功能特征,关于他们的健康状况状态(例如,鼻有关病症状态)、行为性状、医学状况、人口统计学特征和/或任何其他适合的性状中的一种或多种来表征受试者(例如,根据行为性状,根据医学状况,根据人口统计学特征,等)。这样的表征可以用于确定、建议、和/或提供疗法(例如,个体化疗法,例如,通过疗法模型确定的,等)和/或促进治疗干预。额外地或替代地,表征过程可以基于微生物数据库(例如,包括一个或多个微生物组特征与一种或多种鼻有关病症之间的相关性;等)。
执行表征过程S130可以包括预处理微生物数据集、微生物组特征和/或用于促进下游处理的其他适合的数据(例如,确定鼻有关表征,等)。在实施例中,执行表征过程可以包括,通过以下中的至少一种过滤微生物数据集(例如,过滤微生物序列数据集,例如,在应用分析技术集合来确定微生物组特征之前,等):a)除去与生物样品集合(例如,与一种或多种鼻有关病症相关的,等)的第一样品离群值对应的第一样品数据,例如,其中所述第一样品离群值通过主成分分析、降维技术和多变量方法的至少一种来确定;b)除去与生物样品集合的第二样品离群值对应的第二样品数据,其中所述第二样品离群值可以基于微生物组特征集合的相应数据质量来确定(例如,除去与具有低于阈值条件的高质量数据的多个微生物组特征对应的样品);和c)基于未能满足阈值样品数量条件的微生物组特征的样品数量,从微生物组特征集合中除去一个或多个微生物组特征,其中样品数量对应于与微生物组特征的高质量数据相关的样品数量。然而,预处理可以以任何适合的方式使用任何适合的分析技术进行。
在执行表征过程中,块S130可以使用计算方法(例如,统计方法、机器学习方法、人工智能方法、生物信息学方法,等)将受试者表征为表现与一种或多种鼻有关病症相关的特征(例如,其中确定用户微生物组特征可以包括确定微生物组特征的特征值,该微生物组特征通过表征过程鉴定为与一种或多种鼻有关病症相关联和/或相关,等)(具有一种或多种鼻有关病症的用户集合的特性的特征)。
如图5所示,执行表征过程可以包括确定与一个或多个鼻有关表征相关的一个或多个微生物组特征(例如,鉴定与一种或多种鼻有关病症具有最大关联性的微生物组特征;确定用户微生物组特征,例如,与鉴定的微生物组特征对应的用户微生物组特征的存在、缺失和/或值,该鉴定的微生物组特征与一种或多种鼻有关病症对应;等),例如,通过应用一种或多种分析技术。在实施例中,确定微生物组特征(例如,微生物组组成特征、微生物组功能特征,等)可以应用分析技术集合,其包括单变量统计试、多变量统计检验、降维技术和人工智能方法的至少一种,例如基于微生物数据集(例如,微生物序列数据集,等),以及其中所述微生物组特征可以配置为改进与确定用户的鼻有关表征相关的计算系统相关功能(例如,关于准确性、降低误差、处理速度、缩放比例,等)。在实施例中,确定微生物组特征(例如,用户微生物组特征,等)可以包括例如基于微生物数据集,应用分析技术集合来确定存在微生物组组成多样性特征和微生物组功能多样性特征的至少一种,缺失所述微生物组组成多样性特征和所述微生物组功能多样性特征的至少一种,描述与第一鼻有关病症相关的不同分类群组的相对丰度的相对丰度特征,描述与所述不同分类群组相关的至少两个微生物组特征之间的比例的比例特征,描述所述不同分类群组之间的相互作用的相互作用特征,以及描述所述不同分类群组之间的系统发生距离的系统发生距离特征的至少一种,其中分析技术集合可以包括单变量统计检验、多变量统计检验、降维技术和人工智能方法的至少一种。
在变体中,在鉴定与生物样品相关的微生物组的代表性微生物组时,可以执行生成与生物样品相关的微生物组的组成和/或功能方面相关的(例如,源自于)特征。在变体中,生成特征可以包括基于多位点序列分型(MSLT)生成特征,以便鉴定方法100的随后块中的表征有用的标志物。额外地或替代地,生成特征可以包括生成描述微生物的某些分类群组的存在或缺失、和/或表现出的微生物分类群组之间的比例的特征。额外地或替代地,生成特征可以包括产生描述以下中的一种或多种的特征:表示分类群组的数量、表示分类群组的网络、不同分类群组的表示中的关联性、不同分类群组之间的相互作用、不同分类群组产生的产物、不同分类群组产生的产物之间的相互作用、死亡微生物和存活微生物之间的比例(例如,基于RNA的分析,对于不同表示的分类群组)、系统发生距离(例如,根据坎托罗维奇-鲁宾斯坦距离(Kantorovich-Rubinstein distance)、瓦瑟斯坦距离(Wassersteindistance)等)、任何其他适合的分类群组相关特征、任何其他适合的遗传学或功能方面。
额外地或替代地,生成特征可以包括生成描述不同微生物群组的相对丰度的特征,例如,使用sparCC方法、使用基因组相对丰度和平均大小(Genome Relative Abundanceand Average size,GAAS)方法、和/或使用利用混合模型理论的基因组相对丰度(GenomeRelative Abundance using Mixture Model theory,GRAMMy)方法,其使用序列相似性数据来执行微生物的一个或多个组的相对丰度的最大似然估计。额外地或替代地,生成特征可以包括生成从丰度度量中得出的分类变异的统计测度。额外地或替代地,生成特征可以包括生成与相对丰度因子相关的(例如,源自于)的特征(例如,关于分类群丰度的改变,其影响其他分类群的丰度)。额外地或替代地,生成特征可以包括生产描述一个或多个分类群组的存在的定性特征,该定性特征是单独地和/或组合地。额外地或替代地,生成特征可以包括生成与遗传标志物相关的特征(例如,代表性的16S、18S和/或ITS序列),该标志物表征与生物样品相关的微生物组的微生物。额外地或替代地,生成特征可以包括生成与特定基因和/或具有特定基因的生物体相关的功能有关的特征。额外地或替代地,生成特征可以包括生成与分类群和/或归属于分类群的产物的致病性相关的特征。然而,块S130可以包括源自于生物样品的核酸的测序和/或绘制的任何其他适合的特征的确定。例如,特征可以是组合的(例如,涉及一对(pairs)、三联体)、关联的(例如,与不同特征之间的关联性有关)、和/或与特征的改变有关的(例如,时间改变、交叉样品部位的改变等,空间改变等)。然而,确定微生物组特征可以以任何适合的方式进行。
在变体中,执行表征过程可以包括执行与多个收集部位相关的一种或多种多部位分析(例如,使用鼻有关表征模型;生成多部位表征,等),例如,基于部位特异性特征集合执行鼻有关表征,该部位特异性特征集合包括与第一身体部位相关的部位特异性特征的第一子集,和与第二身体部位相关的部位特异性特征的第二子集。然而,多部位分析可以以任何适合的方式进行。
在变体中,执行表征过程可以包括对多种鼻有关病症执行一个或多个交叉病症分析(例如,使用鼻有关表征模型,等)。在实施例中,执行交叉病症分析可以包括基于一种或多种分析技术确定与多种鼻有关病症(例如,第一鼻有关病症和第二鼻有关病症,等))相关的交叉病症特征集合(例如,作为确定微生物组特征的部分,等),其中确定鼻有关表征可以包括基于一种或多种鼻有关表征模型,针对多种鼻有关病症(例如,第一和第二鼻有关病症,等)确定用户的鼻有关表征,和其中交叉病症特征集合配置为改进计算系统相关功能,该计算系统相关功能与针对多种鼻有关病症确定用户的鼻有关表征相关。执行交叉病症分析可以包括确定交叉病症关联性度量(例如,对应于不同鼻有关病症的数据之间的关联性和/或协变性,等)和/或与交叉病症分析相关的其他适合的指标。然而,进行交叉病症分析可以以任何适合的方式进行。
在变体中,表征可以基于与表现目标状态(例如,鼻有关病症状态)的第一组受试者与不表现目标状态(例如,“正常”状态)的第二组受试者之间的相似性和/或差异的统计分析(例如,概率分布的分析)相关(例如,源自于)的特征。在实现这种变体中,可以使用歌尔莫洛歌夫-斯密尔诺夫(Kolmogorov-Smirnov(KS))检验、置换检验、克拉默沃姆米塞斯(Cramer-von Mises)检验、任何其他的统计检验(例如,t-检验、z-检验、卡方检验、与分布相关的检验,等)和/或其他适合的分析技术。特别地,一种或多种这样的统计假设检验可以用于评估在表现目标状态(例如,患病状态)的第一组受试者与不展现所述目标状态(例如,具有正常状态)的第二组受试者中具有不同丰度程度的特征集合。更详细地,可以基于丰度百分比和/或与第一组受试者和第二组受试者的多样性相关的任何其他适合的参数来约束评估的特征集合,以提高或降低表征的置信度。在这个实施例的具体实现中,特征可以源自于在第一组受试者和第二组受试者的一定百分比中丰富的细菌分类群,其中第一组受试者和第二组受试者之间的分类群的相对丰度可以由KS测试确定,具有显著性的指示(例如,根据p-值)。因而,块S130的输出可以包括具有显著性指示(例如,0.0013的p-值)的标准化的相对丰度值(例如,在患病受试者vs.健康受试者中,具有鼻有关病症的受试者的分类群丰度比没有鼻有关病症的受试者大25%)。生成特征的变体可以额外地或替代地实现或源自于功能特征或元数据特征(例如,非细菌标志物)。额外地或替代地,任何适合的微生物组特征可以基于统计分析(例如,应用于微生物序列数据集和/或其他适合的微生物数据集,等)得出,该统计分析包括一下中的任何一种或多种:预测分析、多假设测试、随机森林检验、主成分分析和/或其他适合的分析技术。
在执行表征过程中,块S130可以额外地或替代地将来自微生物组组成多样性数据集和微生物组功能多样性数据集的至少一个的输入数据转化成特征向量,特征向量可以检验其在预测受试者群体的表征中的效力。来自补充数据集的数据可以用于提供表征集合的一种或多种表征的指示,其中表征过程使用候选特征和候选分类的训练数据集进行训练,以鉴定在精确地预测分类中具有高度(或低度)预测能力的特征和/或特征组合。因而,使用训练数据集对表征过程的细化(refinement)鉴定了与受试者的特定分类具有高度相关性的特征集合(例如,受试者特征的、特征组合的)。
在变体中,在预测表征过程的分类中有效的特征向量(和/或任何适合的特征集合)可以包括与以下中的一种或多种相关的特征:微生物组多样性度量(例如,与交叉分类群组的分布有关,于交叉古细菌、细菌、病毒和/或真核生物组的分布有关)、个体的微生物组中分类群组的存在、个体的微生物组中特定遗传序列(例如,16S序列)的表示、个体的微生物组中分类群组的相对丰度、微生物组恢复力度量(resilience metric)(例如,响应于从补充数据集确定的扰动)、编码具有给定功能的蛋白质或RNA(酶、转运体、来自免疫系统的蛋白质、激素、干扰RNA,等)的基因的丰度,以及与微生物组多样性数据集和/或补充数据集相关的(例如,源自于)任何其他适合的特征。在变体中,微生物组特征可以与以下中的至少一种相关(例如,包括、对应于、具有,等):存在来自微生物组特征的微生物组特征(例如,用户微生物组特征,等)、缺失来自微生物组特征的微生物组特征、与鼻有关病症相关的不同分类群组的相对丰度;与不同分类群组相关的至少两个微生物组特征之间的比例、不同分类群组之间的相互作用、以及不同分类群组之间的系统发生距离。在具体的实施例中,微生物组特征可以包括与微生物组组成多样性特征(例如,与不同分类群相关的相对丰度,等)和微生物组功能多样性特征(例如,对应于不同功能特征的序列的相对丰度;等)的至少一种相关的一种或多种相对丰度特征。相对丰度特征和/或其他适合的微生物组特征(和/或本文描述的其他适合的数据)可以基于以下提取和/或确定:标准化,源自于线性潜在变量分析和非线性潜在变量分析中的至少一种的特征向量、线性回归、非线性回归、核方法、特征嵌入方法、机器学习方法、统计推断方法和/或其他适合的分析技术。额外地或替代地,特征的组合可以用于特征向量中,其中特征可以分组和/或加权以提供组合的特征作为特征集合的部分。例如,一个特征或特征集合可以包括个体的微生物组中代表的细菌分类的数量、个体的微生物组中特定细菌属的存在、个体的微生物组中特定16S序列的代表、以及第一门细菌相对于第二门细菌的相对丰度的加权组合。然而,特征向量可以额外地或替代地以任何其他适合的方式确定。
在变体中,表征过程可以根据随机森林预测器(RFP)算法生成和训练,随机森林预测器算法组合了装袋(bagging)(例如,自助聚合)和从训练数据集选择随机特征集合以构建与所述随机特征集合相关的决策树集合T。在使用随机森林算法中,从决策树集合中随机抽取N个案例进行替换,以创建决策树的子集,并且对于每个节点,从所有预测特征中选择m个预测特征进行评估。在节点处(例如,根据目标函数)提供最佳分割的预测特征用于执行分割(例如,作为节点处的分叉,作为节点处的三分叉)。通过从大型数据集中进行多次采样,在鉴定预测分类中强的特征时,可以显著地提高表征过程的强度。在这个变体中,在处理期间可以包括防止偏差(例如,采样偏差)和/或考虑偏差量的措施,例如,以提高模型的鲁棒性。
在变体中,块S130和/或方法100的实施方式的其他部分可以包括应用计算机实现的规则(例如,模型、特征选择规则,等)来处理群体水平的数据,但是可以额外地或替代地包括应用计算机实现的规则,在人口统计特定表征基础上(例如,共享一个或多个人口统计表征、例如疗法方案、饮食方案、身体活动方案、种族、年龄、性别、体重、行为等的子群体)、在特定病症基础上(例如,表现出特定鼻有关病症、鼻有关病症的组合、鼻有关病症的诱因、相关症状等的子群体)、在样品特定类型基础上(例如,用于不同的计算机实现的规则来处理源自于不同收集部位的微生物组数据;等)、在用户基础上(例如,不同的计算机实现的规则用于不同的用户;等)和/或任何其他适合的基础上,处理微生物组相关数据。因而,块S130可以包括将来自用户群体中的用户分配至一个或多个子群体;并应用不同的计算机实现的规则来确定不同子群体的特征(例如,所使用的特征类型的集合;从特征生成的表征模型的类型;等)。然而,应用计算机实现的规则可以以任何适合的方式进行。
在另一种变体中,块S130可以包括处理(例如,生成、训练、更新、执行、存储,等)一种或多种鼻有关病症(例如,用于输出描述与鼻有关病症的用户微生物组特征的用户表征;用于输出一种或多种鼻有关病症的疗法确定的疗法模型;等)的一种或多种鼻有关表征模型(例如,鼻有关病症模型、疗法模型,等)。表征模型优选地利用微生物组特征作为输入,以及优选地输出鼻有关表征和/或其任何适合的成分;但是表征模型可以使用任何适合的输入来产生任何适合的输出。在实施例中,块S130可以包括将补充数据、微生物组组成多样性特征和微生物组功能多样性特征、其他微生物组特征、鼻有关表征模型的输出和/或其他适合的数据转化成一种或多种鼻有关病症的一种或多种表征模型(例如,基于所述补充数据和微生物组特征训练鼻有关表征模型,等)。在另一个实施例中,方法100可以包括:基于来自用户群体的样品集合(例如,和/或基于与鼻有关病症相关的一种或多种引物类型;等),确定与一种或多种鼻有关病症相关的用户群体的群体微生物序列数据集(例如,包括群体的不同用户的微生物序列输出;等);收集与受试者群体的一种或多种鼻有关病症的诊断相关的补充数据集;以及基于群体微生物序列数据集和补充数据集生成鼻有关表征模型。在实施例中,方法100可以包括基于来自用户的样品确定用户的用户微生物组特征集合,其中用户微生物组特征集合与微生物组特征相关,该微生物组特征与受试者集合相关(例如,基于处理与一种或多种鼻有关病症相关的受试者集合对应的生物样品,确定与一种或多种鼻有关病症相关的微生物组特征;微生物组组成特征集合和微生物组功能特征集合;等);确定鼻有关表征,包括基于疗法模型和用户微生物组特征集合确定对于所述一种或多种鼻有关病症的用户的疗法;提供疗法(例如,在与用户相关的计算设备上向用户提供疗法建议,等)和/或促成治疗干预。
在另一种变体中,如图10A-10B所示,可以为不同的鼻有关病症、不同的用户人口统计特征(例如,基于年龄、性别、体重、身高、种族,等)、不同的身体部位(例如,肠道部位模型、鼻部部位模型、皮肤部位模型、口腔部位模型、生殖器部位模型,等)、个体用户、补充数据(例如,结合了微生物组特征、鼻有关病症和/或其他适合的成分的现有知识的模型;与生物传感器数据、和/或测量响应数据与独立于补充数据的模型相关的特征,等)和/或其他适合的度量生成不同的鼻有关表征模型和/或其他适合的模型(例如,用不同的算法、用不同的特征集合、用不同的输入和/或输出类型生成的,以不同的方式应用的、例如,关于时间、频率、应用模型组件,等)。在具体的实施例中,方法100可以包括收集与第一身体部位相关的第一部位特异性样品(例如,肠道部位;在与第一身体部位对应的身体收集部位通过用户收集的样品;一个或多个适合的身体部位;等);基于部位特异性样品确定微生物数据集;基于微生物数据集确定第一部位特异性微生物组特征(例如,部位特异性组成特征(site-specific composition features);部位特异性功能特征;关于鼻有关病症的、本文描述的适合的微生物组特征;与第一身体部位相关的特征;等);基于第一部位特异性微生物组特征确定第一部位特异性鼻有关表征模型(例如,肠道部位特异性鼻有关表征模型;等);以及基于第一部位特异性鼻有关表征模型确定用于鼻有关病症的用户的鼻有关病症(例如,使用第一部位特异性鼻有关表征模型来处理用户微生物组特征、例如用户部位特异性微生物组特征,该用户微生物组特征源自于基于与第一身体部位对应的用户的身体收集部位处收集的用户样品;等)。在具体的实施例中,方法100可以包括收集与第二身体部位相关的第二部位特异性样品(例如,皮肤部位、生殖器部位、口腔部位和鼻部部位的至少一种;一种或多种适合的身体部位;等);确定第二部位特异性微生物组特征(例如,部位特异性组成特征;部位特异性功能特征;与第二身体部位相关的特征;等);基于第二部位特异性组成特征生成第二部位特异性鼻有关表征模型(例如,与第二身体部位相关的;等);从额外的用户收集用户样品,用户样品与第二身体部位相关(例如,通过额外的用户在与第二身体部位相对应的收集部位处收集的;等);以及基于第二部位特异性鼻有关表征模型确定用于鼻有关病症的额外的用户的其他鼻有关表征(例如,基于用户样品与身体部位之间相关性,从部位特异性鼻有关表征模型集合中选择要应用的第二部位特异性鼻有关表征模型,例如,基于从用户的皮肤收集部位收集的用户样品,选择要应用的特定皮肤部位鼻有关表征模型;等)。
在变体中,确定鼻有关表征和/或任何其他适合的表征可以包括确定部位特异性鼻有关表征(例如,部位特异性分析),其包括与特定身体部位(例如,肠道、健康的肠道、皮肤、鼻部、口腔、生殖器、其他适合的身体部位、其他样品采集部位,等)有关的鼻有关表征,例如,通过以下中的任何一种或多种:基于鼻有关表征模型确定鼻有关表征,该鼻有关表征模型源自于基于部位特异性的数据(例如,限定鼻有关病症和与一个或多个身体部位相关的微生物组特征之间的关联性);基于在一个或多个身体部位采集的用户生物样品,和/或任何其他适合的部位相关的过程来确定鼻有关表征。在实施例中,机器学习方法(例如,分类器、深度学习算法、SVM、随机森林)、参数优化方法(例如,贝叶斯参数优化)、验证方法(例如,交叉验证方法)、统计检验(例如,单变量统计技术、多变量统计技术、诸如典型相关分析的相关性分析,等)、降维技术(例如,PCA)、和/或其他适合的分析技术(例如,本文描述的)可以应用于确定部位相关的(例如,身体部位相关的,等)表征(例如,对于一个或多个样品采集部位使用一种或多种方法,例如,每种类型的样品采集部位,等)、其他适合的表征、疗法和/或任何其他适合的输出。在具体的实施例中,执行表征过程(例如,确定鼻有关表征、确定微生物组特征、基于鼻有关表征模型,等)可以包括以下中的至少一种:机器学习方法、参数优化方法、统计检验、降维方法、和/或其他适合的方法(例如,其中,诸如微生物组组成多样性特征集合和/或微生物组功能多样性特征集合的微生物组特征可以与在肠道部位、皮肤部位、鼻部部位、口腔部位、生殖器部位等至少一个处收集的微生物相关)。在另一个具体的实施例中,对多个样品收集部位执行的表征过程可以用于生成单独的表征,其可以被组合以确定总计表征(例如,总计微生物组的评分,例如,对于本文描述的一种或多种病症,等)。然而、方法100可以包括确定任何适合的部位有关的(例如,部位特异性的)输出,和/或以任何适合的方式、执行具有部位特异性和/或其他有关部位的方法100的实施方式的任何适合的部分(例如,收集样品、处理样品、确定疗法)。
受试者的表征可以额外地或替代地实现使用高假阳性检验和/或高假阴性检验以在支持根据方法100的实施方式生成的分析中进一步分析表征过程的敏感性。
如图4-5所示,执行表征过程可以包括确定一个或多个参考微生物组参数范围(例如,健康参考相对丰度范围,其中该范围可以与健康微生物组和/或缺失一种或多种病症相关;与一种或多种病症的存在和/或风险相关的风险参考丰度范围;一个或多个分类群的丰度的微生物组成范围;样品中存在的微生物的系统发生多样性;与一个或多个分类群相关的功能特征的微生物功能多样性范围;等);确定用户的用户微生物组参数;和/或基于用户微生物组参数与参考微生物组参数范围之间的比较为用户生成表征(例如,基于指示不同细菌靶点的健康参考范围之外的丰度的用户微生物组参数,将用户表征为具有与鼻有关表征相关的细菌靶点有关的不健康的微生物组组成)和/或任何其他适合的操作。微生物组参数范围可以具有任何适合的下限和上限。参考微生物组参数范围可以包括代表任何适合的置信区间的范围(例如,整个用户群体的99%置信区间)。在实施例中,对于任何适合的分类群,参考相对丰度范围可以例如基于与该分类群对应的读数(read)的计数除以读数的总数(例如,聚集和过滤的读数的总数)来计算;然而,参考相对丰度范围可以以任何适合的方式计算。
在变体中,参考微生物组参数范围可以凭经验性确定。例如,块S130可以包括从用户群体中收集生物样品和补充数据集。用户群体可以包括与微生物组组成、微生物组系统发生多样性、微生物组功能多样性、病症和/或其他适合的表征的任何适合的状态相关的用户,其中补充数据集(例如,在与用户相关的移动设备上执行的应用上的数字性管理调查)可以是特征的信息。在具体的实施例中,方法100可以包括;处理来自健康用户群体的生物样品;处理生物样品(例如,在块S120中)以确定微生物序列;确定每个用户的每个分类群(例如,来自分类群的目标列表)的相对丰度;以及基于整体的健康用户群体的相对丰度确定每个分类群的健康范围。然而,凭经验确定参考微生物组参数范围可以以任何适合的方式进行。在具体的实施例中,补充数据可以指示来自受试者集合的受试者子集缺乏至少一种鼻有关病症;其中确定微生物组特征集合可以包括基于所述微生物序列数据集确定与受试者子集相关的健康参考微生物组参数范围;其中生成鼻有关表征模型可以包括基于补充数据和健康参考微生物组参数范围,生成鼻有关表征模型(例如,采用分析技术将参考微生物组参数范围和用户微生物组特征和/或参数进行比较的模型;等)。在变体中,参考微生物组参数范围可以非经验性地确定,例如,基于手动地和/或自动地处理病症有关的信息源。
在具体的实施例中,执行表征过程可以包括确定健康参考鼻部微生物组参数范围(例如,不同分类群的健康参考鼻部微生物组相对丰度范围),例如,基于样品集合的分析,其中样品可以基于以下中的一种或多种来选择:自我报告健康的个体、之前六个月未使用抗生素、没有鼻有关病症(例如,在一段时间内没有传染性疾病;等)、环境因素(例如,日历季节、地理位置,等)、用户数据、任何适合的补充数据类型、和/或其他适合的指标。然而,确定参考微生物组参数范围(和/或其他适合的微生物组特征;等)可以以任何适合的方式进行。
在变体中,确定用户的一个或多个用户微生物组特征优选地基于从用户的生物样品(例如,聚集和过滤的读数;等)生成微生物序列。例如,确定用户微生物组特征可以包括确定不同分类群(例如,本文描述的分类群)的相对丰度,其中,例如,在确定鼻有关表征时,这种相对丰度特征可以与参考鼻部微生物组参数范围(例如,健康参考鼻部微生物组参数范围;等)比较。在具体的实施例中,方法100可以包括:根据微生物组组成特征、微生物组系统发生多样性特征和/或微生物组功能多样性特征(例如,从健康用户的生物样品得到的,等)的值来确定参考微生物组参数范围;以及将用户微生物组组成特征值、用户微生物组系统发生多样性特征值和/或用户微生物组功能多样性特征值与参考微生物组参数范围比较,以确定用户的鼻有关表征(例如,对于与所参考微生物组参数范围正相关和/或负相关的病症;对于与参考微生物组参数范围正相关和/或负相关的环境因素;等)。
将一个或多个用户微生物组特征与、与一个或多个特征(例如,分类群、病症,等)相关的一个或多个参考微生物组特征(例如,参数范围,等)进行比较可以包括基于用户微生物组参数值落在参考微生物组参数范围之内还是之外,而将用户表征为具有特征(例如,健康微生物组,等)或不具有特征。
对于块S130,额外地或替代地,执行表征过程可以基于阈值(例如,基于分类群集合关于与病症相关阈值集合的相对丰度,确定病症的风险;等)、权重(例如,诸如当第一分类群与目标病症具有更大的关联性时,第一分类群的相对丰度比第二分类群的相对丰度的权重更大;等)、机器学习模型(例如,基于微生物组特征和分类群数据库中存储的分类群的相应标签而训练的分类模型;等)、计算机实现的规则(例如,用于提取微生物组特征的特征-工程化规则;模型生成规则;用户偏好规则;微生物序列生成规则;序列比对规则;等)和/或任何其他适合的方面。在具体的实施例中,将各健康状况的显著性指数计算为从科学文献获得的、对于影响该状况的检测的微生物组的所有成员的总体统计学关联(overallstatistical association);基于相关微生物组的临床结果,对鉴定的相关性进行常规的统计学元分析和数据转换,以计算微生物组与状况之间的总体关联;以及显著性指数表示为0到100的范围,代表与健康状况相关的微生物组的状态。
然而,可以以任何适合的方式执行一种或多种表征过程S130。
3.3.A鼻有关表征过程
执行表征过程S130可以包括执行鼻有关表征过程(例如,确定一种或多种鼻有关病症的表征;确定和/或应用一种或多种鼻有关表征模型;使用关于块S130描述的任何适合的方法确定鼻有关表征;等)S135,例如,对于一个或多个样品、用户(例如,对于与来自受试者集合的样品对应的数据,用于生成一种或多种鼻有关表征模型,例如,其中一个或多个受试者与一种或多种环境因素和/或鼻有关病症相关,例如,诊断为具有一种或多种鼻有关病症的受试者;对于单个用户,例如,通过使用一种或多种鼻有关表征模型,例如,通过将一种或多种鼻有关表征模型应用于来自用户的样品测序得出的用户微生物组序列数据集,用于生成用户的鼻有关表征;等)和/或鼻有关病症。
在变体中,执行鼻有关表征过程可以包括确定与一种或多种鼻有关病症相关的微生物组特征。在实施例中,执行鼻有关表征过程可以包括应用一种或多种分析技术(例如,统计分析)来鉴定与一种或多种鼻有关病症(例如,与单一鼻有关病症相关的特征,与多种鼻有关病症和/或其他适合的与鼻有关病症相关的交叉病症特征,等)具有最高相关性的(例如,正相关、负相关,等)微生物组特征集合(例如,微生物组组成特征、微生物组组成多样性特征、微生物组功能特征、微生物组功能多样性特征,等)。在具体的实施例中,基于微生物序列数据集,确定微生物组特征集合(例如,与一种或多种鼻有关病症相关的和/或关联的;用于生成一种或多种鼻有关表征模型;等)可以包括应用分析技术集合来确定存在微生物组组成多样性特征和微生物组功能多样性特征的至少一种,缺少微生物组组成多样性特征和微生物组功能多样性特征的至少一种,描述与鼻有关病症相关的不同分类群组的相对丰度的相对丰度特征,描述与不同分类群组相关的至少两个微生物组特征之间的比例的比例特征,描述不同分类群组之间的相互作用的相互作用特征,描述不同分类群组之间的系统发生距离的系统发生距离特征,和/或其中该分析技术集合可以包括单变量统计检验、多变量统计检验、降维技术和人工智能方法的至少一种。
在实施例中,执行鼻有关表征过程可以促进对一种或多种鼻有关病症的治疗干预,例如,通过促进与疗法相关该的干预,疗法对于一个或多个用户关于一种或多种鼻有关病症的状态具有正面作用。
在实施例中,执行鼻有关表征过程(例如,确定与一种或多种补充数据类型具有最高关联的特征;生成机器学习分类器鼻有关表征模型;等)可以基于应用随机森林方法,使用从受试者群体的子集(例如,与一种或多种补充相关的受试者和/或样品;具有一种或多种鼻有关病症的;不具有一种或多种鼻有关病症的受试者;等)中得出的训练数据集来训练模型,并且使用从受试者群体的子集得出的验证数据集来验证模型。
在变体中,执行鼻有关表征过程可以基于微生物组特征和补充特征(例如,从补充数据得出;原始补充数据;等)。在实施例中,微生物组组成特征(例如,包括计数、丰度、关联性、相关指数中的一个或多个的分类相关参数,等)可以与样品元数据(例如,地理位置、气候类型、采样时间、基于采样时间的日历季节,等)和/或适合的补充数据(例如,随访得到的数据;等)组合进行分析。在具体的实施例中,微生物组组成特征和补充特征可以使用一种或多种人工智能方法进行分类,例如,监督和非监督聚类方法(clustering method)(例如,随机森林、支持向量机、k-均值聚类,等),用于生成鼻有关表征模型(例如,高质量预测器,等),其可以用于对数据集中不存在的新样品进行分类,例如,用于与样品元数据(例如,日历季节、地理位置、气候类型,等)、其他适合的补充数据类型、一种或多种鼻有关病症、鼻部微生物组健康和/或其他适合的特征有关的分类。
在实施例中,随机森林方法(和/或其他适合的人工智能方法)可以应用于训练一种或多种鼻有关表征模型以基于鼻部微生物组(例如,与从鼻部部位收集的样品相关的微生物组特征)通过日历季节(和/或其他适合的特征)对鼻部样品(例如,图12中描述的鼻部样品集合,例如,与地理位置、气候类型和样品数量有关,等)进行分类。在具体的实施例中,方法100可以从受试者集合收集鼻部部位样品集合(例如,在受试者集合的鼻部部位采样;等)通过日历季节标记该鼻部部位样品集合(例如,基于从受试者集合提供的随访补充数据确定的采样时间;等);基于该样品确定微生物数据集;基于该微生物数据集确定微生物组组成特征(例如,样品中属分类群的存在和/或相对丰度;等);执行交叉验证(例如,贝叶斯优化;等)用于概括数据集上的参数(例如,使用不同学习参数分成K个子集;等),例如,其中训练数据使用日历季节(例如,夏季、秋季、冬季、春季;其中训练数据可以分成K个子样本用于训练临时模型)标记;确定关键特征(例如,对于不同的标签具有最大相关性或信息性;确定每个临时模型的关键特征;微生物组组成特征,例如,本文描述的;其他微生物组特征;补充特征,例如受试者或用户的年龄;等);和/或生成一种或多种鼻有关表征模型(例如,基于从交叉验证获得的参数,例如,艾它(eta)范围、最大深度范围、轮数、子样品速率、旁树(bytree)范围;使用基于关键特征的特征选择方法;基于包括没有分割的数据的所有子样品;基于额外的参数,例如缺失值参数;等)。
然而,确定微生物组特征、生成模型和/或与一种或多种鼻有关表征相关的其他适合的方面可以以任何适合的方式执行。
与一个或多个鼻有关表征相关的(例如,正相关;负相关;对诊断有用的;等)微生物组特征(例如,微生物组组成特征;与一个或多个身体部位相关的部位特异性组成特征;微生物组功能特征;与一个或多个身体部位相关的部位特异性功能特征;用户微生物组特征;等)可以包括与以下例如,与一个或多个身体部位(例如,鼻部部位;其中微生物组组成特征可以包括与一个或多个身体部位相关的部位特异性组成特征,例如,其中组成特征与一种或多种鼻有关病症之间的相关性可以特定于一个或多个身体部位,例如,特定于身体部位,从对应于身体部位的身体采集部位采集的样品观察到的微生物组组成;等)相关的分类群(例如,描述其丰度的特征;描述其相对丰度的特征;描述与之相关的功能方面的特征;由其得出的特征;描述其存在和/或缺失的特征;等)的一个或多个的任何组合相关的特征(例如,微生物组组成特征,等):贫养菌属(Abiotrophia)、无色杆菌属(Achromobacter)、不动杆菌属(Acinetobacter)、放线杆菌属(Actinobacillus)、放线菌属(Actinomyces)、凝聚杆菌属(Aggregatibacter)、别样杆菌属(Alistipes)、拟普雷沃氏菌属(Alloprevotella)、厌氧球菌属(Anaerococcus)、厌氧棒状菌属(Anaerostipes)、厌氧芽孢杆菌属(Anoxybacillus)、水杆菌属(Aquabacterium)、节杆菌属(Arthrobacter)、奇异菌属(Atopobium)、芽胞杆菌属(Bacillus)、拟杆菌属(Bacteroides)、伯杰氏菌属(Bergeyella)、双歧杆菌属(Bifidobacterium)、布劳特氏菌属(Blautia)、慢生根瘤菌属(Bradyrhizobium)、短杆菌属(Brevibacterium)、短波单胞菌属(Brevundimonas)、伯克霍尔德菌属(Burkholderia)、弯曲菌属(Campylobacter)、二氧化碳噬纤维菌属(Capnocytophaga)、柄杆菌属(Caulobacter)、蜈蚣菌属(Centipeda)、金黄杆菌属(Chryseobacterium)、柯林斯氏菌属(Collinsella)、棒状杆菌属(Corynebacterium)、异常球菌属(Deinococcus)、戴尔福特菌属(Delftia)、皮杆菌属(Dermabacter)、小杆菌属(Dialister)、狡诈球菌属(Dolosigranulum)、多尔氏菌属(Dorea)、肠杆菌属(Enterobacter)、粪杆菌属(Faecalibacterium)、芬戈尔德菌属(Finegoldia)、黄杆菌属(Flavobacterium)、镰刀链杆菌属(Fusicatenibacter)、梭菌属(Fusobacterium)、孪生球菌属(Gemella)、颗粒链菌属(Granulicatella)、嗜血杆菌属(Haemophilus)、草螺菌属(Herbaspirillum)、嗜氢菌属(Hydrogenophilus)、克雷伯氏菌属(Klebsiella)、克吕沃尔菌属(Kluyvera)、考克氏菌属(Kocuria)、乳杆菌属(Lactobacillus)、乳球菌属(Lactococcus)、劳特罗普氏菌属(Lautropia)、纤毛菌属(Leptotrichia)、马拉色氏霉菌属(Malassezia)、巨球型菌属(Megasphaera)、亚栖热菌属(Meiothermus)、甲基杆菌属(Methylobacterium)、微球菌属(Micrococcus)、莫拉氏菌属(Moraxella)、分枝杆菌属(Mycobacterium)、阴性球菌属(Negativicoccus)、奈瑟氏菌属(Neisseria)、新鞘脂菌属(Novosphingobium)、苍白杆菌属(Ochrobactrum)、泛菌属(Pantoea)、副拟杆菌属(Parabacteroides)、微单胞菌属(Parvimonas)、嗜糖假单胞菌属(Pelomonas)、嗜冻菌属(Peptoniphilus)、消化链球菌属(Peptostreptococcus)、叶杆菌属(Phyllobacterium)、卟啉单胞菌属(Porphyromonas)、普氏菌属(Prevotella)、丙酸菌属(Propionibacterium)、伪丁酸弧菌属(Pseudobutyrivibrio)、假单胞菌属(Pseudomonas)、雷尔氏菌属(Ralstonia)、根瘤菌属(Rhizobium)、罗氏菌属(Roseburia)、罗思氏菌属(Rothia)、八叠球菌属(Sarcina)、申氏杆菌属(Shinella)鞘脂单胞菌属(Sphingomonas)、葡萄球菌属(Staphylococcus)、寡养单胞菌属(Stenotrophomonas)、链球菌属(Streptococcus)、韦荣氏球菌属(Veillonella)、副萨特氏菌属(Parasutterella)、红假单细胞菌属(Rhodopseudomonas)、黄单胞菌属(Xanthomonas)、中慢生根瘤菌属(Mesorhizobium)、费克蓝姆氏菌属(Facklamia)、金氏菌属(Kingella)、红杆菌属(Rhodobacter)、赖氨酸芽孢杆菌属(Lysinibacillus)、皮生球菌属(Dermacoccus)、心杆菌属(Cardiobacterium)、和/或其他适合的分类群(例如,本文描述的)。在实施例中,微生物组特征可以包括来自葡萄球菌属(Staphylococcus)、棒状杆菌属(Corynebacterium)和/或丙酸菌属(Propionibacterium)的任何适合的物种分类群。在实施例中,微生物组特征可以包括物种(和/或其他适合的分类群类型),例如,与传染性疾病相关的和/或与任何适合的鼻有关病症相关的狡诈球菌属(Dolosigranulum)和/或莫拉氏菌属(Moraxella)。在具体的实施例中,如图3A-3D所示,可以获得(例如,来自处理鼻部部位样品集合,例如,图12中描述的样品)、处理(例如,用于确定特征;用于生成和/或应用一种或多种鼻有关表征模型;等)、和/或使用微生物组组成特征(例如,关键微生物组组成特征),该微生物组组成特征包括与气候类型和日历季节有关的不同分类群(例如,过度呈现的分类群;等)的计数(和/或其他适合的丰度指标),例如,用于方法100的实施方式的任何适合的部分。
本文描述的任何适合的微生物组特征、补充特征和/或其他适合的数据可以用于处理(例如,生成、应用,等)一种或多种鼻有关表征模型。
在具体的实施例中,方法100可以包括确定鼻有关表征,其可以包括基于鼻有关表征模型(例如,基于与本文描述的分类群相关的微生物组组成特征,和/或基于补充数据生成的;如本文描述的一个或多个变体中描述的训练的鼻有关表征模型;等)确定与在用户的鼻部部位收集的用户样品(与未知采样时间相关的用户样品)相关的日历季节参数(例如,夏季、秋季、冬季、春季的日历季节预测;其他适合的季节;等)。在具体的实施例中,鼻有关表征模型可以包括日历季节表征机器学习模型,其中生成鼻有关表征模型可以包括基于与从受试者集合的鼻部部位收集的样品相关的微生物组组成特征集合和日历季节(例如,从补充数据确定的)来训练日历季节表征机器学习模型,且其中确定日历季节参数可以包括基于日历季节表征机器学习模型和在在用户的鼻部部位收集的用户样品来确定日历季节参数。在具体的实施例中,补充数据可以包括受试者集合的年龄,其中生成鼻有关表征模型可以包括基于微生物组组成特征集合和受试者集合的年龄生成鼻有关表征模型,且其中确定日历季节参数(例如,与用户样品相关的)可以包括基于鼻有关表征模型、在用户的鼻部部位收集的用户样品、以及用户的年龄(例如,其中年龄可以是鼻有关表征的关键补充特征,等)确定日历季节参数。在具体的实施例中,与受试者集合相关的补充数据可以包括地理位置、气候类型和采样时间的至少一个,其中生成鼻有关表征模型可以包括基于微生物组组成特征集合、受试者的年龄、以及地理位置、气候类型和采样时间中的至少一个生成鼻有关表征模型,且其中确定所述日历季节参数可以包括基于鼻有关表征模型、在用户的鼻部部位收集的用户样品、用户的年龄、以及用户地理位置、与用户的地理位置相关的气候类型和与在用户的鼻部部位收集的用户样品相关的用户采样时间中的至少一个来确定日历季节参数。然而,任何适合的采样时间参数(例如,日历季节参数;任何适合的时间周期,例如分钟、小时、天、月、年,等)可以被预测,可以与鼻有关表征模型相关,和/或使用。
在具体的实施例中,可以处理特定的日历季节表征模型(例如,被生成、被应用,等),例如,用于预测日历季节的子集(例如,用于夏季、秋季、冬季、春季的子集;对于不同子集使用不同的特征集合;使用与用于完整日历季节集合的模型相关的不同特征集合;等),例如,以改善精度、灵敏度、特异性、曲线下面积和/或与模型相关的其他适合的度量(例如,与所有日历季节有关的预测子模型)。在具体的实施例中,可以处理用于春季和冬季预测的鼻有关表征模型(例如,二元分类模型)。然而,补充数据类型的任何子集(例如,环境因素的子集,例如,地理位置的子集,例如,城市、国家、大陆的子集)的鼻有关表征模型可以以任何适合的方式处理。
在具体的实施例中,例如,基于鼻有关表征模型(例如,本文描述的)和用户样品(例如,在所述用户的鼻部部位采集的),确定鼻有关表征可以包括确定(例如,预测)与用户样品(例如,与未知的地理位置相关的用户样品;等)相关的地理位置参数。
在具体的实施例中,鼻有关表征模型可以与一种或多种鼻有关病症相关(例如,模型的输出可以是一个或多个用户的一种或多种鼻有关病症的信息),且确定鼻有关表征可以包括例如基于鼻有关表征模型和在用户的鼻部部位收集的用户样品,来确定一种或多种鼻有关病症的用户的鼻有关表征。在具体的实施例中,方法100可以包括基于一个或多个鼻有关表征促进对用户的治疗干预(例如,提供疗法;提供疗法建议;等),用于促仅一种或多种鼻有关病症的改善。
在具体的实施例中,微生物组特征(例如,与本文描述的分类群相关的微生物组组成特征,等)可以根据对从不同受试者子集收集的鼻部部位的样品应用分析技术(例如,随机森林方法、交叉验证方法,等)来确定,各受试者子集对应于与采样时间和/或其他适合的采样时间参数相关的不同日历季节参数(例如,夏季、秋季、冬季、春季)。
在具体的实施例中,方法100可以包括确定鼻有关表征,包括表征例如与一系列分类群(panel of taxa)有关的一个或多个用户的鼻部微生物组(例如,本文描述的;不同分类群的相对丰度;用于与健康范围、与不健康范围、与其他用户比较;等)。
在实施例中,与多个分类群的一个或多个相关的标志物可以包括与多个分类群相关的16S rRNA遗传序列。标志物和/或多个分类群可以与以下中一种或多种相关(例如,正相关、负相关,等):病症、病原体、共生细菌、益生细菌、和/或任何其他标志物相关信息,其中这样的相关性可以存储在微生物数据库中、应用于表征过程、和/或处理。
额外地或替代地,与一个或多个鼻有关表征相关的微生物组特征可以包括微生物组功能特征(例如,描述与一种或多种微生物相关的功能的特征,例如,根据本文描述的分类群分类的微生物;描述功能多样性的特征;描述存在、缺失、丰度和/或相对丰度的特征;等),其对应于选自以下中的一个或多个的功能和/或与以下中的一个或多个相关(例如,与一个或多个身体部位、例如鼻部部位有关,其中微生物组功能特征可以包括与一个或多个身体部位相关的部位特异性功能特征,例如,其中功能特征与一个或多个鼻有关表征之间的关联可以特定到身体部位,例如,特定于对应于在身体部位处观察到的微生物的微生物组功能,该微生物来自对应于身体部位的身体收集部位收集的样品;等):直系同源基因簇(Clusters of Orthologous Groups,COG)数据库(例如,COG、COG2,等)、基因和基因组京都百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)数据库(例如,KEGG2、KEGG3、KEGG4,等),和/或任何其他适合的可用数据库(例如,具有微生物功能数据的数据库,等)。然而,微生物组特征可以包括与任何适合的微生物功能、人类功能和/或其他适合的功能性相关的任何适合的微生物组功能特征。
在变体中,部位特异性鼻有关表征模型(例如,用于基于处理与一个或多个身体部位相关的、并且也与部位特异性鼻有关表征模型相关的用户部位特异性微生物组特征来确定鼻有关表征;等)和/或鼻有关关表征(例如,与身体部位相关的,等)可以基于本文描述的部位特异性微生物组特征(例如,与一个或多个身体部位相关;等)(例如,部位特异性组成特征;部位特异性功能特征;等)来确定。在实施例中,方法100可以包括确定用户微生物组特征(例如,用户可以确定和/或推广鼻有关表征和/或疗法;为用户确定微生物组特征的特征值,该微生物组特征被确定为与一种或多种鼻有关病症相关、例如关联;等),包括与一个或多个身体部位相关的部位特异性微生物组特征。
在具体的实施例中,本文描述的微生物组组成特征(例如,包括部位特异性组成特征,等)、本文描述的微生物组功能特征、和/或其他适合的微生物组特征可以基于一个或多个微生物数据集(例如,微生物序列数据集,等)确定,该一个或多个微生物数据集基于来自受试者集合的样品来确定(例如,样品的微生物核酸的测序,等),受试者集合与一种或多种环境因素、其他补充数据类型、鼻有关病症(例如,包括具有鼻有关病症的受试者的受试者集合;包括没有鼻有关病症的受试者的受试者集合,其中这样的样品和/或相关的数据可以用作对照;受试者群体;等)和/或其他适合的方面相关。
在变体中,本文描述的微生物组特征的任何适合的组合可以用于对一种或多种鼻有关病症和/或与微生物相关的状态的预防、治疗和/或治疗干预的适当促进,例如,用于将鼻部微生物群恢复至健康群组(例如,改善微生物组多样性),例如,包括调节鼻部微生物组和/或与适合的身体部位相关的其他适合的微生物组中微生物的存在、缺失或相对丰度(例如,朝向与具有健康微生物组的用户相关的目标微生物组组成和/或功能性,等)。然而,与鼻有关病症相关的微生物组特征可以以任何适合的方式应用于一种或多种鼻有关病症的预防、治疗和/或治疗干预的适当促成。
在实施例中,方法100可以包括基于第一组成特征集合(例如,包括相与第一变体相关的上文描述的至少一种或多种微生物组特征;包括微生物组特征的任何适合的组合;等)、第一鼻有关表征模型、第二组成特征集合(例如,包括与第二变体有关的上文描述的至少一种或多种所述微生物组特征;包括微生物组特征的任何适合的组合;等)和第二鼻有关表征模型来确定用户的第一鼻有关病症和第二鼻有关病症的鼻有关表征,其中第一鼻有关表征模型与第一鼻有关病症有关(例如,其中第一鼻有关表征模型确定第一鼻有关病症的表征,等),以及其中第二鼻有关表征模型与第二鼻有关病症相关(例如,其中第二鼻有关表征模型确定第二鼻有关病症的表征,等)。在所述实施例中,确定用户微生物组特征可以包括确定与来自直系同源组基因簇(COG)数据库以及基因和基因组京都百科全书(KEGG)数据库中的至少一种的第一功能相关的第一用户微生物组功能特征,其中第一用户微生物组功能特征与第一鼻有关病症相关;以及确定与来自COG数据库和KEGG数据库中的至少一种的第二功能相关的第二用户微生物组功能特征,其中第二用户微生物组功能特征与所述第二鼻有关病症相关,其中确定鼻有关表征可以包括基于所述第一组成特征集合、第一用户微生物组功能特征、第一鼻有关表征模型、第二组成特征集合、第二用户微生物组功能特征和第二鼻有关表征模型来确定与第一鼻有关病症和第二鼻有关病症有关的用户的鼻有关表征。额外地或替代地,微生物组特征的任何组合可以以任何适合的方式与任何数量和类型的鼻有关表征模型一起使用来确定一种或多种鼻有关病症的鼻有关表征。
在实施例中,方法100可以包括基于上文和/或此处描述的微生物组特征(例如,基于微生物组组成特征集合,其包括与本文描述的至少一种所述分类群相关的特征;和/或基于本文描述的微生物组功能特征,例如,与本文描述的数据库的功能对应的;等)的任何适合的组合生成一种或多种鼻有关表征模型。在实施例中,对用户执行表征过程可以包括例如,以额外(例如,补充于、互补于,等)和/或可替代与鼻有关病症相关的传统的诊断、其他表征(例如,治疗相关的表征,等)、治疗、监测的方法和/或其他适合的方法,例如基于本文描述的微生物组特征(例如,上文描述的微生物组特征,等)的检测、与之相应的值、和/或与之有关的其他方面,将用户表征为具有一种或多种鼻有关病症。在变体中,微生物组特征可以用于诊断、其他表征、治疗、监测和/或与鼻有关病症相关的任何其他适合的目的和/或方法。
任何适合的分类群、相关分析、特征和/或其他适合的数据可以是以2018年7月27日提交的美国申请No.16/047,840中描述的任何适合的方式得出,其通过引用整体合并在本文中。
然而,确定一个或多个鼻有关表征可以以任何适合的方式执行。
3.3.B确定疗法
执行表征过程S130(例如,执行鼻有关疗法)可以包括块S140,其可以包括确定一种或多种疗法(例如,在基于一种或多种表征过程表征的用户中,例如,配置为以调节微生物组组成、功能、多样性和/或其他适合的方面的疗法,例如,以用于提高与鼻有关病症相关的一个或多个方面;等)。块S140可以用于鉴定、选择、排列、区分优先级、预测、阻止和/或确定疗法(例如,促进疗法确定,等)。例如,块S140可以包括确定基于益生菌的疗法、基于噬菌体的疗法、基于小分子的疗法、和/或其他适合的疗法中的一种或多种,例如,可以使受试者的微生物组组成、功能、多样性和/或其他特征(例如,在任何适合的部位的微生物组,等)朝向推广用户的健康期望的状态(例如,平衡状态,等)转变的疗法,用于修改一种或多种鼻有关病症的状态、和/或其他适合的目的。
疗法(例如,鼻有关疗法,等)可以包括以下中任何一种或多种:消费品(例如,益生菌疗法;益生元疗法;药物,例如抗生素、过敏或感冒药物;基于噬菌体的疗法;对于基础病症的消费品;小分子疗法,等);设备相关疗法(例如,监视设备;基于传感器的设备;医疗设备;可植入的医疗设备;等);外科手术;心理学相关疗法(例如,认知行为疗法、焦虑疗法、谈话疗法、心理动力学疗法、行动导向疗法、理性情绪行为疗法、人际心理疗法、放松训练、深呼吸技术、渐进性肌肉放松、冥想,等);行为矫正疗法(例如,身体活动建议,例如增加运动;饮食建议,例如减少糖摄入量、增加蔬菜摄入量、增加鱼类摄入量、减少咖啡因消费、减少酒精消费、减少碳水化合物的摄入量;吸烟建议,例如减少烟草摄入量;与体重有关的建议;睡眠习惯建议,等);局部给药疗法(例如,局部益生菌、益生元和/或抗生素,基于噬菌体的疗法);环境因素修正疗法;与一种或多种鼻有关病症相关的任何其他适合方面的修正;和/或任何其他适合的疗法(例如,用于改善与一种或多种鼻有关病症相关的健康状态,例如,用于改善一种或多种鼻有关病症的疗法,用于降低一种或多种鼻有关病症的风险的疗法,等)。在实施例中,疗法的类型可以包括以下中的任何一种或多种:益生菌疗法、基于噬菌体的疗法、基于小分子的疗法、认知/行为疗法、身体康复疗法、临床疗法、基于药物的疗法、基于饮食的疗法、和/或设计成以任何其他适合的方式操作以推广用户健康方面的其他适合的疗法。
在变体中,疗法可以包括与一个或多个身体部位相关的部位特异性疗法,例如,用于促进用户的一个或多个不同身体部位(例如,一个或多个不同的收集部位,等)处的微生物组组成和/或功能的修正,例如,靶向和/或转化与鼻部位和/或其他适合的部位、包括肠道部位、皮肤部位、口腔部位和/或生殖器部位的一个或多个相关的微生物;例如,通过促进与一种或多种疗法相关的治疗干预,该一种或多种疗法配置为特异性靶向一个或多个用户身体部位,例如,一个或多个用户身体部位处的微生物组;例如,促进一种或多种鼻有关病症的改善(例如,通过将特定用户身体部位处的用户微生物组组成和/或功能朝向目标微生物组组成和/或功能进行修改,例如,特定身体部位处且与健康微生物组状态和/或一种或多种鼻有关病症的缺乏相关的微生物组组成和/或功能;等)。部位特异性疗法可以包括消费品(例如,靶向鼻部部位微生物组和/或与任何适合的身体部位相关的微生物组;等);局部疗法(例如,用于修正皮肤微生物组、鼻部微生物组、口腔微生物组、生殖器微生物组,等);和/或任何其他适合的疗法类型的任何一种或多种。在实施例中,方法100可以包括从用户收集与第一身体部位(例如,包括鼻部部位、肠道部位、皮肤部位、生殖器部位、口腔部位和鼻部部位的至少一种;等)相关的样品;确定与第一身体部位相关的部位特异性组成特征;基于该部位特异性组成特征确定鼻有关病症的用户的鼻有关表征;和基于该鼻有关表征促进与用户的第一部位特异性疗法有关的治疗干预(例如,向用户提供第一部位特异性疗法;等),用于促进鼻有关病症的改善,其中第一部位特异性疗法与第一身体部位相关。在实施例中,方法100可以包括在促进与第一部位特异性疗法有关的治疗干预之后,从用户收集疗法后的样品(例如,在提供第一部位特异性疗法之后;等),其中疗法后的样品与第二身体部位相关(例如,包括鼻部部位、肠道部位、皮肤部位、生殖器部位、口腔部位的至少一种;等);基于与第二身体部位相关的部位特异性特征,为鼻有关病症的用户确定疗法后鼻有关表征;和基于疗法后鼻有关表征,促进与用户的第二部位特异性疗法有关的治疗干预(例如,向所述用户提供第二部位特异性疗法;等),用于促进鼻有关病症的表征,其中第二部位特异性疗法与所述第二身体部位相关。
在变体中,疗法可以包括一种或多种基于噬菌体的疗法(例如,消费品的形式、局部施用疗法的形式;等),其中对受试者中表现的特定细菌(或其他微生物)特异的一种或多种噬菌体群体(例如,就集落形成单位而言)可以用于下调和/或消除特定细菌的群体。因而,基于噬菌体的疗法可以用于降低受试者中存在的非期望的细菌群体的大小。额外地或替代地,基于噬菌体的疗法可以用于提高噬菌体未靶向的细菌群落的相对丰度。然而,基于噬菌体的疗法可以用于以任何适合的方式调节微生物组的特征(例如,微生物组组成、微生物组功能,等),和/或可用于任何适合的目的。
在变体中,疗法可以包括一种或多种益生菌疗法和/或益生元疗法,该疗法与本文描述的任何适合的分类群(例如,与一种或多种鼻有关病症相关的一种或多种微生物组组分特征有关,等)、和/或与任何适合的分类群组相关的任何其他适合的微生物(例如,来自本文描述的分类群的微生物,例如,与微生物组特征有关;与本文描述的功能特征有关的分类群,等)的至少一种或多种的任何组合(例如,包括任何合适的量和/或浓度、例如任何适合的相对数量和/或浓度的、一种或多种的任何组合)相关。对于一种或多种益生菌疗法和/或其他适合的疗法,可以以十万到100亿CFU的剂量和/或以任何适合的数量提供(例如,由预测患者的微生物组响应于疗法的正调节的疗法模型确定;不同分类群的不同数量;不同分类群的相同或类似数量,等)与给定分类群组和/或任何适合的微生物组合相关的微生物。在实施例中,可以指示受试者根据针对他/她的:生理机能(例如,体质量指数、体重、身高)、人口统计学特征(例如,性别、年龄)、严重的失调度、对药物的敏感性以及任何其他适合的因素的一种或多种而定制的方案,来摄食包括益生菌制剂的胶囊。在实施例中,益生菌疗法和/或益生元疗法可以用于调节用户微生物组(例如,对于组成、功能,等),用于促进一种或多种鼻有关病症的改善。在实施例中,促进治疗干预可以包括向用户推广(例如,建议、告知用户、提供、施用、促进获取,等)一种或多种益生菌疗法和/或益生元疗法,例如,用于促进一种或多种鼻有关病症的改善。
在益生菌疗法的具体实施例中,如图6所示,疗法模型的候选疗法可以执行以下中的一种或多种:通过提供物理屏障阻断病原体进入上皮细胞(例如,通过定植抗力(colonization resistance))、通过刺激杯状细胞来诱导粘液屏障的形成、增强受试者上皮细胞之间的顶端紧密连接的完整性(例如,通过刺激紧密连接蛋白1(zona-occludens 1)的上调、通过阻止紧密连接蛋白再分布)、产生抗微生物因子、刺激抗炎性细胞因子的产生(例如,通过树突细胞的信号和诱导调节性T细胞)、触发免疫反应、以及执行调节受试者的微生物组使其远离生态失调状态的任何其他适合的功能。然而,益生菌疗法和/或益生元疗法可以以任何适合的方式配置。
在另一具体的实施例中,疗法可以包括基于医疗设备的疗法(例如,与人类行为修正相关、与治疗疾病相关病症相关,等)。
在变体中,疗法模型优选地基于来自大的受试者群体的数据,其可以包括在块S110中得出微生物组多样性数据集的受试者群体,其中在暴露于各种治疗措施之前和之后的微生物组组成和/或功能特征或健康状态被良好地表征。这样的数据可以用于训练和验证疗法提供模型,以基于不同的鼻有关表征鉴定为受试者提供期望的结果的治疗措施。在变体中,作为监督机器学习算法的支持物向量机可以用于生成疗法提供模型。然而,上文描述的任何其他适合的机器学习算法可以促进疗法提供模型的生成。
额外地或替代地,疗法模型可以相对于“正常的”或基线微生物组组成和/或功能特征的鉴定来得出,如从被鉴定为健康良好的受试者群体的受试者所评估的。在鉴定出表征为健康良好的受试者群体的受试者子集(例如,使用表征过程的特征)后,在块S140中可以生成将微生物组组成和/或功能特征朝向健康良好的受试者调节的疗法。因此,块S140可以包括鉴定一种或多种基线微生物组组成和/或功能特征(例如,各人口统计学特征对应一个基线微生物组),和潜在的疗法配方(therapy formulation)以及疗法方案,其可以将处于失调状态的受试者的微生物组朝向所鉴定的基线微生物组组成和/或功能特征之一调节。然而,疗法模型可以以任何其他适合的方式生成和/或改进。
与益生菌疗法和/或益生元疗法相关的微生物组合物(例如,通过疗法促进系统应用的疗法模型确定的、与益生菌疗法相关的,等)可以包括可培养的微生物(例如,能够扩大以提供可放大的疗法)和/或非致死的(例如,在其期望的治疗剂量下非致死的)微生物。此外,微生物组合物可以包括单一类型的微生物,其对受试者的微生物组具有急性的或中度的影响。额外地或替代地,微生物组合物可以包括多种类型的微生物的平衡组合物,其配置为在驱使受试者的微生物组朝向期望的状态中彼此协作。例如,益生菌疗法中多种类型的细菌的组合可以包括第一细菌类型,其产生第二细菌类型使用的产物,第二细菌类型在积极影响受试者的微生物组方面具有强的作用。额外地或替代地,益生菌疗法中多种细菌类型的组合可以包括几种细菌类型,其产生积极影响受试者的微生物组的具有相同功能的蛋白质。
益生菌和/或益生元组合物可以是天然地或合成地得到的。例如,在一种应用中,益生菌组合物可以天然地来源于粪便或其他生物物质(如使用表征过程和疗法模型鉴定的、例如,具有基线微生物组组成和/或功能特征的一个或多个受试者的粪便或其他生物物质)。额外地或替代地,益生菌组合物可以基于基线微生物组组成和/或功能特征合成地得到(例如,使用台式方法(benchtop method)得到),如使用所述表征过程和所述疗法模型鉴定的。在变体中,可以用于益生菌疗法的微生物制剂包括以下中的一种或多种:酵母(例如,布拉氏酵母(Saccharomyces boulardii))、革兰氏阴性细菌(例如,E.coli Nissle)、革兰氏阳性细菌(例如,重组双歧杆菌(Bifidobacteria bifidum)、婴儿双歧杆菌(Bifidobacteria infantis)、鼠李糖乳杆菌(Lactobacillus rhamnosus)、乳酸乳球菌(Lactococcus lactis)、植物乳杆菌(Lactobacillus plantarum)、嗜酸乳杆菌(Lactobacillus acidophilus)、干酪乳杆菌(Lactobacillus casei)、多发酵芽孢杆菌(Bacillus polyfermenticus),等),以及任何其他合适类型的微生物制剂。然而,益生菌疗法、益生元疗法和/或其他适合的疗法可以包括与本文描述的任何适合的分类群相关的任何适合的微生物组合,和/或可以以任何适合的方式配置疗法。
块S140可以包括执行、存储、检索和/或处理一种或多种疗法模型,用于确定一种或多种疗法。处理一个或多个疗法模型优选地基于微生物组特征。例如,生成疗法模型可以基于与一种或多种鼻有关病症相关的微生物组特征、诸如与微生物组特征有关的疗法效力的疗法相关方面、和/或其他适合的数据。额外地或替代地,处理疗法模型可以基于任何适合的数据。在实施例中,处理疗法模型可以包括基于一个或多个疗法模型、用户微生物组特征(例如,将用户微生物组特征值输入一个或多个疗法模型,等)、补充数据(例如,与疗法相关的现有知识,例如,与微生物有关的新陈代谢有关;用户病史;用户人口统计学数据,例如,描述人口统计学特征的;等)和/或任何其他适合的数据为用户确定一个或多个疗法。然而,处理疗法模型可以以任何适合的方式基于任何适合的数据。
鼻有关表征模型可以包括一个或多个疗法模型。在实施例中,确定一个或多个鼻有关表征(例如,对于一个或多个用户,对于一种或多种鼻有关病症,等)可以包括基于一个或多个疗法模型(例如,应用一个或多个疗法模型,等)和/或其他适合的数据(例如,微生物组特征,例如用户微生物组特征、诸如用户微生物数据集的微生物数据集,等)来确定一个或多个疗法。在具体的实施例中,确定一个或多个鼻有关表征可以包括确定用户的第一鼻有关表征(例如,描述一种或多种鼻有关病症的倾向;等);和基于第一鼻有关表征确定所述用户的第二鼻有关表征(例如,基于一种或多种鼻有关病症的倾向,确定一个或多个疗法,例如,用于向用户建议;等)。在具体的实施例中,鼻有关表征可以包括倾向相关数据(例如,诊断数据;与微生物组组成、功能、多样性和/或其他特征相关的;等)和疗法相关数据(例如,建议的疗法;潜在的疗法;等)。然而,鼻有关表征可以包括任何适合的数据(例如,本文描述的数据的任何组合,等)。
处理疗法模型可以包括处理多个疗法模型。例如,不同的疗法模型可以处理为用于不同的疗法(例如,不同个体疗法的不同模型;不同疗法组合和/或类别的不同模型,例如,用于确定消费性疗法的第一疗法模型,和用于确定心理相关疗法的第二疗法模型;等)。在实施例中,不同的疗法模型可以处理为用于不同的鼻有关病症(例如,不同个体鼻有关病症的不同模型;不同鼻有关病症的组合和/或类别的不同模型,等)。额外地或替代地,可以对任何适合的数据类型和/或实体执行多个疗法模型的处理(例如,基于;处理其不同的疗法模型;等)。然而,处理多个疗法模型可以以任何适合的方式进行,且确定和/或应用一个或多个疗法模型可以以任何适合的方式进行。
3.4处理用户生物样品
方法100的实施方式可以额外地或替代地包括块S150,其可以包括处理来自用户的一个或多个生物样品(例如,来自用户的不同收集部位的生物样品,等)。块S150可以用于促进用户的微生物数据集的生成,例如,用于得到表征过程的输入(例如,通过应用一种或多种鼻有关表征模型,例如,用于生成用户的鼻有关表征,等)。因而,块S150可以包括接收、处理和/或分析来自一个或多个用户的一个或多个生物样品(例如,同一用户随着时间推移的多个生物样品,不同用户的不同的生物样品,等)。在块S150中,生物样品优选地以非侵入性方式从用户和/或用户的环境中生成。在变体中,样品接收的非侵入性方式可以使用以下中的任何一种或多种:可渗透基底(例如,配置为擦拭用户身体区域的拭子、卫生纸、海绵,等)、不可渗透基底(例如,玻片、胶带,等)、配置为接收来自用户身体区域的样品的容器(例如,小瓶、管、袋子,等),以及任何其他适合的样品接收元件。在具体的实施例中,生物样品可以以非侵入性方式(例如,使用拭子和小瓶)从用户的鼻部、皮肤、生殖器、口腔和肠道(例如,通过粪便样品,等)的一个或多个来收集。然而,生物样品可以额外地或替代地以半侵入性方式或侵入性方式来接收。在变体中,样品接收的侵入性方式可以使用以下中的任何一种或多种:针头、注射器、活检元件、柳叶刀,和用于以半侵入性或侵入性方式收集样品的任何其他适合的器械。在具体的实施例中,样品可以包括血液样品、血浆/血清样品(例如,能够提取无细胞DNA)和组织样品。
在上述变体和实施例中,生物样品可以不借助其他实体(例如,与用户相关的护理者、健康护理专业人员、自动化或半自动化的样品收集装置,等)而从用户的身体中取得,或替代地可以借助其他实体从用户的身体中取得。在一个实施例中,其中生物样品在样品提取过程中不借助其他实体而从用户处取得,可以向用户提供样品供应试剂盒。在该实施例中,试剂盒可以包括用于样品获取的一个或多个拭子、配置为接收拭子用于存储的一个或多个容器、用于样品供应和用户账号设置的说明书、配置为将样品与用户相关联的元件(例如,条码标识符、标签,等)、容许来自用户的样品递送至样品处理操作(例如,通过邮递系统)的接收器。在另一个实施例中,其中生物样品借助其他实体从用户取出,可以在临床或研究环境下从用户(例如,在临床预约期间)收集一个或多个样品。然而,生物样品可以以任何其他适合的方式从用户处接收。
此外,处理和分析来自用户的生物样品(例如,以生成用户微生物数据集;等)优选地以类似于上文关于块S110、和/或方法100和/或系统200的实施方式的任何其他适合的部分描述的实施方式、变体和/或实施例之一方式而执行。因而,可以使用与用于接收和处理用于执行方法100的表征过程的生物样品的过程相似的过程为用户执行块S150中生物样品的接收和处理,例如,用于提供过程的一致性。然而,块S150中的生物样品接收和/或处理可以额外地或替代地以任何其他适合的方式进行。
3.5确定鼻有关表征
方法100的实施方式可以额外地或替代地包括块S160,其可以包括使用一种或多种表征过程(例如,关于块S130描述的一种或多种表征过程,等)确定用户的鼻有关表征,例如,基于处理从用户一个或多个样品(例如,鼻部部位样品,等)得出的一个或多个微生物数据集(例如,用户微生物序列数据集、微生物组组成数据集、微生物组功能多样性数据集;处理微生物数据集以提取用户微生物组特征(例如,提取特征值;等),其可以用于确定一个或多个鼻有关表征;等)。例如,通过从用户的微生物组得出的数据中提取特征,并将这些特征用作上述的块S130中描述的表征过程的输入(例如,将用户微生物组特征值用作鼻有关表征模型的输入,等),块S160可以用于表征与用户相关的一个或多个方面(例如,与用户的样品相关的;与用户特征相关的;与一种或多种鼻有关病症相关的;等)。在实施例中,块S160可以包括基于用户微生物组特征和鼻有关病症模型(例如,块S130中生成的)生成用户的鼻有关表征。鼻有关表征可以包括本文描述的任何适合的表征类型(例如,环境因素相关表征;任何适合的补充数据类型的表征;鼻有关病症表征,例如,对于鼻有关病症、单一鼻有关病症和/或其他适合的鼻有关病症的组合;等)、用户、收集部位、和/或其他适合的实体。在实施例中,鼻有关表征可以包括以下中的一种或多种:诊断(例如,存在或缺失鼻有关病症;等);风险(例如,发生和/或存在鼻有关病症的风险评分;关于鼻有关表征(例如,症状、病征、诱因、相关病症,等)的信息;比较(例如,与其他子群体,群体,用户,用户的历史健康状态、例如历史微生物组组成和/或功能多样性的比较;与鼻有关病症相关的比较;等);疗法确定;与表征过程相关的其他适合的输出;和/或任何其他适合的数据。
在变体中,鼻有关表征可以包括微生物组多样性评分(例如,与微生物组组成、功能有关的,等),其与一个或多个分类群(例如,与鼻部微生物组相关的,例如,相对于环境因素集合;等)、鼻部部位、鼻有关病症和/或其他适合的方面相关(例如,相关;负相关;正相关;等)。在实施例中,鼻有关表征可以包括随着时间的微生物组多样性评分(例如,为随着时间收集的用户的多个生物样品计算的)、与其他用户的微生物组多样性评分的比较、和/或任何其他适合的类型的微生物组多样性评分。然而,处理微生物组多样性评分(例如,确定微生物组多样性评分;使用微生物组多样性评分来确定和/或提供疗法;等)可以以任何适合的方式进行。
块S160中确定鼻有关表征可以包括确定与用户的微生物组组成和/或功能相关的特征和/或特征组合(例如,确定与用户相关的特征值、与块S130中确定的微生物组特征对应的特征值,等)、将特征输入表征过程、并接收输出,该输出将用户表征为属于以下中的一种或多种:行为组、性别组、饮食组、疾病状态组、和能够由表征过程鉴定的任何其他适合的组。块S160可以额外地或替代地包括生成和/或输出与用户的表征相关的置信度度量。例如,置信度度量可以从用于生成表征的特征数量、用于生成表征的特征的相对权重或排序、表征过程中的偏差度量、和/或与表征过程的各方面相关的任何其他适合的参数得出。然而,利用用户微生物组特征可以以任何适合的方式执行以确定任何适合的鼻有关表征。
在某些变体中,从用户的微生物数据集提取的特征可以用补充特征进行补充(例如,从为用户收集的补充数据提取的用户补充特征值;例如,随访得出的特征、病史得出的特征、传感器数据,等),其中这样的数据、用户微生物组数据和/或其他适合的数据可以用于进一步改进块S130、块S160和/或方法100的实施方式的其他适合的部分的表征过程。
确定鼻有关表征优选地包括提取和应用用于用户的用户微生物组特征(例如,用户微生物组组成多样性特征;用户微生物组功能多样性特征;提取特征值;等)(例如,基于用户微生物数据集)、表征模型和/或其他适合的组分,例如,通过采用块S130中描述的过程,和/或通过采用本文描述的任何适合的方法。
在变体中,如图8所示,块S160可以包括例如,在网络界面、移动应用和/或任何其他适合的界面上呈现鼻有关表征(例如,从所述表征提取的信息;作为促进治疗干预的部分;等),但是信息的呈现可以以任何适合的方式执行。然而,用户的微生物数据集可以额外地或替代地以任何其他适合的方式使用,以增强方法100的模型,并且块S160可以以任何适合的方式执行。
3.6促进治疗干预
如图11所示,方法100的实施方式可以额外地或替代地包括块S170,其可以包括促进对一个或多个用户的一种或多种鼻有关病症的治疗干预(例如,推广疗法、提供疗法、促进疗法的供应,等)(例如,基于鼻有关表征和/或疗法模型)。例如,关于一种或多种鼻有关病症和/或参考鼻部微生物组(例如,鼻部微生物组的分类群的健康范围;等),块S170可以用于向用户建议、推广、提供和/或促进的一种或多种疗法有关的治疗干预,例如,以将用户的微生物组组成和/或功能多样性朝向期望的平衡状态转变(和/或改善鼻有关病症的状态,等)。块S170可以包括根据用户的微生物组组成和功能特征向用户提供定制的疗法,其中定制的疗法可以包括微生物的制剂,其配置为校正具有所鉴定的表征的用户的失调特征。因而,疗法确定的输出可以用于基于训练的疗法模型直接向用户推广定制的疗法配方和方案(例如,给药量、用法指导)。额外地或替代地,疗法提供可以包括配置为将微生物组组成和/或功能特征朝向期望状态转变的可用疗法措施的建议。在变体中,疗法可以包括以下中的任何一种或多种:消费品、局部疗法(例如,洗液、软膏剂、防腐剂,等)、药物(例如,与任何适合的药物类型和/或剂量相关的药物,等)、噬菌体、环境处理、行为修正(例如,饮食修正疗法、减压疗法、身体活动相关的疗法,等)、诊断过程、其他医学相关过程、和/或与鼻有关病症相关的任何其他适合的疗法。消耗品可以包括以下中的任何一种或多种:食品和/或饮料(例如,益生菌和/或益生元食品和/或饮料,等)、营养增补剂(例如,维生素、矿物质、纤维、脂肪酸、氨基酸、益生元、益生菌,等)、可消耗的药物、和/或任何其他适合的治疗措施。在实施例中,提供一种或多种疗法和/或促进治疗干预可以包括在与一个或多个用户相关的一个或多个计算设备上(例如,在计算设备呈现的诸如网络应用的用户界面上;等)向一个或多个用户提供一种或多种疗法的建议。
例如,根据疗法模型的输出,商业上可获得的益生菌增补剂的组合可以包括适合于用户的益生菌疗法。在另一实施例中,方法100可以包括基于鼻有关病症模型(例如,和/或用户微生物组特征)来确定用户的鼻有关病症的鼻有关病症风险;和基于鼻有关病症风险向用户推广疗法。
在变体中,促进治疗干预可以包括推广诊断程序(例如,用于促进鼻有关病症的检测,其可以激励随后的其他疗法的推广,例如,用于调节用户微生物组以改善与一种或多种鼻有关病症相关的用户健康状态;等)。诊断程序可以包括以下中的任何一种或多种:病史分析、成像检查、细胞培养物测试、抗体测试、皮刺测试、斑贴测试(patch testing)、验血、挑战测试(challenge testing)、执行方法100的实施方式的部分、和/或用于促进鼻有关病症的检测(例如,观察、预测,等)的任何其他适合的过程。额外地或替代地,诊断设备相关的信息和/或其他适合的诊断性信息可以作为补充数据集的部分来处理(例如,对于块S120,其中这样的数据可以用于确定和/或应用表征模型、疗法模型和/或其他适合的模型;等),和/或可以对方法100的实施方式任何适合的部分来收集、使用和/或处理诊断设备相关的信息和/或其他适合的诊断性信息(例如,对于块S180,为用户应用用于监测疗法效力的诊断过程;等)。
在变体中,块S170可以包括推广基于噬菌体的疗法。更详细地,用户中呈现的特异于某些细菌(或其他微生物)的一种或多种噬菌体群体(例如,就集落形成单位而言)可以用于下调和/或消除某些细菌的群体。因而,基于噬菌体的疗法可以用于降低用户中存在的非期望的细菌群体的大小。互补地,基于噬菌体的疗法可以用于提高噬菌体未靶向的细菌群落的相对丰度。
在变体中,促进治疗干预(例如,提供疗法,等)可以包括向用户提供关于建议的疗法、其他形式的疗法、鼻有关表征和/或其他适合的数据的通知。在具体的实施例中,向用户提供疗法可以包括提供疗法建议(例如,基本上同时向用户提供从鼻有关表征得出的信息;等)和/或其他适合的疗法相关信息(例如,疗法效力;与其他单独用户、用户子群体和/或用户群体的比较;疗法比较;历史疗法和/或相关疗法相关信息;心理疗法指导,例如认知行为疗法;等),例如,通过在网络界面上呈现通知(例如,通过与用户相关的和识别用户的用户账号;等)。通知可以通过电子设备(例如,个人电脑、移动设备、平板、可穿戴的、头戴式可穿戴计算设备、腕戴式可穿戴计算设备,等)提供给用户,该电子设备执行配置为用于通知提供的应用、网络界面和/或消息客户端。在一个实施例中,与用户相关的个人电脑或膝上计算机的网络界面可以通过用户提供用户的用户账号的访问,其中用户账号包括关于用户的鼻有关表征、用户的微生物组的方面的详细表征的信息(例如,涉及与鼻有关病症的关联;等)和/或有关建议的治疗措施的通知(例如,块S104和/或S170中生成的,等)。在另一个实施例中,在个人电子设备(例如,智能电话、智能手表、头戴式智能设备)上执行的应用可以配置为提供例如,关于块S170的疗法模型生成的建议的通知(例如,在显示器上、触觉地、以听觉方式,等)。通知和/或益生菌疗法可以额外地或替代地通过与用户相关的实体(例如,看护人、配偶、重要他人、保健专业人员,等)直接提供。在一些进一步的变体中,通知可以额外地或替代地提供给与用户相关的实体(例如,保健专业人员),例如,其中该实体能够促进疗法的提供(例如,通过处方的方式、通过进行治疗会话、通过利用计算设备的光学和/或声学传感器的数字远程医疗会话,等)。然而,提供通知和/或促进治疗可以以任何适合的方式进行。
3.7监测疗法有效性
如图9所示,方法100可以额外地或替代地包括块S180,其可以包括:随着时间的推移,监测一种或多种疗法的有效性和/或监测用户的(例如,基于处理来自用户的一系列生物样品)其他适合的组分(例如,微生物组特征,等)。块S180可以用于聚集关于一种或多种疗法(例如,通过给定表征的用户的疗法模型建议的,等)的正面效果、负面效果和/或缺乏有效性的额外的数据,和/或监测微生物组特征(例如,以在时间点集合评估用户的微生物组组成和/或功能特征,等)。
在疗法模型促进的疗法过程期间对用户的监测(例如,通过在整个疗法期间接收和分析来自用户的生物样品,通过在整个疗法期间接收来自用户的随访得出的数据)因而可以用于由块S130的表征过程提供的各表征、以及块S140和S170中提供的各推广的疗法措施生成疗法效果模型。
在块S180中,可以提示用户在并入了该疗法的疗法方案的一个或多个关键时间点提供额外的生物样品、补充数据和/或其他适合的数据,并可以处理和分析额外的生物样品(以类似于块S120描述的方式)以生成表征用户的微生物组组成和/或功能特征的调节的度量。例如,与以下中的一种或多种相关的度量:在较早的时间点在用户的微生物组中表示的一个或多个分类群组的相对丰度的改变,用户的微生物组的特定分类群组的表示的改变,用户的微生物组的第一分类群组的细菌的丰度与第二分类群组的细菌丰度之间的比例,用户的微生物组中一个或多个功能家族的相对丰度的改变,以任何其他适合的度量,可以用于从微生物组组成和/或功能特征的改变来评估疗法有效性。额外地或替代地,在块S180中,源自于用户的随访得出的关于用户在疗法时的体验的数据(例如,副作用的体验、改善的个人评估、行为修正、症状改善,等)可以用于确定疗法的有效性。例如,方法100可以包括从用户接收疗法后的生物样品;从用户收集补充数据集,其中补充数据集描述用户对疗法(例如,确定的和推广的疗法)和/或其他适合的用户特征(例如,行为、病症,等)的依从性;基于鼻有关表征模型和疗法后生物样品生成与鼻有关病症有关的第一用户的疗法后鼻有关表征;以及基于疗法后鼻有关表征(例如,基于疗法后鼻有关表征与疗法前鼻有关表征之间的比较)和/或用户对疗法的依从性(例如,基于与鼻有关病症有关的用户微生物组的阳性或阴性结果来修改疗法)向用户推广对鼻有关病症的更新疗法。额外地或替代地,其他适合的数据(例如,描述与一种或多种鼻有关病症相关的用户行为的补充数据;描述鼻有关病症、例如观察到的症状的补充数据;等)可以用于确定疗法后表征(例如,与鼻有关病症有关的从疗法前到疗法后的改变程度;等)、更新的疗法(例如,基于推广的疗法的有效性和/或依从性确定更新的疗法,等)。
在实施例中,方法100可以包括收集补充数据(例如,随访得出的数据;告知鼻有关病症的状态、例如,与症状严重度有关的状态;等);基于用户微生物组特征和补充数据确定用户的鼻有关表征;基于鼻有关表征,促进与鼻有关病症的疗法有关的治疗干预(例如,向用户推广疗法;等);从用户收集疗法后样品(例如,鼻部部位样品;在促进治疗干预之后;等);收集随后的补充数据(例如,包括第二随访得出的数据和设备数据的至少一种;等);以及基于随后的补充数据和与疗法后生物样品相关的疗法后用户微生物组特征,为鼻有关病症的所述用户确定疗法后鼻有关表征。在实施例中,方法100可以包括基于疗法后鼻有关表征,促进与用于用户的更新的疗法(例如,疗法的修改;不同的疗法;等)有关的治疗干预以用于改善鼻有关病症,例如,其中更新的疗法可以包括消费品、设备相关疗法、外科手术、心理相关疗法、行为修正疗法和环境因素修正疗法中的至少一种。在该实施例中,确定疗法后鼻有关表征可以包括基于疗法后微生物组特征,确定用户的微生物组特征与对应于用户子群体的参考微生物组特征之间的比较,该用户子群体共享与鼻有关病症相关的行为和环境因素(和/或其他适合的特征)中的至少一种,以及其中促进与更新的疗法有关的治疗干预可以包括向用户呈现该比较,以用于促进行为修正疗法和环境因素修正疗法和/或其他适合的疗法的至少一种。然而,块S180可以以任何适合的方式关于额外的生物样品、额外的补充数据和/或其他适合的额外的数据来执行。
与鼻有关病症有关的疗法有效性、额外的生物样品的处理(例如,以确定额外的鼻有关表征、疗法,等)和/或与连续的生物样品收集、处理和分析相关的其他适合的方面可以以任何适合的时间和频率进行,用于生成、更新和/或处理模型(例如,表征模型、疗法模型,等)和/或用于任何其他适合的目的(例如,作为与方法100的实施方式的其他部分相关的输入)。然而,块S180可以以任何适合的方式执行。
4.系统
如图2所示,系统200的实施方式(例如,用于表征鼻有关病症)可以包括以下中的任何一种或多种:处理系统(例如,样品处理系统,等)210,其可操作以收集和/或处理来自一个或多个用户(例如,人类受试者、患者、动物受试者、环境生态系统、护理提供者,等)的生物样品(例如,由用户采集的、且包括在包括预处理试剂的容器中的;等)用于促进微生物数据集(例如,微生物遗传序列;微生物序列数据集;等)的确定;鼻有关表征系统220,其可操作以确定微生物组特征(例如,微生物组组成特征;微生物组功能特征;多样性特征;相对丰度范围;例如,基于微生物数据集和/或其他适合的数据;等)、确定鼻有关表征(例如,鼻有关病症表征、疗法相关表征、用户的表征,等);和/或疗法促进系统230,其可操作以促进对一种或多种鼻有关病症的治疗干预(例如,推广疗法,等)(例如,基于一种或多种鼻有关病症;用于改善一种或多种鼻有关病症;等)。
系统200的实施方式可以包括一个或多个处理系统210,其可以用于接收和/或处理(例如,片段、扩增、序列、生成相关的数据集,等)生物样品,以将微生物核酸和/或生物样品的其他组分转换成数据(例如,随后可以比对和分析的遗传序列;微生物数据集;等),用于促进鼻有关表征的生成和/或治疗干预。处理系统210可以额外地或替代地用于例如,通过邮递系统,向多个用户提供样品试剂盒250(例如,包括样品容器,从一个或多个收集部位手机集样品的说明书,等)(例如,响应于样品试剂盒250的定货单)。处理系统210可以包括一个或多个测序系统215(例如,下一代测序系统、用于靶向扩增子测序的测序系统、边合成边测序技术、毛细管测序技术、桑格(Sanger)测序、焦磷酸测序技术、纳米孔测序技术,等)用于对一个或多个生物样品进行测序(例如,对来自生物样品的微生物核酸进行测序,等),例如,以生成微生物数据(例如,微生物序列数据,微生物数据集的其他数据,等)。下一代测序系统(例如,下一代测序平台,等)可以包括任何适合的测序系统(例如,测序平台,等)用于一种或多种高通量测序(例如,借助于高通量测序技术;大规模平行标志测序、聚合酶克隆(Polony)测序、454焦磷酸测序、伊柳米娜(Illumina)测序、索立德(SOLiD)测序、离子激流半导体测序(Ion Torrent semiconductor sequencing)、DNA纳米球测序、海立斯科普(Heliscope)单分子测序、单分子实时(Single molecule real time,SMRT)测序、纳米孔DNA测序(Nanopore DNAsequencing),等)、任何一代的测序技术(例如,第二代测序技术、第三代测序技术、第四代测序技术,等)、扩增子相关测序(例如,靶向扩增子测序)、边合成边测序、隧道电流测序(tunnelling currents sequencing)、杂交测序、质谱测序、基于显微镜的技术、和/或任何适合的下一代测序技术。额外地或替代地,测序系统215可以实现毛细管测序、桑格测序(例如,微流体桑格测序(microfluidic Sanger sequencing),等)、焦磷酸测序、纳米孔测序(牛津纳米孔测序,等)、或通过任何适合的测序技术促进的任何其他适合的测序类型中的任何一种或多种。
处理系统210可以额外地或替代地包括文库制备系统,其可操作以多重的方式自动地制备生物样品,以通过测序系统进行测序;和/或任何适合的组件。处理系统210可以执行本文描述的任何适合的样品处理技术。然而,处理系统210和相关组件可以以任何适合的方式配置。
系统200的实施方式可以包括一个或多个鼻有关表征系统220,其可以用于确定、分析、表征和/或处理微生物数据集(例如,基于得到微生物遗传序列的处理过的生物样品;与参考序列的比对;等)、微生物组特征(例如,单独变量;变量组;表型预测、统计描述相关的特征;与从个体获得的样品相关的变量;与鼻有关病症相关的变量,以相对或绝对数量完全地或部分地描述样品的微生物组组成和/或功能性的变量;等)模型和/或其他适合的数据,以便于鼻有关表征和/或治疗干预。在实施例中,鼻有关表征系统220可以鉴定与特征信息相关的数据,该特征信息统计地描述与一种或多种鼻有关病症相关的样品之间的差异(例如,与鼻有关病症相关的存在、缺失、风险、倾向和/或其他方面相关的样品),例如,其中不同的分析可以提供对区分不同样品的特征的补充观察(例如,区分与病症的存在或缺失相关的子群体,等)。在具体的实施例中,单独的预测因子、特异性的生物过程和/或统计推断的潜在变量可以提供不同水平的数据复杂性的补充信息,以促进与表征、诊断和/或治疗有关的各种下游的机会。在另一具体实施例中,鼻有关表征系统220处理补充数据,以执行一种或多种表征过程。
鼻有关表征系统220可以包括、生成、应用和/或处理鼻有关表征模型,其可以包括用于表征一种或多种鼻有关病症的任何一种或多种鼻有关病症模型(例如,确定一个或多个用户的一种或多种鼻有关病症的倾向,等)、用于确定疗法的疗法模型、或用于与系统100和/或方法100的实施方式相关的任何适合的目的的任何其他适合的模型。在具体的实施例中,鼻有关表征系统220可以生成和/或应用疗法模型(例如,基于交叉病症分析,等)用于鉴定和/或表征用于治疗一种或多种鼻有关病症的疗法。不同的鼻有关表征模型(例如,鼻有关表征模型的不同组合;应用不同分析技术的不同的模型;不同的输入和/或输出类型;例如与时间和/或频率有关的,以不同的方式应用;等)可以基于以下中的一种或多种来应用(例如,执行、选择、检索、存储,等):补充数据(例如,用于预测不同类型的补充数据、例如不同的环境因素的不同模型,例如,在预测日历季节参数时不同日历季节的不同模型,等),鼻有关病症(例如,根据鼻有关病症或要表征的病症,使用不同的鼻有关表征模型,例如,其中不同的鼻有关表征模型具有用于处理与不同的鼻有关病症和/或病症组合有关的数据的不同适用性水平,等),用户(例如,基于不同的用户数据和/或特征、人口统计学特征、遗传、环境因素的不同的鼻有关表征模型,等),鼻有关表征(例如,不同类型表征的不同鼻有关表征模型,例如,疗法有关表征与诊断有关表征,例如,用于鉴定相关的微生物组组成与确定鼻有关病症的倾向评分;等),疗法(例如,用于监测不同疗法效力的不同鼻有关表征模型,等),身体部位(例如,用于处理与来自不同样品收集部位对应的生物样品的微生物数据集的不同鼻有关表征模型;等)和/或任何其他适合的组分。然而,鼻有关表征模型可以以任何适合的方式定制和/或使用,以用于促进鼻有关表征和/或治疗干预。
鼻有关表征系统220可以优选地确定部位特异性鼻有关表征(例如,部位特异性分析)。在实施例中,鼻有关表征系统220可以生成和/或应用不同的部位特异性鼻有关表征模型。在具体的实施例中,基于不同的微生物组特征,例如,与一个或多个身体部位相关的部位特异性特征,该一个或多个身体部位与部位特异性鼻有关表征模型相关(例如,使用在受试者的鼻部收集部位收集的样品得出的鼻部部位特异性特征,和/或与一种或多种鼻有关病症相关的特征,例如,用于生成鼻部部位特异性鼻有关表征模型,该模型可以应用,以基于用户的鼻部部位收集的用户样品,来确定表征;等),可以生成和/或可以应用不同的部位特异性鼻有关表征模型。部位特异性鼻有关表征模型、部位特异性特征、样品、部位特异性疗法和/或其他适合的实体(例如,能与身体部位相关的,等)优选地与至少一个身体部位(例如,对应于样品采集部位;等)相关,该身体部位包括鼻部部位、肠道部位(例如,基于粪便样品可表征的,等)、皮肤部位、生殖器部位、口腔部位、和/或任何适合的身体区域。在实施例中,不同的鼻有关表征模型可以定制成用于不同类型的输入、输出、鼻有关表征、鼻有关病症(例如,需要表征的不同的表型测量(phenotypic measure))、和/或任何其他适合的实体。然而,部位特异性鼻有关表征可以由鼻有关表征系统220和/或其他适合的组件以任何方式配置并以任何方式确定。
鼻有关表征模型、其他模型、系统200的实施方式的其他组件和/或方法100的实施方式的适合的部分(例如,表征过程、确定微生物组特征、确定鼻有关表征,等)可以采用包括以下中的任何一种或多种的分析技术:单变量统计检验、多变量统计检验、降维技术、人工智能方法(例如,机器学习方法,等)、对数据执行模式识别(例如,鉴定鼻有关病症与微生物组特征之间的关联性;等)、融合来自多个源的数据(例如,基于来自与一种或多种鼻有关病症相关的多个用户的微生物组数据和/或补充数据、例如,基于从所述数据提取的微生物组特征而生成表征模型;等)、值的组合(例如,平均值,等)、压缩、转换(例如,数-模变换、模-数变换)、对数据执行统计估计(例如,普通最小二乘回归、非负最小二乘回归、主成分分析、岭回归,等)、波调制、归一化、更新(例如,随着时间推移基于处理过的生物样品的表征模型和/或疗法模型的更新)、排序(例如,微生物组特征;疗法;等)、权重(例如,微生物组特征;等)、验证、过滤(例如,用于基线校正、数据剪裁,等)、降噪、平滑、填充(例如,间隙填充)、对齐、模型拟合、分箱(binning)、开窗(windowing)、削波(clipping)、变换、数学运算(例如,导数、移动平均、求和、减法、乘法、除法,等)、数据关联、复用(multiplexing)、解复用、内插、外推、聚类、图像处理技术、其他信号处理操作、其他图像处理操作、可视化、和/或任何其他适合的处理操作。
人工智能方法可以包括以下中的任何一种或多种:监督学习(例如,使用逻辑回归、使用反向传播神经网络、使用随机森立、决策树,等)、无监督学习(例如,使用先验(Apriori)算法、使用K-均值聚类)、半监督学习、深度学习算法(例如,神经网络、受限玻尔兹曼机、深度置信网络方法(deep belief network method)、卷积神经网络方法、递归神经网络方法、堆叠式自动编码器方法,等)、强化学习(例如,使用Q-学习算法、使用时间差异学习)、回归算法(例如,普通最小二乘法、逻辑回归、逐步回归、多元自适应回归样条、局部估计散点图平滑,等)、基于实例的方法(例如,k近邻、学习矢量量化、自组织映射,等)、正则化方法(例如,岭回归、最小绝对收缩和选择算子、弹性网,等)、决策树学习方法(例如,分类和回归树、迭代二分法3、C4.5、卡方自动交互检测、决策树桩、随机森林、多元自适应回归样条、梯度提升机(gradient boosting machine)等),贝叶斯方法(例如,朴素贝叶斯、平单相关估计、贝叶斯信念网络,等)、核方法(例如,支持向量机、径向基函数、线性判别分析,等)、聚类方法(例如,k均值聚类、期望最大化,等)、相关的规则学习算法(例如,先验算法、深度优先(Eclat)算法等)、人工神经网络模型(例如,感知机(Perceptron)方法、反向传播方法、霍普菲尔德(Hopfield)网络方法、自组织映射方法、学习矢量量化方法,等)、集成方法(例如,提升、提升聚集、自适应增强(AdaBoost)、堆叠泛化、梯度提升机方法、随机森林方法,等),和/或任何合适的人工智能方法。然而,数据处理可以以任何适合的方式进行。
鼻有关表征系统220可以对多种鼻有关病症进行交叉病症分析(例如,基于不同鼻有关表征模型的输出、例如多病症微生物组特征,生成多病症表征;等)。例如,鼻有关表征系统可以基于与多种鼻有关病症相关的(例如,诊断为、特征为,等)用户的微生物数据、微生物组特征和/或其他适合的微生物组特征表征鼻有关病症之间的关系。在具体的实施例中,可以基于单一鼻有关病症的表征执行交叉病症分析(例如,来自单个鼻有关病症的鼻有关表征模型的输出,等)。交叉病症分析可以包括病症特异性特征(例如,仅与单一鼻有关病症相关的,等)、多病症特征(例如,与两个或多个鼻有关病症相关的,等)和/或任何其他适合的特征类型的鉴定。交叉病症分析可以包括例如通过评估不同对鼻有关病症,确定告知相关性、一致性的参数和/或描述两个或多个鼻有关病症之间的关系的其他类似参数。然而,鼻有关表征系统和/或其他适合的组件可以以任何适合的方式配置,以促进交叉病症分析(例如,应用用于交叉病症分析目的的分析技术;生成交叉病症表征,等)。
鼻有关表征系统220可以包括远程计算系统(例如,用于应用鼻有关表征模型,等),但是可以额外地或替代地包括任何适合的计算系统(例如,本地计算系统、用户设备、处理系统组件,等)。然而,鼻有关表征系统220可以以任何适合的方式配置。
系统200的实施方式可以包括一个或多个疗法促进系统230,其可以用于促进一种或多种鼻有关病症的治疗干预(例如,推广一个或多个疗法,等)(例如,促进调节用户微生物组组成和功能多样性,用于改善用户对于一种或多种鼻有关病症的状态,等)。疗法促进系统230可以促进与任何数量的身体部位(例如,对应于任何适合数量的样品收集部位;等)相关的任何数量的鼻有关病症的治疗干预,例如,基于部位特异性表征(例如,与多个身体部位相关的多部位表征;等)、多病症表征、其他表征和/或任何其他适合的数据。疗法促进系统230可以包括以下中的任何一种或多种:通信系统(例如,向计算设备(例如,用户设备和/或护理提供者设备,移动设备,智能电话,台式计算机,在由计算设备访问的网站、网络应用和/或移动应用上;等)传输疗法建议、选择、劝阻、和/或其他适合的疗法相关信息;允许护理提供者与受试者之间关于鼻有关病症的远程医疗;等),可在用户设备上执行的应用(例如,指示用户的微生物组组成和/或功能性;等),医疗设备(例如,生物采样设备,例如,用于从不同的收集部位收集的样品;药物供应设备;手术系统;等),用户设备(例如,生物计量传感器),和/或任何其他适合的组件。一个或多个疗法促进系统230可以与鼻有关表征系统220是可控制的、可通信的和/或相关的。例如,鼻有关表征系统220可以生成一种或多种鼻有关病症的表征,以用于疗法促进系统230呈现(例如,传递、通信,等)给相应的用户(例如,在界面240处,等)。在另一实施例中,疗法促进系统230可以更新和/或修改设备(例如,用户智能电话)的应用和/或其他软件以推广疗法(例如,在待办列表应用上推广生活方式以改变用于改善与一种或多种鼻有关病症相关的用户状态,等)。然而,所述疗法促成系统230可以以任何其他方式配置。
如图11所示,系统200的实施方式可以额外地或替代地包括界面240,其可以用于改善微生物组特征、鼻有关病症信息(例如,倾向度量;疗法建议;与其他用户的比较;其他表征;等)和/或与一个或多个鼻有关表征相关的(例如,包括的、有关的、可得出的,等)特定信息(例如,本文描述的任何适合的数据)的呈现。在实施例中,界面240可以呈现鼻有关病症信息,包括微生物组组成(例如,分类群组;相对丰度;等)、功能多样性(例如,与特定功能相关的基因的相对丰度,和一种或多种鼻有关病症的倾向度量,例如,相对于共享人口统计学特征的用户组(例如,吸烟者、锻炼者、不同饮食方案的用户、益生菌的消费者、抗生素用户、经受特定疗法的用户,等)。然而,界面240可以以任何适合的方式配置。
虽然系统200的实施方式的组件通常描述为不同的组件,它们可以以任何方式在物理上和/或逻辑上集成。例如,计算系统(例如,远程计算系统、用户设备,等)可以实现鼻有关表征系统220的部分和/或全部(例如,应用微生物组相关状况模型为用户生成鼻有关病症的表征,等)和疗法促进系统230的部分和/或全部(例如,通过呈现与微生物组组成和/或功能相关的见解促进治疗干预;呈现疗法建议和/或信息;在智能电话的日程应用上规划日常事件,以通知用户关于改善鼻有关病症的疗法,等)。在实施例中,系统200的实施方式可以省略疗法促进系统230。然而,系统200的实施方式的功能可以以任何适合的方式分布在任何适合的系统组件中。然而,系统200的实施方式的组件可以以任何适合的方式配置。
5.其他
然而,方法100的实施方式可以包括任何其他适合的块或步骤,该块或步骤配置为便于接收来自受试者的生物样品、处理来自受试者的生物样品、分析来自生物样品的数据、以及生成模型,该模型用于根据受试者的特定微生物组组成和/或功能特征提供个性化的诊断和/或基于益生菌的疗法。
方法100和/或系统200的实施方式可以包括各种系统组件和各种方法过程的每种组合和排列,包括任何变体(例如,实施方式、变体、实施例、具体实施例、附图,等),其中方法100和/或本文描述的过程的实施方式的部分可以通过和/或利用系统200和/或本文描述的其他实体的一个或多个实例、元件、组件和/或其他方面,异步地(例如,顺序地)、同时地(例如,并行地)、或以任何其他适合的顺序执行。
任何本文描述的变体(例如,实施方式、变体、实施例、具体实施例、附图,等)和/或本文描述的变体的任何部分可以额外地或替代地组合、聚合、排除、使用、串行执行、并行执行、和/或应用。
方法100和/或200的实施方式的部分可以至少部分地体现和/或实现为机器,该机器配置为接收存储计算机可读指令的计算机可读介质。该指令可以由与系统集成的计算机可执行组件来执行。计算机可读介质可以存储在任何适合的计算机可读介质上,例如,RAM、ROM、闪速存储器、EEPROM、光学设备(CD或DVD)、硬盘、软盘驱动器、或任何适合的设备。计算机可执行组件可以是通用的或专用的处理器,但是任何适合的专用硬件或硬件/固件组合设备可以替代地或额外地执行该指令。
如本领域的技术人员将从前面的详细说明以及附图和权利要求书中认识到的,在不背离权利要求中限定的范围的情况下,可以对方法100、系统200和/或变体的实施方式进行修改和改变。
Claims (22)
1.一种与微生物相关的鼻有关表征的方法,所述方法包括:
基于来自从受试者集合的鼻部部位收集的样品的微生物核酸,确定与所述受试者集合相关的微生物序列数据集;
基于所述微生物序列数据集,确定微生物组组成特征集合;
基于所述微生物组组成特征集合和与所述受试者集合相关的补充数据,生成鼻有关表征模型;和
基于所述鼻有关表征模型和在用户的鼻部部位收集的用户样品,确定与所述用户相关的鼻有关表征。
2.根据权利要求1所述的方法,其中,所述微生物组组成特征集合与以下中的至少一种相关:贫养菌属、无色杆菌属、不动杆菌属、放线杆菌属、放线菌属、凝聚杆菌属、别样杆菌属、拟普雷沃氏菌属、厌氧球菌属、厌氧棒状菌属、厌氧芽孢杆菌属、水杆菌属、节杆菌属、奇异菌属、芽胞杆菌属、拟杆菌属、伯杰氏菌属、双歧杆菌属、布劳特氏菌属、慢生根瘤菌属、短杆菌属、短波单胞菌属、伯克霍尔德菌属、弯曲菌属、二氧化碳噬纤维菌属、柄杆菌属、蜈蚣菌属、金黄杆菌属、柯林斯氏菌属、棒状杆菌属、异常球菌属、戴尔福特菌属、皮杆菌属、小杆菌属、狡诈球菌属、多尔氏菌属、肠杆菌属、粪杆菌属、芬戈尔德菌属、黄杆菌属、镰刀链杆菌属、梭菌属、孪生球菌属、颗粒链菌属、嗜血杆菌属、草螺菌属、嗜氢菌属、克雷伯氏菌属、克吕沃尔菌属、考克氏菌属、乳杆菌属、乳球菌属、劳特罗普氏菌属、纤毛菌属、马拉色氏霉菌属、巨球型菌属、亚栖热菌属、甲基杆菌属、微球菌属、莫拉氏菌属、分枝杆菌属、阴性球菌属、奈瑟氏菌属、新鞘脂菌属、苍白杆菌属、泛菌属、副拟杆菌属、微单胞菌属、嗜糖假单胞菌属、嗜冻菌属、消化链球菌属、叶杆菌属、卟啉单胞菌属、普氏菌属、丙酸菌属、伪丁酸弧菌属、假单胞菌属、雷尔氏菌属、根瘤菌属、罗氏菌属、罗思氏菌属、八叠球菌属、申氏杆菌属、鞘脂单胞菌属、葡萄球菌属、寡养单胞菌属、链球菌属、韦荣氏球菌属、副萨特氏菌属、红假单细胞菌属、黄单胞菌属、中慢生根瘤菌属、费克蓝姆氏菌属、金氏菌属、红杆菌属、赖氨酸芽孢杆菌属、皮生球菌属和心杆菌属。
3.根据权利要求2所述的方法,其中,所述微生物组组成特征集合包括以下中的至少一种的至少一个相对丰度特征:贫养菌属、无色杆菌属、不动杆菌属、放线杆菌属、放线菌属、凝聚杆菌属、别样杆菌属、拟普雷沃氏菌属、厌氧球菌属、厌氧棒状菌属、厌氧芽孢杆菌属、水杆菌属、节杆菌属、奇异菌属、芽胞杆菌属、拟杆菌属、伯杰氏菌属、双歧杆菌属、布劳特氏菌属、慢生根瘤菌属、短杆菌属、短波单胞菌属、伯克霍尔德菌属、弯曲菌属、二氧化碳噬纤维菌属、柄杆菌属、蜈蚣菌属、金黄杆菌属、柯林斯氏菌属、棒状杆菌属、异常球菌属、戴尔福特菌属、皮杆菌属、小杆菌属、狡诈球菌属、多尔氏菌属、肠杆菌属、粪杆菌属、芬戈尔德菌属、黄杆菌属、镰刀链杆菌属、梭菌属、孪生球菌属、颗粒链菌属、嗜血杆菌属、草螺菌属、嗜氢菌属、克雷伯氏菌属、克吕沃尔菌属、考克氏菌属、乳杆菌属、乳球菌属、劳特罗普氏菌属、纤毛菌属、马拉色氏霉菌属、巨球型菌属、亚栖热菌属、甲基杆菌属、微球菌属、莫拉氏菌属、分枝杆菌属、阴性球菌属、奈瑟氏菌属、新鞘脂菌属、苍白杆菌属、泛菌属、副拟杆菌属、微单胞菌属、嗜糖假单胞菌属、嗜冻菌属、消化链球菌属、叶杆菌属、卟啉单胞菌属、普氏菌属、丙酸菌属、伪丁酸弧菌属、假单胞菌属、雷尔氏菌属、根瘤菌属、罗氏菌属、罗思氏菌属、八叠球菌属、申氏杆菌属、鞘脂单胞菌属、葡萄球菌属、寡养单胞菌属、链球菌属、韦荣氏球菌属、副萨特氏菌属、红假单细胞菌属、黄单胞菌属、中慢生根瘤菌属、费克蓝姆氏菌属、金氏菌属、红杆菌属、赖氨酸芽孢杆菌属、皮生球菌属和心杆菌属。
4.根据权利要求2所述的方法,其中,确定所述鼻有关表征包括:基于所述鼻有关表征模型和所述用户样品,确定与在所述用户的所述鼻部部位处收集的所述用户样品相关的日历季节参数。
5.根据权利要求4所述的方法,其中,所述鼻有关表征模型包括日历季节表征机器学习模型;其中,生成所述鼻有关表征模型包括:基于所述微生物组组成特征集合、和从所述受试者集合的所述鼻部部位收集的样品相关的日历季节,训练所述日历季节表征机器学习模型;和其中,确定所述日历季节参数包括:基于所述日历季节表征机器学习模型和在所述用户的所述鼻部部位收集的所述用户样品,确定所述日历季节参数。
6.根据权利要求4所述的方法,其中,确定所述日历季节参数包括确定与所述样品相关的春季季节预测和冬季季节预测的至少一种;和其中,所述用户微生物组组成特征与以下中的至少一种相关:副萨特氏菌属、红假单细胞菌属、黄单胞菌属、中慢生根瘤菌属、费克蓝姆氏菌属、金氏菌属、红杆菌属、赖氨酸芽孢杆菌属、皮生球菌属和心杆菌属。
7.根据权利要求4所述的方法,其中,所述补充数据包括所述受试者集合的年龄;其中,生成所述鼻有关表征模型包括:基于所述微生物组组成特征集合和所述受试者集合的年龄,生成所述鼻有关表征模型;和其中,确定所述日历季节参数包括:基于所述鼻有关表征模型、在所述用户的所述鼻部部位收集的所述用户样品和所述用户的年龄,确定所述日历季节参数。
8.根据权利要求7所述的方法,其中,与所述受试者集合相关的所述补充数据包括地理位置、气候类型和采样时间中的至少一种;其中,生成所述鼻有关表征模型包括:基于所述微生物组组成特征集合,所述受试者集合的所述年龄,以及地理位置、气候类型和采样时间中的至少一种,生成所述鼻有关表征模型;和其中,确定所述日历季节参数包括:基于所述鼻有关表征模型,在所述用户的所述鼻部部位收集的所述用户样品,所述用户的所述年龄,以及用户地理位置、与所述用户地理位置相关的气候类型和与在所述用户的所述鼻部部位收集的所述用户样品相关的用户采样时间中的至少一种,确定所述日历季节参数。
9.根据权利要求2所述的方法,其中,确定所述鼻有关表征包括:基于所述鼻有关表征模型和所述用户样品,确定与所述用户样品相关的地理位置参数。
10.根据权利要求1所述的方法,其中,所述鼻有关表征模型与鼻有关病症相关;和其中,确定所述鼻有关表征包括:基于所述鼻有关表征模型和在所述用户的所述鼻部部位收集的所述用户样品,针对所述鼻有关病症,确定所述用户的所述鼻有关表征。
11.根据权利要求10所述的方法,所述方法进一步包括:基于所述鼻有关表征,向所述用户提供疗法,以促进所述鼻有关病症的改善。
12.根据权利要求1所述的方法,其中,确定与所述受试者集合相关的所述微生物序列数据集包括:基于使用下一代测序系统对所述微生物核酸进行测序,确定所述微生物序列数据集。
13.一种与微生物相关的鼻有关表征的方法,所述方法包括:
从用户收集样品,其中,所述样品来自所述用户的鼻部部位且包含微生物核酸;
基于所述样品的所述微生物核酸,确定与所述用户相关的微生物数据集;
基于所述微生物数据集,确定用户微生物组组成特征;和
基于所述用户微生物组组成特征,确定与所述用户相关的鼻有关表征。
14.根据权利要求13所述的方法,其中所述用户微生物组组成特征与以下中的至少一种相关:贫养菌属、无色杆菌属、不动杆菌属、放线杆菌属、放线菌属、凝聚杆菌属、别样杆菌属、拟普雷沃氏菌属、厌氧球菌属、厌氧棒状菌属、厌氧芽孢杆菌属、水杆菌属、节杆菌属、奇异菌属、芽胞杆菌属、拟杆菌属、伯杰氏菌属、双歧杆菌属、布劳特氏菌属、慢生根瘤菌属、短杆菌属、短波单胞菌属、伯克霍尔德菌属、弯曲菌属、二氧化碳噬纤维菌属、柄杆菌属、蜈蚣菌属、金黄杆菌属、柯林斯氏菌属、棒状杆菌属、异常球菌属、戴尔福特菌属、皮杆菌属、小杆菌属、狡诈球菌属、多尔氏菌属、肠杆菌属、粪杆菌属、芬戈尔德菌属、黄杆菌属、镰刀链杆菌属、梭菌属、孪生球菌属、颗粒链菌属、嗜血杆菌属、草螺菌属、嗜氢菌属、克雷伯氏菌属、克吕沃尔菌属、考克氏菌属、乳杆菌属、乳球菌属、劳特罗普氏菌属、纤毛菌属、马拉色氏霉菌属、巨球型菌属、亚栖热菌属、甲基杆菌属、微球菌属、莫拉氏菌属、分枝杆菌属、阴性球菌属、奈瑟氏菌属、新鞘脂菌属、苍白杆菌属、泛菌属、副拟杆菌属、微单胞菌属、嗜糖假单胞菌属、嗜冻菌属、消化链球菌属、叶杆菌属、卟啉单胞菌属、普氏菌属、丙酸菌属、伪丁酸弧菌属、假单胞菌属、雷尔氏菌属、根瘤菌属、罗氏菌属、罗思氏菌属、八叠球菌属、申氏杆菌属、鞘脂单胞菌属、葡萄球菌属、寡养单胞菌属、链球菌属、韦荣氏球菌属、副萨特氏菌属、红假单细胞菌属、黄单胞菌属、中慢生根瘤菌属、费克蓝姆氏菌属、金氏菌属、红杆菌属、赖氨酸芽孢杆菌属、皮生球菌属和心杆菌属。
15.根据权利要求14所述的方法,其中,确定与所述用户相关的所述鼻有关表征包括:基于所述用户微生物组组成特征和所述用户的年龄,确定所述鼻有关表征。
16.根据权利要求13所述的方法,其中,确定所述鼻有关表征包括:基于所述用户微生物组组成特征,确定与来自所述用户的所述鼻部部位的所述样品相关的日历季节参数。
17.根据权利要求16所述的方法,其中,确定所述日历季节参数包括确定与所述样品相关的春季季节预测和冬季季节预测的至少一种;和其中,所述用户微生物组组成特征与以下中的至少一种相关:副萨特氏菌属、红假单细胞菌属、黄单胞菌属、中慢生根瘤菌属、费克蓝姆氏菌属、金氏菌属、红杆菌属、赖氨酸芽孢杆菌属、皮生球菌属和心杆菌属。
18.根据权利要求13所述的方法,其中,确定所述用户的所述鼻有关表征包括:基于所述用户微生物组组成特征、和与所述用户相关的补充数据,确定所述鼻有关表征;其中所述补充数据包括地理位置、气候类型和采样时间中的至少一种。
19.根据权利要求13所述的方法,其中,确定与所述用户相关的所述鼻有关表征包括:基于所述用户微生物组组成特征,确定与来自所述用户的所述鼻部部位的所述样品相关的地理位置参数。
20.根据权利要求13所述的方法,其中,确定所述鼻有关表征包括:基于所述用户微生物组组成特征,针对与所述微生物相关的鼻有关病症,确定所述用户的所述鼻有关表征。
21.根据权利要求20所述的方法,所述方法进一步包括基于所述鼻有关表征,促进与所述用户的治疗有关的治疗干预,以用于促进所述鼻有关病症的改善。
22.根据权利要求13所述的方法,其中,确定所述鼻有关表征包括:基于所述用户微生物组组成特征和鼻有关表征机器学习模型,确定与所述用户相关的鼻有关表征,所述鼻有关表征机器学习模型使用微生物组组成特征集合和与受试者集合相关的补充数据来训练。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762554985P | 2017-09-06 | 2017-09-06 | |
US62/554,985 | 2017-09-06 | ||
PCT/US2018/049806 WO2019051130A1 (en) | 2017-09-06 | 2018-09-06 | NASAL CHARACTERIZATION, ASSOCIATED WITH MICROBIOMA OF NOSE |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111315899A true CN111315899A (zh) | 2020-06-19 |
Family
ID=63684575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880071816.XA Pending CN111315899A (zh) | 2017-09-06 | 2018-09-06 | 与鼻部微生物组相关的鼻有关表征 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20200202979A1 (zh) |
EP (1) | EP3679162A1 (zh) |
JP (1) | JP2020532995A (zh) |
KR (1) | KR20200045557A (zh) |
CN (1) | CN111315899A (zh) |
AU (1) | AU2018327227A1 (zh) |
SG (1) | SG11202001850YA (zh) |
WO (1) | WO2019051130A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110195028A (zh) * | 2019-03-08 | 2019-09-03 | 大连理工大学 | 一种堆肥低温复合发酵菌剂的制备方法及应用 |
CN112562867A (zh) * | 2021-02-22 | 2021-03-26 | 天津迈德新医药科技有限公司 | 一种预测极早期hiv感染风险的装置、存储介质和电子装置 |
CN117646077A (zh) * | 2023-11-13 | 2024-03-05 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一组用于鼻咽癌早期诊断的组织内微生物标志物 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190211378A1 (en) * | 2015-09-09 | 2019-07-11 | uBiome, Inc. | Method and system for microbiome-derived diagnostics and therapeutics for cerebro-craniofacial health |
CN110218784B (zh) * | 2019-06-14 | 2023-05-05 | 首都医科大学附属北京同仁医院 | 菌群丰度检测物在制备鼻息肉及其预后检测剂中的应用 |
CN111243677B (zh) * | 2020-01-07 | 2023-04-14 | 北京唐颐惠康生物医学技术有限公司 | 一种基于细胞质量保证的时间控制方法及系统 |
CN111681707B (zh) * | 2020-03-09 | 2023-09-05 | 中国科学院亚热带农业生态研究所 | 一种基于鼻腔真核微生物相对丰度的评价保育猪个体所处生长环境温湿状态的方法 |
KR20240029676A (ko) * | 2022-08-26 | 2024-03-06 | 고려대학교 산학협력단 | 비강종물 감별을 위한 모델의 학습 방법 및 학습 장치, 비강종물 감별 방법 및 장치 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015112352A2 (en) * | 2014-01-25 | 2015-07-30 | uBiome, Inc. | Method and system for microbiome analysis |
US20160110515A1 (en) * | 2014-10-21 | 2016-04-21 | Zachary Apte | Method and system for microbiome-derived diagnostics and therapeutics |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012116289A2 (en) * | 2011-02-25 | 2012-08-30 | Tricorder Diagnostics, Llc | Microbial signatures as indicators of radiation exposure |
WO2018209308A1 (en) * | 2017-05-12 | 2018-11-15 | The Regents Of The University Of California | Treating and detecting dysbiosis |
-
2018
- 2018-09-06 CN CN201880071816.XA patent/CN111315899A/zh active Pending
- 2018-09-06 KR KR1020207009695A patent/KR20200045557A/ko not_active Application Discontinuation
- 2018-09-06 US US16/642,618 patent/US20200202979A1/en not_active Abandoned
- 2018-09-06 JP JP2020514186A patent/JP2020532995A/ja active Pending
- 2018-09-06 EP EP18778742.9A patent/EP3679162A1/en active Pending
- 2018-09-06 SG SG11202001850YA patent/SG11202001850YA/en unknown
- 2018-09-06 WO PCT/US2018/049806 patent/WO2019051130A1/en unknown
- 2018-09-06 AU AU2018327227A patent/AU2018327227A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015112352A2 (en) * | 2014-01-25 | 2015-07-30 | uBiome, Inc. | Method and system for microbiome analysis |
US20160110515A1 (en) * | 2014-10-21 | 2016-04-21 | Zachary Apte | Method and system for microbiome-derived diagnostics and therapeutics |
CN107075588A (zh) * | 2014-10-21 | 2017-08-18 | 优比欧迈公司 | 用于微生物组来源的诊断和治疗的方法及系统 |
Non-Patent Citations (4)
Title |
---|
GHATTAS MZ等: "Pilot investigation of the competition between commensal and pathogenic staphylococci within the human nasal microbiome" * |
HILTY M等: "Disordered Microbial Communities in Asthmatic Airways" * |
IGARTUA C等: "Host genetic variation in mucosal immunity pathways influences the upper airway microbiome" * |
TEO SHU MEI等: "The Infant Nasopharyngeal Microbiome Impacts Severity of Lower Respiratory Infection and Risk of Asthma Development" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110195028A (zh) * | 2019-03-08 | 2019-09-03 | 大连理工大学 | 一种堆肥低温复合发酵菌剂的制备方法及应用 |
CN110195028B (zh) * | 2019-03-08 | 2022-03-01 | 大连理工大学 | 一种堆肥低温复合发酵菌剂的制备方法及应用 |
CN112562867A (zh) * | 2021-02-22 | 2021-03-26 | 天津迈德新医药科技有限公司 | 一种预测极早期hiv感染风险的装置、存储介质和电子装置 |
CN117646077A (zh) * | 2023-11-13 | 2024-03-05 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一组用于鼻咽癌早期诊断的组织内微生物标志物 |
Also Published As
Publication number | Publication date |
---|---|
WO2019051130A1 (en) | 2019-03-14 |
AU2018327227A1 (en) | 2020-04-16 |
SG11202001850YA (en) | 2020-03-30 |
JP2020532995A (ja) | 2020-11-19 |
KR20200045557A (ko) | 2020-05-04 |
EP3679162A1 (en) | 2020-07-15 |
US20200202979A1 (en) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018318756B2 (en) | Disease-associated microbiome characterization process | |
US10388407B2 (en) | Method and system for characterizing a headache-related condition | |
US11001900B2 (en) | Method and system for characterization for female reproductive system-related conditions associated with microorganisms | |
CN107075588B (zh) | 用于微生物组来源的诊断和治疗的方法及系统 | |
CN111315899A (zh) | 与鼻部微生物组相关的鼻有关表征 | |
US10381112B2 (en) | Method and system for characterizing allergy-related conditions associated with microorganisms | |
US20190172555A1 (en) | Method and system for microbiome-derived diagnostics and therapeutics for oral health | |
CN108350019B (zh) | 用于细菌性阴道病的源自微生物群系的诊断及治疗方法和系统 | |
CN108348168B (zh) | 用于湿疹的源自微生物群系的诊断及治疗方法和系统 | |
KR20200047626A (ko) | 미생물과 관련된 여성 생식계통-관련 컨디션에 대한 특성화를 위한 방법 및 시스템 | |
AU2022202660A1 (en) | Method and system for characterization for appendix-related conditions associated with microorganisms | |
US11773455B2 (en) | Method and system for microbiome-derived diagnostics and therapeutics infectious disease and other health conditions associated with antibiotic usage | |
US20180342322A1 (en) | Method and system for characterization for appendix-related conditions associated with microorganisms | |
JP7114091B2 (ja) | パネル特徴付けのための方法およびシステム | |
CN107709576B (zh) | 用于神经系统健康问题的微生物组来源的诊断和治疗的方法及系统 | |
CN111164224A (zh) | 微生物相关的重要性指数指标 | |
CN107849616B (zh) | 用于功能特征相关的状况的微生物组来源的表征、诊断和治疗的方法及系统 | |
CN107849609B (zh) | 用于心理健康相关状况的微生物组来源的诊断和治疗的方法及系统 | |
US20190019575A1 (en) | Nasal-related characterization associated with the nose microbiome | |
CN107835859B (zh) | 用于运动系统状况的微生物组来源的诊断和治疗的方法及系统 | |
WO2018094376A1 (en) | Method and system for characterizing a headache-related condition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |