CN111373481A - 基于生物信息学方法表征代谢相关病症的包括诊断和疗法的方法和系统 - Google Patents

基于生物信息学方法表征代谢相关病症的包括诊断和疗法的方法和系统 Download PDF

Info

Publication number
CN111373481A
CN111373481A CN201980005826.8A CN201980005826A CN111373481A CN 111373481 A CN111373481 A CN 111373481A CN 201980005826 A CN201980005826 A CN 201980005826A CN 111373481 A CN111373481 A CN 111373481A
Authority
CN
China
Prior art keywords
enzyme
metabolism
features
query molecule
molecule
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
Application number
CN201980005826.8A
Other languages
English (en)
Inventor
扎迦利·阿普特
杰西卡·里奇曼
丹尼尔·阿尔莫纳西德
尹提·佩德索
维多利亚·杜马斯
瓦莱里亚·马奎兹
英格丽·阿拉亚
里卡多·卡斯特罗
马里奥·萨维德拉
梅利莎·奥乐基瑞亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Prosomegen
Psomagen Inc
Original Assignee
Prosomegen
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Prosomegen filed Critical Prosomegen
Publication of CN111373481A publication Critical patent/CN111373481A/zh
Pending legal-status Critical Current

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
    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/10—Ploidy or copy number detection
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioethics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Nutrition Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)

Abstract

方法和/或系统(例如，用于代谢有关预测)的实施方式能够包括：生成酶数据集；生成底物数据集；基于所述酶数据集和/或所述底物数据集，生成代谢模型，例如用于预测与查询分子的代谢相关的酶特征；基于所述代谢模型(例如，机器学习模型，等)的预测的酶特征中的一个或多个，确定与所述查询分子的所述代谢相关的微生物分类单元(和/或微生物分类群)S140；和/或基于所述微生物分类单元，确定一个或多个用户的查询分子得分(例如，药物得分)。

Description

基于生物信息学方法表征代谢相关病症的包括诊断和疗法的 方法和系统
相关申请的交叉引用
本申请要求2018年3月16日提交的美国临时申请序列号62/644,347、2018年6月2日提交的美国临时申请序列号62/679,783、2018年6月2日提交的美国临时申请序列号62/679,785、2018年6月2日提交的美国临时申请序列号62/679,787、2018年8月30日提交的美国临时申请序列号62/724,928、2018年9月27日提交的美国临时申请序列号62/737,108、2018年11月12日提交的美国临时申请号62/759,975、2018年11月23日提交的美国临时申请序列号62/770,919的权益，其全部内容通过引用合并于此。
技术领域
本公开一般地涉及微生物相关代谢。
背景技术
我们身体的人类细胞中有1：1的微生物细胞，其中大多数存在于肠道中(100万亿个细胞和500万个独特基因)。具体地，在人类肠中发现的最相关的门是：厚壁菌门(Firmicutes)、拟杆菌门(Bacteroidetes)、放线菌门(Actinobacteria)、变形菌门(Proteobacteria)、梭杆菌门(Fusobacteria)和疣微菌门(Verrucomicrobia)。肠内菌群(intestinal microbiota)涉及许多方面，其中包括例如维生素和代谢物的产生、药物的代谢、对病原体的预防以及免疫系统的调节；并且可以强调的是，调节肠道菌群(gutmicrobiota)的因素是：其中包括生活方式、免疫系统、既往感染和医疗手术、药物的使用。
人类摄入大量外来的小分子，其被命名为外源性物质(xenobiotics)。在该组中，我们可以找到饮食成分、环境化学物质和药物。居留在我们胃肠道的数万亿微生物可以直接改变外源性化合物(xenobiotics compound)的化学结构。肠道微生物更改许多类别的饮食化合物，包括多糖、脂类、蛋白质和植物化学物质复合物(phytochemicals complexe)。这些代谢反应与健康益处、不同病症以及疾病有联系。以特定的方式，已知肠道微生物的外源性物质代谢物具有改变的生物活性、生物利用度和毒性，且可以干扰人类外源性物质-代谢酶的活性，从而影响其他摄入分子的命运(fate)。因此，细菌和酶将提供用于操纵的特定靶标、以及可以合并到临床研究和实践中的诊断标记物。但是，在大多数情况下，尚不清楚介导这些反应的个体微生物和酶。
外源性化合物可以经由多种途径遇到肠道微生物，例如口服摄入的化合物穿过上胃肠道到达小肠，其中它们可以由肠道酶更改、并由宿主组织吸收。它们也可以通过门静脉到达肝脏。同时，静脉内施用的化合物可以引入体循环(systemic circulation)。然后，它们可以进一步地代谢，或经由胆管排出回到肠腔、或通过肾脏排出；且如果代谢物到达肠腔，则它们可以继续到达大肠，从而最终排出。
另一个重要的问题是微生物组如何更改饮食化合物、环境化学物质和药物。由肠道微生物执行的转化可以是通过水解转化-通过水解酶(蛋白酶、糖苷酶和硫酸酯酶)，该水解酶催化水分子加成到底物；然后键裂解-，裂解酶还原-通过裂解酶断开C-C或C-X键(其中X＝O、N、S、P或卤化物)而不依靠氧化或与水加成；还原转化-通过还原酶，该还原酶使用各种辅酶因子(NAD(P)H、黄素、Fe-S簇，等)还原包括烯烃和α,β-不饱和羧酸衍生物、硝基、N-氧化物、偶氮基和亚砜基团的多种官能团，以介导电子或氰化物等效物转移到底物；官能团转移反应-通过转移酶，转移酶使用亲核取代反应在两种底物之间移动官能团(例如甲基和酰基基团)；和由基团酶(radical enzyme)介导的转化。-主导厌氧代谢，其中酶通常通过单电子转移或均裂键裂(homolytic bond cleavage)生成底物类的基团中间体。然后，该初始的底物类基团转变为产物类基团。最终产物的形成通常再生初始的酶类基团或辅因子(cofactor)类基团，以完成催化循环-。
如上所述，外源性物质分子可以来自多种来源，例如饮食成分。在此问题中，该成分的一些具体实施例为其中包括谷蛋白-存在于小麦类食物中-、胆固醇-存在于肉、鱼、蛋、奶酪等中、酒精-存在于酒精饮料中、胆碱-例如存在于肉中。在此问题上，重要的是要知道我们所食用的食物及其成分是什么肠道菌群。
就谷蛋白而言，存在一种被称为腹腔疾病(celiac disease)的自身免疫性紊乱，其特征是对小麦类食物中的饮食谷蛋白的炎症性反应。与来自不具有腹腔疾病的人的微生物相比，来自具有腹腔疾病的患者的小肠微生物与谷蛋白的相互作用引发不同的免疫反应。在来自具有和不具有腹腔疾病的患者的粪便样品的比较研究中，已经发现，在来自具有腹腔疾病的患者的粪便样品中，检测出了细菌铜绿假单胞菌(Pseudomonas aeruginosa)，其通过改变谷蛋白蛋白质水解与高免疫原性多肽的生成相关联；同时，在来自不具有腹腔疾病的患者的粪便样品中，检测出了乳杆菌属某些种(Lactobacillus sp.)细菌，其可以降解多肽以降低免疫反应。
在另一实施例中，摄入的胆固醇可以在小肠中吸收，并经受胆汁排出和肝肠循环。已经报道了，肠道微生物-如尚未通过酶识别的产粪甾醇真细菌(Eubacteriumcoprostanoligenes)-可以降低胆固醇生成不能被重新吸收、并被排出的粪甾醇(coprostanol)，从而从循环中去除胆固醇。
在我们饮用酒精的情况下，肠道菌群具有乙醇脱氢酶，能够分解酒精并将其转化为乙醛。乙醛的积累具有毒性，其与从宿醉症状到结肠病理(包括癌症)的多种病症相关。此外，高乙醛水平可通过乙醛/黄嘌呤氧化酶生成的超氧化物将叶酸裂解为无活性形式；并且叶酸缺乏症与增加的结肠癌风险相关。
对于具有卵磷脂(phosphatidylcholine)的富含胆碱的肉类和食物-例如家禽、鱼、乳制品、意大利面、大米等-，肠微生物形成该分子的三甲胺(TMA)，然后宿主的黄素肝单氧酶(flavin hepatic monooxygenase，FMO)催化TMA转化为氧化三甲胺(trimethylamineN-oxide)(TMAO)，该氧化三甲胺增强动物模型中的动脉粥样硬化，并在临床研究中与心血管风险相关。在哺乳动物中生成TMA和随后的TMAO的另一种方法是通过从含有肉碱的食物-如肉-中饮食摄入L-肉碱，其中这种饮食肉碱的很大比例可以在吸收前由微生物群进一步代谢，生成TMA，TMA由肝脏FMO氧化为TMAO，且增加动脉粥样硬化的风险和心血管风险。以特定方式，存在用于细菌TMA生成的主要途径：通过使用胆碱作为底物的微生物胆碱TMA裂解酶，和通过使用L-肉碱作为底物的肉碱到TMA(carnitine-to-TMA)酶。在上述第一种中，据报道，微生物胆碱TMA裂解酶是一种独特的甘氨酰基基团(glycyl radical)，它利用由基因簇内相邻基因编码的催化多肽、CutC和相关激活蛋白、CutD组成的酶复合物；同时，在上述第二种酶中，由加氧酶组分(oxygenase component,CntA)和还原酶组分(reductasecomponent,CntB)组成，其中CntA属于Rieske型蛋白的未表征组，最著名的是芳香烃的环羟基化(ring-hydroxylation)。
外源性物质的其他重要来源是药物，并且重要的是要知道微生物组以哪种方式更改或竞争或干扰药物。在特定实施例中，扑热息痛(acetaminophen)(或对乙酰氨基酚(paracetamol))在肝脏中代谢，产生两种类型的无活性代谢物：硫酸扑热息痛和扑热息痛葡萄糖醛酸苷，还有一种有毒的代谢物：N-乙酰对苯醌亚胺(N-acetyl-p-benzoquinoneimine,NAPQI)。发现微生物代谢物、对甲酚硫酸盐(p-cresol sulfate)与硫酸扑热息痛和扑热息痛葡萄糖醛酸苷的比例反向相关。对甲酚是由几种细菌产生的：厚壁菌门(艰难梭菌(Clostridium difficile))、拟杆菌门、放线菌门和梭杆菌门。显著地，对甲酚在肝脏中代谢为对甲酚硫酸盐，并且对甲酚和扑热息痛都是人类胞质磺基转移酶1A1(sulfotransferase 1A1,SULTA1)的底物，使得对甲酚和扑热息痛之间的竞争会阻碍扑热息痛的解毒，从而增加NAPQI的积累，导致随后的肝脏损伤。
在另一实施例中，微生物代谢也可干扰药物、如地高辛(digoxin)的生物利用度。地高辛是一种从洋地黄(Digitalis purpurea)提取的用于充血性心力衰竭的药物，且具有非常窄的治疗窗口，需要仔细监测以避免毒性。从这个意义上说，地高辛治疗的患者中超过10％排出高水平的二氢地高辛(dihydrodigoxin)，其是一种由α、β-不饱和内酯的还原得到的无活性代谢物。随后的研究和分离显示，负责还原代谢的地高辛代谢微生物、迟缓埃格特菌(Eggerthella lenta)，导致地高辛失活。以特定的方式，迟缓埃格特菌具有强心苷还原酶(cardiac glycoside reductase,cgr)操纵子，该强心苷还原酶操纵子编码两种蛋白质，这两种蛋白质类似于包含在厌氧呼吸中的细菌还原酶：膜相关细胞色素(Cgr1)通过一系列的血红素(heme)将电子转移到黄素依赖性还原酶(flavin-dependent reductase)(Cgr2)，黄素依赖性还原酶将地高辛转变为二氢地高辛。
还存在药物、如伊立替康(irinotecan)的细菌再活化(bacterial reactivation)的情况。伊立替康(CPT-11)是SN-38(一种用于治疗癌症的拓扑异构酶(topoisomerase)抑制剂)的前药。SN-38由宿主羧酸酯酶(host carboxylesterase)激活。SN-38通过宿主肝酶葡萄糖醛酸化为无活性化合物(其通过胆汁排出到达肠道)。细菌β-葡萄糖醛酸酶可以使大肠中的SN-38再活化，并通过SN-38过量诱发毒性，从而导致癌症患者的肠损伤和腹泻。因此，生成β-葡萄糖醛酸酶抑制剂以避免伊立替康的再活化的继发效应(secondary effect)是有吸引力的。由于这些酶广泛分布于共生细菌中且存在于人类中，因此抑制剂需要对细菌β-葡萄糖醛酸酶具有选择性，并且对宿主细胞和其他肠道微生物都无毒。一些调查表明，潜在抑制剂的选择性基于细菌β-葡萄糖醛酸酶特有的环，因此基于该近似的抑制剂对活的需氧细菌和厌氧细菌中的酶靶标高度有效，但不会杀死细菌或危害哺乳动物的细胞；此外该抑制剂的口服施用保护了小鼠免受伊立替康诱导的毒性。与细菌再活化有关的其他情况是用于非甾体类抗炎症药物(non-steroidal anti-inflammatory drug,NSAID)。这些药物用于降低与炎症-如经前痉挛或关节炎情况下的慢性炎症-相关的疼痛。除此之外，在美国，NSAID已经成为了43％的药物有关急诊(emergency visit)的病因。长期使用NSAID可以引起溃疡或刺激消化道的内壁。NSAID的一些实施例是双氯芬酸(diclofenac)、布洛芬(ibuprofen)、阿司匹林(aspirin)、二氟尼柳(diflunisal)等。NSAID通过UDP-葡萄糖醛酸基转移酶(glucuronosyltransferase,UGT)加工成其葡萄糖醛酸苷代谢物。双氯芬酸-葡萄糖醛酸苷在小肠的后半部分中通过由共栖微生物群表达的β-葡萄糖醛酸酶再活化。
附图说明
图1包括药物得分预测的特定实施例。
图2包括药物代谢预测因子(drug metabolism predictor)的特定实施例，其中识别了与奥美拉唑代谢相关的细菌。
图3A-3E包括与代谢预测相关的五步过程的特定实施例，其中各步骤可以在任何合适的时间和频率下以任何合适的顺序执行。
图4包括人工甜味剂有关推荐的特定实施例。
图5包括酒精有关推荐的特定实施例。
图6包括酒精有关推荐的特定实施例。
图7包括酒精有关推荐的特定实施例。
图8包括酒精有关推荐的特定实施例。
图9A-9F包括酒精代谢有关推荐的特定实施例。
图10包括酒精代谢有关推荐的特定实施例。
具体实施方式
实施方式(例如，包括实施方式的变体、实施方式的实施例、实施方式的特定实施例、其他合适的变体等)的以下描述不旨在受限于这些实施方式，而是旨在使本领域的任何技术人员能够制造和使用。
方法100的实施方式(例如，用于代谢有关预测；如图3A-3E所示的特定实施例)可以包括：生成酶数据集S110；生成底物数据集S120；基于酶数据集和/或底物数据集，生成代谢模型(例如，机器学习模型，等)S130，例如用于预测与查询分子的代谢相关的特征(例如，酶学委员会编号(Enzyme Commission number)特征，如分类编号、子分类编号、子子分类编号、子子子分类编号等)；基于代谢模型(例如，机器学习模型等)预测的酶特征输出中的一个或多个，确定与查询分子的代谢相关的微生物分类单元(和/或微生物分类群)S140；和/或基于微生物分类单元(和/或微生物分类群)和/或用户的微生物组表征(例如，显示微生物组成和/或微生物功能，如微生物组成多样性和/或微生物功能多样性等)，确定一个或多个用户的查询分子得分(例如，药物得分)，其中，查询分子得分与查询分子相关(例如，表示针对用户的诸如与药物的药物代谢有关的药物效力的药物得分；诸如如图1所示等)。
额外地或替代地，方法100可以包括基于药物得分(和/或任何合适的模型输出和/或本文描述的合适数据等)，向用户推广(promote)(例如，提供、施用、推荐、展示等)疗法，以用于微生物有关病症。在特定实施例中，推广(例如，提供等)疗法可以包括向用户提供一个或多个疗法的一个或多个推荐(recommendations)。额外地或替代地，方法100可以包括基于底物数据集和查询分子的查询分子结构特征，执行结构相似性搜索，以过滤多种酶。
酶数据集可以包括酶数据(例如，显示与微生物分类群集合相关的酶集合的酶数据，等)、与酶集合相关的化学反应数据(例如，由酶数据显示的酶集合的酶学委员会(EC)编号等)和/或与酶有关的任何合适的数据。在特定实施例中，化学反应数据包括与酶集合相关的酶学委员会编号数据。在变体中，方法100可以包括，例如基于具有相关酶学委员会编号(Enzyme Commission number)数据的酶，注释不具有相关酶委员会编号的酶。在特定实施例中，酶集合包括与酶学委员会编号数据不相关的酶第一子集、和与酶学委员会编号数据相关的酶第二子集，其中生成酶数据集包括基于酶学委员会编号数据注释酶第一子集。
底物数据集可以包括与底物集合相关的底物结构特征(例如，可被酶集合在其上作用的底物等)。底物结构特征可以包括以下中的任何一个或多个：与底物集合相关的3D结构特征；产物分子特征(例如，显示从与一种或多种底物反应的一种或多种酶中生成的产物的数据等)；与底物集合相关的药物特征(例如，酶、底物和一种或多种药物之间的相互作用；由与酶和/或底物相关的过程影响的药物类型等)；和/或与底物相关的任何合适的特征。在特定实施例中，方法100可以包括，针对底物集合的各底物，从3D结构特征、产物分子特征和/或药物特征中识别有关的特征子集(例如，通过任何合适的特征选择算法和/或方法，等)，和/或其中，生成机器学习模型包括基于酶数据集和有关的特征的子集，生成机器学习模型，用于预测与查询分子的代谢相关的酶。
在变体中，方法100可以额外地或替代地包括基于预测的酶输出和/或任何合适数据，预测查询分子的酶学委员会分类编号和/或酶学委员会子分类编号，和/或其中，确定微生物分类单元包括基于酶学委员会分类编号和/或酶学委员会子分类编号，确定微生物分类单元。
代谢模型、方法100的实施方式的合适部分、系统200的实施方式的合适部分可以包括、应用、采用、执行、使用、基于和/或以其他方式相关于人工智能方法(例如，机器学习方法等)，人工智能方法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，使用随机森林(random forest)、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(Boltzmann)机、深度信念网络方法、卷积(convolutional)神经网络方法、递归(recurrent)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(multivariate adaptive regression splines)、局部估计散点平滑(locallyestimated scatterplot smoothing)，等)、基于实例的方法(例如，k最近邻、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(operator)、弹性网络回归(elastic net)等)、决策树学习方法(例如，分类和回归树、迭代二分法3(iterative dichotomiser 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 machines)等)、贝叶斯(Bayesian)方法(例如，朴素贝叶斯(naive Bayes)、平均单一依赖性估计量(averaged one-dependenceestimatiors)、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)、关联规则学习算法(例如，先验算法、Eclat算法等)、人工神经网络模型(例如，感知器(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)、降维方法(例如，主成分分析、偏最小二乘回归(partial least squares regression)、萨蒙映射(Sammonmapping)、多维标度(multidimensional scaling)、投影追踪(projection pursuit)，等)、集成方法(例如，提升(boosting)、自举聚合(boostrapped aggregation)、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。在特定实施例中，机器学习模型包括随机森林模型，用于预测酶集合的、与查询分子的代谢相关的酶。在特定实施例中，生成机器学习模型包括生成用于预测酶集合的、与查询分子的代谢相关的多种酶的机器学习模型。在特定实施例中，方法100还可以包括基于预测的酶输出集合，确定包括与查询分子的代谢相关的微生物分类单元的多个微生物分类群，该预测的酶输出集合包括机器学习模型的预测的酶输出，其中，预测的酶输出集合显示该多种酶。
在特定实施例中，化学反应数据包括与酶集合相关的酶学委员会编号数据，其中酶特征包括查询分子的EC分类编号和EC子分类编号中的至少之一(和/或EC子子分类编号、EC子子子分类编号、任何合适的EC有关特征，等)。在特定实施例中，酶学委员会编号特征包括查询分子的酶学委员会分类编号和酶学委员会子分类编号，其中，该方法可以额外地或替代地包括，例如基于查询分子结构特征和底物结构特征之间的相似性(例如，使用任何合适的相似性系数等)，预测查询分子的酶学委员会子子分类编号和/或酶学委员会子子子分类编号，和/或其中确定微生物分类单元可以包括基于酶学委员会分类编号、酶学委员会子分类编号、酶学委员会子子分类编号和酶学委员会子子子分类编号，确定微生物分类单元。
在特定实施例中，预测的微生物分类群与人类肠道微生物组相关，但是任何合适的代谢模型输出和/或任何识别的微生物分类群可以与任何合适的身体位点相关，身体位点包括以下中任何一个或多个：肠道、皮肤、鼻、口腔、生殖器(例如，阴道等)和/或其他合适的身体位点。
在特定实施例中，确定微生物组表征可以基于用户的微生物组成多样性数据集和/或微生物功能多样性数据集。
在特定实施例中，查询分子包括维生素有关分子、人工甜味剂有关分子和酒精有关分子中的至少之一。
系统200和/或平台(例如，用于代谢有关的预测)的实施方式可以包括：第一模块，其用于捕获数据(例如，调查、文献、用户元数据、样品分析、细菌数据库等)；第二模块，其包括代谢预测因子工具，该代谢预测因子工具例如使用机器学习技术和化学信息学，能够识别来自任何肠道菌群的任何单一分子(例如，酶、代谢物、化合物)，该肠道菌群可代谢查询分子(例如，药物、代谢物)；第三模块，其用于确定与查询分子的代谢相关的微生物分类群；第四模块，其用于个性化饮食推荐；第五模块，其用于精密医疗(precision medicine)；第六模块，其用于告知毒理学风险评估；第七模块，其用于改进药物研发(drug discovery)和药物开发(drug development)；中间结果，其为预测，该中间结果输入至第四、第五、第六和第七模块，用于预测它们每一个中的处理；和/或例如来自模块的最终的且独立的结果，其包括与病症有关或无关、和/或用于其他合适目的的潜在药物、代谢物、治疗剂等的任何分子。
用于捕获数据的第一模块可以包括：任何机制、技术、方法或合适方法论以捕获与病症有关或无关的数据，其中，该数据例如包括调查数据、文献、用户元数据、样品分析、细菌数据库(例如，包括微生物分类群和微生物有关病症之间的相关性，等)中的一个或多个。
第二模块可以包括代谢预测因子工具，该代谢预测因子工具包括：构建分子(例如，多肽)预测因子的方法论，该分子预测因子可以在特定实施例中描述如下：第一，通过识别目标物种(例如，来自微生物群的细菌、任何样品中的微生物)的组，构建蛋白质数据库。然后，获取各物种的参照蛋白质组并注释(例如分类)不具有适当的相关蛋白质特征的那些蛋白质(使用例如BLAST、序列相似性网络(sequence similarity networks,SSN)、序列比对(Clustal)、HMM或任何其他序列相似性搜索算法)。第二，构建底物数据库，其中底物与各蛋白质特征相关，并以三维空间格式(tridimensional format)获取，然后转变为结构特征(例如，指纹，ADME性能、化学和生物描述符(chemical and biological descriptor)和许多其他特征)。结构特征格式允许以数字形式适当地描述分子的结构特征。第三，执行机器学习分类方法(例如随机森林、支持向量机、决策树、神经网络、朴素贝叶斯、AdaBoost、装袋算法(Bagging)、IBK、多级分类器(MultiClass classifier)，等)，以预测与查询分子有关的蛋白质特征。第四，进行结构相似性搜索(使用例如谷本(Tanimoto)系数、特沃斯基(Tversky)系数或戴斯(Dice)相似性系数)，以得到更多的蛋白质特征。然后，作为最终结果，将识别包含在与查询分子有关的蛋白质特征中的代谢蛋白质和相应的物种。然而，可以以任何合适的顺序应用任何合适的过程，用于促进蛋白质特征预测因子工具的确定。
第三模块可以包括与查询分子的代谢相关的微生物分类群的确定。
用于个性化饮食推荐的第四模块可以包括：递送(deliver)适合于每个个体的营养干预、忠告(advice)、指导、服务或产品，以维持或增加他们的健康。
用于精密医疗的第五模块可以包括：考虑每个人在基因、环境、生活方式等中的个体差异，以针对特定病症进行。
用于告知毒理学风险评估的第六模块可以包括：考虑毒理学危害和风险鉴定、毒理学风险分析、毒理学风险评价和毒理学风险控制的过程或方法；消除或最小化毒理学风险或对个体的副作用。其中，毒理学风险可以考虑化学品、物理剂(physical agent)、药物、生物剂(biological agent)。
用于改进药物研发和药物开发的第七模块可以包括：升级、提纯(refine)、增强目标研发、目标选择、潜在先导化合物的识别、先导物优化、开发阶段(临床前阶段)、概念验证、开发、产品差异化、新药或治疗剂的注册和发布。
作为预测的中间结果可以包括：基于本文描述的数据的预报(forecast)或预测。
最终的且独立的结果可以包括：与病症有关或无关、和/或用于其他合适目的的潜在药物、代谢物、治疗剂、补充剂、饮食化合物、制剂等的任何分子。
系统的实施方式可以基于与任何多组分蛋白质相关元素(例如，查询分子)相关的蛋白质特征，用于蛋白质功能的预测。系统当前公开的实施方式的使用，用于任何查询分子的代谢，其中查询分子可以包括：药物、外源性物质的其他类别(例如饮食化合物、环境化学物质)和任何其他多组分蛋白质相关元素。
系统(例如，用于代谢有关预测)的实施方式可以包括：数据收集模块，其用于收集(和/或包括以下的蛋白质有关数据库)：蛋白质数据、其显示与微生物分类群集合相关的蛋白质集合，与蛋白质集合相关的化学反应数据，和/或底物数据、其包括与底物集合相关的底物结构特征且该底物集合与蛋白质集合相关，和/或本文描述的其他合适数据；代谢模块(例如，代谢机器学习模型)，其用于基于蛋白质数据、化学反应数据和/或底物数据，预测与查询分子的代谢相关的蛋白质特征(例如，EC编号特征)；和/或微生物模块，其用于基于从查询分子的代谢模块中预测的蛋白质特征，确定与查询分子的代谢相关的微生物分类单元。
在变体中，系统可以额外地或替代地包括药物得分模块，其用于基于微生物分类单元和用户的微生物组表征，预测药物得分，该药物得分显示用户对查询分子的药物效力。在变体中，系统可以额外地或替代地包括微生物组表征模块，用于基于用户的微生物组成多样性数据集和微生物功能多样性数据集，确定微生物组表征。在变体中，系统可以额外地或替代地包括疗法模块，用于基于药物得分，确定用户的疗法。在变体中，系统可以额外地或替代地包括疗法提供模块，用于向用户提供疗法。在变体中，系统可以额外地或替代地包括个性化饮食推荐模块，用于基于用户的微生物组表征和与查询分子的代谢相关的微生物分类单元，确定用户的个性化饮食推荐，和/或其中个性化饮食推荐包括维生素有关推荐、人工甜味剂有关推荐和/或酒精有关推荐中的至少之一。在特定实施例中，个性化饮食推荐包括与微生物分类群集合相关的酒精有关推荐，该微生物分类群集合包括以下中的至少之一：单形拟杆菌(Bacteroides uniformis)(种)；丝状霍尔德曼氏菌(Holdemaniafiliformis)(种)；血红苏黎世杆菌(Turicibacter sanguinis)(种)；塔伊艾森伯格氏菌(Eisenbergiella tayi)(种)；多枝梭菌(Erysipelatoclostridium ramosum)(种)；迪尔玛难养菌(Dielma fastidiosa)(种)；人罗斯拜瑞氏菌(Roseburia hominis)(种)；光冈氏链型杆菌(Catenibacterium mitsuokai)(种)；莫雷梭菌(Solobacterium moorei)(种)；链状埃格特氏菌(Eggerthia catenaformis)(种)；斯德科瑞肯阿洛巴氏菌(Allobaculumstercoricanis)(种)；和/或乳杆菌(Lactobacillus)(属)。
在特定实施例中，代谢预测因子可以用于药物代谢，但是其用途可以扩展至预测其他种类的外源性物质的代谢，例如饮食化合物、环境化学物质等。
在特定实施例中，如图1所示，作为药物代谢预测因子，还识别了与奥美拉唑代谢相关的细菌。奥美拉唑是用于治疗胃食管反流疾病的药物。作为实施例，在粪便样品中获得了代谢奥美拉唑的细菌的分布。用于该信息的实施例是基于用代谢预测因子识别的分类群的相对丰度总和生成“得分”。该得分将允许告知用户他们的代谢药物的能力，或者药物没有预期作用的倾向。然后，对负责这些活性的特定生物体和酶以及其在患者中的存在，获得更好理解，可以有助于药物选择和施用。
在特定实施例中，先前描述的方法论的实施方式应用于以下实施例中，其中蛋白质是酶，并且蛋白质特征可以包括EC编号。实施例是代谢预测因子的构建。在特定实施例中，代谢预测因子(例如，代谢模型)使用机器学习算法和化学信息学来识别EC编号和与查询分子的代谢有关的细菌种类(例如，如图2所示)。在该特定实施例中，代谢预测因子用于识别属于肠道菌群的微生物和酶。EC命名法识别催化相似反应的酶的种类。EC分类代码的第一个数字代表由酶催化的一般反应的类型，范围从1到6(表1)。下面三个数字代表详细的反应类型。以此方式，第二和第三个数字分别是酶的子分类和子子分类，且描述了关于参与反应的化合物、基团、键或产物的反应。最后的数字代表参与反应的特定代谢物和辅酶因子。
表1:EC命名法的第一数字的含义
反应种类 名称 催化的反应
1 氧化还原酶 氧化还原(氧化/还原)反应
2 转移酶 化学基团从一个分子到另一个分子的转移
3 水解酶 水解作用：通过水的插入使键断裂
4 裂解酶 去除基团伴随着形成双键，或双键上加成基团
5 异构酶 分子的异构化(例如，消旋酶和差向异构酶)
6 连接酶 两个分子的接合
在特定实施例中，方法100可以包括以下中的一个或多个：步骤1：构建酶数据库。从不同的源获取所有的蛋白质组或可用蛋白质。然后，从发现的蛋白质中，识别具有相关的EC编号的酶。最后，使用所识别的酶作为基础，注释那些不具有适当相关的EC的酶。
在特定实施例中，方法100可以包括以下中的一个或多个：步骤2：构建底物/产物训练数据集。从各已知的酶中，得到参与所有酶反应的底物和产物的3D结构。然后，从不同源中得到底物(例如，产物分子、药物)的结构特征。最后，执行重要且相关特征的选择，以用于分类。
在特定实施例中，方法100可以包括以下中的一个或多个：步骤3：运行机器学习算法，以分类和分开与底物(例如，产物分子、药物)的代谢相关的酶。然后使用底物训练数据集，优化参数，用于机器学习算法。接下来，构建和评价机器学习分类器(构建所需数量的分类器，即1、2、……n个分类器)。最后，执行查询分子的EC分类和EC子分类编号的预测。
在特定实施例中，方法100可以包括以下中的一个或多个：步骤4：使用结构相似性搜索和已知的底物数据集，获取与分子的代谢相关的酶的精确预测。然后，使用不同的结构相似性系数，搜索查询分子的相似分子。接下来，根据不同的相似性标准过滤。最后，执行查询分子的EC子子分类和EC子子子分类编号的降低(reduction)。
在特定实施例中，方法100可以包括以下中的一个或多个：步骤5：将EC编号分配给属于一个物种的各代谢酶，该EC编号意味着一种功能。与此同时，也将识别参与查询分子的代谢的各肠道细菌。从所识别的EC编号中，获取所有代谢酶和物种。最后，识别属于能够代谢查询分子的肠道细菌物种的代谢酶。将EC编号分配给属于一个物种的各代谢酶，该EC编号意味着一种功能。与此同时，也将识别参与查询分子的代谢的各肠道细菌。
用于预测蛋白质功能的系统的实施方式基于与任何多组分蛋白质相关元素(例如查询分子)相关的蛋白质特征。
系统当前公开的实施方式的使用，用于任何查询分子的代谢，其中查询分子可以包括：药物、外源性物质的其他类别(例如饮食化合物、环境化学物质)和任何其他多组分蛋白质相关元素。
在特定实施例中，代谢预测因子可以用于药物代谢，但是其用途可以扩展到预测其他种类的外源性物质的代谢，例如饮食化合物、环境化学物质等。作为该技术的实施方式，与咖啡因代谢相关的肠道细菌物种集合可以使用本技术方法的实施方式获得：
表2.使用文献信息并使用包括机器学习和结构方法的生物信息学工具发现的降解咖啡因的细菌
Figure BDA0002498836720000131
Figure BDA0002498836720000141
在特定实施例中，药物代谢预测因子(例如，代谢模型)能够预测细菌物种和已经在文献中描述的药物之间的关系。这是咖啡因的情况，据文献报道，预测恶臭假单胞菌和黄褐假单胞菌物种，与先前未公开的与咖啡因有关的其他细菌集合一起，为降解药物的细菌。
方法和/或系统的实施方式、与炎症相关的细菌物种集合可以使用本方法和/或系统的实施方式获得：
表3：使用包括机器学习和结构方法的生物信息学工具，发现了降解丁酸盐(butyrate)的细菌
Figure BDA0002498836720000151
Figure BDA0002498836720000161
方法和/或系统的实施方式、与人工甜味剂相关的肠道细菌物种集合可以使用本方法和/或系统的实施方式获得：
表4.在文献中发现的细菌包括其丰度水平由于人工甜味剂的消耗而增加或降低的细菌。使用包括机器学习和结构方法的生物信息学工具，发现了降解糖精的细菌
Figure BDA0002498836720000162
Figure BDA0002498836720000171
Figure BDA0002498836720000181
在用于个性化饮食推荐的第四模块的特定实施例中，其示出了根据个体的维生素水平给予个体的忠告的实施例。方法100和/或系统200的实施方式可以包括，例如基于一个或多个查询分子得分和/或本文描述的其他合适数据，提供与饮食、食物摄入和/或其他相关方面相关的一个或多个推荐。
提供推荐可以包括提供维生素有关推荐(例如，通知、信息，等)。在特定实施例中，提供维生素有关推荐可以包括提供包括任何合适语言的一个或多个口头和/或图形化通知，该通知包括“维生素是您的身体执行数百项重要工作所需的基本营养素，包括构建蛋白质和将食物转变为能量。您的细胞可以形成这些维生素中的一些(例如，维生素D，如果您得到充足的日晒)，但是这些维生素中的大部分必须来自其他来源。食用均衡饮食和大量富含维生素的食物-如新鲜水果和蔬菜-为这些维生素中的大部分提供最佳供应。但是您知道您的肠道微生物组还会生成某些维生素吗？让我们探索一下您的生成维生素细菌(vitamin-producing bacteria)，重点关注您肠道微生物可以帮助供应的两种重要维生素：维生素K和维生素B9(也称为叶酸(folate)和维生素b(folic acid))。[章节标头(SectionHeader)]您的生成维生素细菌：丰度度量了特定细菌组成您的微生物组的什么部分。下面您可以看到在您的样品中生成维生素K细菌和生成维生素B9细菌的相对丰度。[图表标题]丰度。[章节标题]维生素K。维生素K因其在血液凝结中的作用而广为人知，但它在您的身体中也起着其他重要的作用，例如有助于维持强壮的骨骼和保持您的心脏健康。维生素K存在两种类型：维生素K1和K2。您可以从绿色的、叶菜、植物油和一些水果中获得维生素K1。但是，维生素K2主要通过您肠道中的细菌生成。这些生成维生素K细菌使用维生素K1，以产生维生素K2。然后，维生素K2通过您的肠道壁吸收到您的身体。[图表标题]您的维生素K细菌。[副标题]您与所有用户如何比较。您的生成维生素K细菌的丰度比所选择的用户大___％{百分数}。[副标题]您与所选择的样品如何比较。与我们的所选择样品组相比，在您的样品中，您具有{更高/更低}丰度的生成维生素K细菌。所选择样品是来自未报告疾病且高度健康的个体的样品。[子标头]>了解更多。如果您的维生素K低(缺乏)，您可能会更容易受伤、或经受鼻出血和牙龈出血。研究还将维生素K缺乏症与更严重的健康问题、如心脏疾病和骨质疏松症相联系。如果您没有从您吃的食物中获得足够的维生素K，或者如果您具有限制维生素K吸收的肠道病症，则您可能会缺乏维生素K。某些肠道细菌的缺少也可能起作用，因为这些细菌帮助生成您身体所需的一些维生素K。关于如何增加您肠道中生成维生素K细菌的量的提示参见下文。[章节标题]维生素B9(叶酸、维生素b)。维生素B9也称为“叶酸”或“维生素b”，其参与构建和修复DNA，以及形成新的细胞、例如红细胞。尽管维生素B9在怀孕期间尤其重要，因为它可以帮助预防婴儿的大脑和脊髓的先天缺陷，但是它也是人一生中必不可少的必须营养素。有许多好的维生素B9的饮食来源。它天然存在于多种食物中，包括菠菜、肝脏、鹰嘴豆(garbanzo bean)、芦笋和球芽甘蓝(brussels sprout)。它还被添加到美国的大多数谷物类产品中，例如面包、谷类食品和意大利面。多种肠道细菌也生成维生素B9，提供该重要营养素的额外来源。[图表标题]您的维生素B9细菌。[子标题]您与所有用户如何比较您的生成维生素K细菌的丰度比所选择的用户大___％{百分数}。[子标题]您与所选择样品如何比较：与我们所选择样品的组相比，在您的样品中，您具有{更高/更低}丰度的生成维生素B9细菌。所选择样品是来自未报告疾病且高度健康的个体的样品。[子标头]>了解更多：如果您具有较少的维生素B9，那么您可能会患有一种称为巨幼细胞性贫血(megaloblastic anemia)的病症。巨幼细胞性贫血的症状包括疲劳、虚弱、注意力难以集中、头痛、易怒(irritability)、心悸和呼吸急促。维生素B9缺乏症也会引起其他问题，例如舌痛或口腔痛。研究已表明，较高水平的该营养素可能与改善的睡眠质量有联系。研究还暗示，随着我们年龄的增长，维生素B9可能有助于预防抑郁和智力下降(mental decline)。[章节标题]采取措施：下面是对采取措施和增加特定微生物丰度的方法的一些建议(suggestion)。您无需采用所有这些步骤-只需选择对您和您的生活方式最有效的建议。所有这些建议都基于科学研究。假如您想了解更多关于这些研究，我们在页面底部处列出了已发表的论文。[基于各用户的结果，待插入的推荐]如果：维生素K代谢低，且乳酸乳球菌低：消耗某些乳制品-例如酪乳、酸奶油、松软干酪(cottage cheese)和开菲尔(kefir)-可以提升您的称为乳酸乳球菌(乳链球菌亚种或乳脂链球菌亚种)的、生成维生素K细菌的供应。一定要检查这些产品的标签，以确保它们含有该细菌的活培养物。且芽孢杆菌低日本纳豆是称为枯草芽孢杆菌的生成维生素K细菌的极好来源。这是一种由发酵大豆制成的传统日本食物。研究表明，定期消耗纳豆的日本女性比不经常食用纳豆的女性具有更高的维生素K水平。服用益生菌补充剂是提升您的生成维生素K细菌的另一种方法。研究表明，每天服用含有枯草芽孢杆菌的补充剂可以增加这种有益微生物的水平。检查标签以确保补充剂含有至少10×10^9CFU的这种细菌。且普雷沃菌低：采用地中海饮食(Mediterranean diet)可能帮助提升您的生成维生素K细菌。研究表明，遵循地中海风格饮食的人具有较高水平的称为普雷沃菌的生成维生素K细菌。这种类型的饮食主要包括新鲜水果和蔬菜、植物油(例如橄榄油)、种子、坚果、鱼和豆类。它的饱和脂肪(例如黄油)、乳制品和红肉低。如果：维生素B9代谢低，且肠道拟杆菌低，木聚糖是存在于植物的细胞壁中的一类复合糖(一种多糖)。研究表明，其可以帮助增加您的称为肠道拟杆菌的、生成B9细菌的水平。木聚糖在诸如小麦、燕麦、大米、玉米、大麦、黑麦和小米的谷物中最丰富。饮食指南推荐每天食用至少6盎司的谷物。并且瘤胃球菌低：研究表明，食用更多膳食纤维(dietary fiber)可以增加称为瘤胃球菌的生成维生素B9细菌的量。纤维的良好来源包括豆类、全麦、糙米、坚果和蔬菜。食用由米糠制成的食物也可以提升您的瘤胃球菌的供应。一项研究发现，每天消耗30克米糠，增加了这些生成维生素微生物的水平。并且厌氧棒杆菌低：菊粉是一类植物纤维，存在于许多食物中，包括香蕉、芦笋、洋葱和朝鲜蓟。其也可以用作益生元补充剂。研究表明，每日服用菊粉补充剂至少四周，可以增加称为厌氧棒杆菌的生成维生素B9细菌。菊粉的推荐剂量为每天最多10克。并且氢营养布劳特氏菌低：低聚木糖(Xylooligosaccharide,XOS)是另一种益生元补充剂，其可以促进生成维生素B9细菌。一项研究发现，每天消耗2克XOS至少八周，可以增加一种称为氢营养布劳特氏菌的生成B9细菌。并且双歧杆菌低：您可以做几件事来增加您双歧杆菌的水平，双歧杆菌是另一种与维生素B9的生成相关的细菌属：消耗菊粉(推荐摄入量：12-20g/天)至少4周。您可以从可商购的益生元产品或某些食物、例如朝鲜蓟、芦笋、香蕉、苦瓜、菊苣根、苦苣、洋姜、生菜、洋葱、桃、豌豆、石榴、根菜类蔬菜、西瓜、葱、全麦小麦、全麦黑麦和软颈大蒜(soft-necked garlic)中获取菊粉。消耗膳食纤维(推荐摄入量：17-30g/天)至少28天。膳食纤维的主要来源是全麦谷物、水果、蔬菜和豆类。消耗1:1比例的菊粉和低聚果糖混合物(推荐摄入量：6-16g/天)至少3周。消耗各种富含纤维的食物，以增加您的双歧杆菌水平。尝试消耗全麦早餐谷物(推荐摄入量：48g/天)至少3周。消耗低聚半乳糖(galacto-oligosaccharides,GOS)(推荐摄入量：8-15g/天)至少21-36天。您可以从可商购的益生元补充剂中、或通过消耗含GOS的食物、例如各种豆类和一些奶粉来获取GOS。消耗麦麸提取物(10g/天)至少3周。消耗阿拉伯糖基木聚糖低聚糖(arabinoxylanoligosaccharides,AXOS)(推荐摄入量：4.8g/天)至少3周。AXOS可以存在于许多含有全麦小麦的产品中。消耗低聚木糖(xylooligosaccharides,XOS)(推荐摄入量：1.2-2.8g/天)至少3周。您可以从可商购的益生元产品中获取XOS。消耗可以存在于龙舌兰中的益生元果聚糖(推荐摄入量：5g/天)至少3周。推荐的水果健康摄入量为每天2杯。尝试在您的饮食中含有苹果和奇异果！”
表5:与维生素相关的微生物分类群。
Figure BDA0002498836720000211
Figure BDA0002498836720000221
在用于个性化饮食推荐的第四模块的特定实施例中，其示出了根据个体的代谢给予个体的忠告的实施例。
提供推荐可以包括提供代谢有关推荐(例如，通知、信息，等)。在特定实施例中，提供代谢有关推荐可以包括提供包括任何合适语言的一种或多种口头和/或图形化通知，该通知包括：“您可能听说过人们谈论他们的代谢与他们燃烧卡路里有多快有关—“我的代谢慢(或快)。”您的代谢比这多得多！它包括所有生化过程，该生化过程涉及将您吸收的东西转变为能量并产生您的细胞生存所需的化合物。这是一项巨大的任务，并且您的微生物组起关键作用。您肠道中的微生物专业消化您身体无法自行消化的分子。在将这些分子分解成较小的块(chunk)后，微生物使用这些较小的件(piece)来构建您的身体无法自行形成的独特的分子。这些分子中的一些用作您细胞的燃料，而其他执行更专业的作用，例如提供帮助调节您的肠道健康、食欲和免疫系统的化学信号。通过观察帮助您代谢三种类型的分子的微生物，让我们来探索您的微生物组如何支持代谢，这三种类型的分子为：碳水化合物、脂质和氨基酸。[图表标题]丰度：丰度度量了特定细菌组成您的微生物组的什么部分。下面，在您的样品中您可以看到代谢碳水化合物细菌、代谢氨基酸细菌和代谢脂质细菌的相对丰度。碳水化合物和您的微生物：碳水化合物是您的细胞的主要能量来源。它们包括糖、淀粉和纤维，并且通常存在于水果、谷物、蔬菜和奶制品中。您的细胞能够直接自行分解简单的碳水化合物，例如水果(果糖)和糖果(葡萄糖)中的糖。但是，来自植物类食物的复杂碳水化合物、如纤维和淀粉，则需要帮助。那就是您的肠道微生物参与并帮助(pitch in)的地方，有助于分解这些复杂碳水化合物并将它们转变为能量和有用的分子。它们生成的分子之一是丁酸盐。这是一类有用的脂肪，称为短链脂肪酸(short chain fatty acid,SCFA)。研究已经说明了较高水平的丁酸盐与较低风险的克罗恩病(Crohn’s disease)有关联。较高水平的该脂肪酸也与增进食欲激素的减少以及较低风险的肥胖症相关。这表明，通过食物或补充剂，向消耗碳水化合物细菌供给它们喜欢的某些复杂碳水化合物，可能会帮助您饭后感觉更饱，并帮助您管理您的体重。帮助分解复杂碳水化合物的微生物包括例如拟杆菌、罗斯拜瑞氏菌、丁酸弧菌(Butyrivibrio)、瘤胃球菌、双歧杆菌和普雷沃菌的细菌。下面，我们提供了关于您如何提升这些有益的碳水化合物消耗者的丰度的建议。[图表标题]您的代谢碳水化合物细菌[子标题]您与所有用户如何比较：您的代谢碳水化合物细菌的丰度比所有用户大___％{百分数}。[子标题]您与所选择样品如何比较：与我们的所选择的样品组相比，在您的样品中，您具有{更高/更低}丰度的代谢碳水化合物细菌。所选择样品是来自未报告疾病且高度健康的个体的样品。脂质和您的微生物：脂质的另一个词是“脂肪”，而脂肪是健康饮食的重要部分。例如，您需要脂肪来构建细胞膜、储存能量并帮助创建激素-包括有助于控制食欲的激素。您的消耗脂质微生物通过几种重要方式帮助您的身体使用脂肪。首先，它们帮助您的身体分解脂肪。它们还使用较小的分子来形成称为短链脂肪酸(SCFA)的脂肪，包括一种重要的称为丁酸盐的短链脂肪酸(见上文)。SCFA为您的肠道内壁细胞提供食物(fuel)并且用作可与其他器官通讯的信使分子(messenger molecule)。高水平的SCFA与健康的肠道和免疫系统有关联。最后，您的肠道微生物会影响最终进入您的血液的脂质的水平。例如，一组称为克里斯滕森菌(Christensenella)的微生物组与较低水平的甘油三酯相关。如果您的甘油三酯持续高水平，这可能会增加您的患有中风的风险。然而，您的消耗脂质微生物并不总是有用。称为迟缓埃格特菌的另一组与甘油三酯水平的增加相关，且与有助于预防心脏病的称为高密度脂蛋白(high-density lipoproteins,HDL)的“有益胆固醇”水平的降低相关。下面，我们提供了关于您该如何提升您的有益于消耗脂质微生物的丰度的提示。[图表标题]您的代谢脂质细菌：[子标题]您与所有用户如何比较：您的代谢脂质细菌的丰度比所选择的用户大___％{百分数}。[子标题]您与所选择的样品如何比较。与我们的所选择的样品组相比，在您的样品中，您具有{更高/更低}丰度的代谢脂质细菌。所选择样品是来自未报告疾病且高度健康的个体的样品。氨基酸和您的微生物：氨基酸是蛋白质的基本构成要素，它们在体内产生肌肉、骨骼、软骨、皮肤和血液方面起着至关重要的作用。身体中有21种氨基酸，形成了人类生命和健康所必需的蛋白质。这些氨基酸中的许多可以从其他氨基酸在您的身体内产生。但是其中的九种不能以这种方式产生-我们称这些为“必需”氨基酸，因为它们是人类生命所必需的，但我们无法在我们的身体中产生它们。替代的，我们依靠食物(有时是膳食补充剂)以在我们肠道微生物的帮助下获得这些氨基酸。在消化过程期间，肠道微生物开始工作，将来自您食物中的某些蛋白质分解为您身体的必需氨基酸。您的肠道微生物产生的一种关键氨基酸是色氨酸。您的细胞使用色氨酸以产生5-羟色胺(serotonin)，其是您的大脑和神经的重要化学信使。5-羟色胺可以影响您的社交行为，并通常与情绪健康相关。研究表明，差不多90％的5-羟色胺在肠道中生成，并且许多5-羟色胺通过您的肠道微生物调节。下面，我们提供了有关您该如何提升您的有益于氨基酸微生物的丰度的提示。[图表标题]您的代谢氨基酸细菌[子标题]您与所有用户如何比较。您的代谢氨基酸细菌的丰度比所选择的用户大___％{百分数}。[子标题]您与所选择的样品如何比较。与我们所选择的样品组相比，在您的样品中，您具有{更高/更低}丰度的代谢氨基酸细菌。所选择样品是来自未报告疾病且高度健康的个体的样品。推荐/采取措施：下面是采取措施和增加特定代谢微生物丰度的方法的一些建议。您无需采用所有这些步骤-只需选择对您和您的生活方式最有效的建议。所有这些建议都基于科学研究。假如您想了解更多关于这些研究，我们在页面底部处列出了已发表的论文。[基于各用户的结果，待从电子表格中插入的推荐]。如果：碳水化合物代谢低且厌氧棒杆菌低：食用菊粉(推荐摄入量：12g/天)至少4周，以增加厌氧棒杆菌。您可以从可商购的益生元产品中获取菊粉，也存在含有菊粉的食物，例如朝鲜蓟、芦笋、香蕉，苦瓜、菊苣根、苦苣、洋姜、生菜、洋葱、桃、豌豆、石榴、根菜类蔬菜、西瓜、葱、全麦小麦、全麦黑麦、软颈大蒜(soft-neckedgarlic)。如果：碳水化合物代谢低和/或脂质代谢低：且粪球菌低：消耗1:1比例的菊粉和低聚果糖(oligofructose)的混合物(推荐摄入量：6-16g/天)至少3周，以增加粪球菌。该微生物参与代谢碳水化合物和脂质，并改进您的肠道微生物群的碳水化合物和脂质代谢。且多雷亚菌低：消耗1:1比例的菊粉和低聚果糖的混合物(推荐摄入量：6-16g/天)至少3周，以增加多雷亚菌。该微生物参与代谢碳水化合物和脂质，并改进您的肠道微生物群的碳水化合物和脂质代谢。且乳杆菌低：为了增加您样品中乳杆菌的量，您可以：消耗菊粉(推荐摄入量：10g/天)至少3周。您可以从可商购的益生元产品中获取菊粉，也存在含有菊粉的食物，例如朝鲜蓟、芦笋、香蕉，苦瓜、菊苣根、苦苣、洋姜、生菜、洋葱、桃、豌豆、石榴、根菜类蔬菜、西瓜、葱、全麦小麦、全麦黑麦、软颈大蒜(soft-necked garlic)。消耗不同的富含纤维的食物。您可以消耗全麦燕麦类格兰诺拉麦片(granola)(推荐摄入量：45g/天)至少4周，或者全麦早餐谷物(推荐摄入量：48g/天)至少3周。消耗低聚半乳糖(galacto-oligosaccharides,GOS)(推荐摄入量：多达15g/天)至少36天。您可以从可商购的益生元补充剂中、或通过消耗含GOS的食物、例如各种豆类和一些奶粉来获取GOS。食用低聚木糖(XOS)(推荐摄入量：约1.2g/天)至少3周。您可以从可商购的益生元产品中获取XOS。消耗可以存在于龙舌兰中的益生元果聚糖(推荐摄入量：5g/天)至少3周。推荐的水果健康摄入量为每天2杯。尝试在您的饮食中包括苹果和奇异果！这些微生物参与代谢碳水化合物和脂质，并改进您的肠道微生物群的碳水化合物和脂质代谢。且颤杆菌低消耗1:1比例的菊粉和低聚果糖的混合物(推荐摄入量：6-16g/天)至少3周，以增加颤杆菌。该微生物参与代谢碳水化合物和脂质，并改进您的肠道微生物群的碳水化合物和脂质代谢。如果：脂质代谢低和/或氨基酸代谢低且拟杆菌属低：消耗低聚木糖(XOS)(推荐摄入量：2.8g/天)至少8周，以增加拟杆菌属中一些种的水平。您可以从可商购的益生元产品中获取XOS。这些微生物参与代谢氨基酸和脂质，并改进您的肠道微生物群的氨基酸和脂质代谢。如果：碳水化合物代谢低和/或脂质代谢低和/或氨基酸代谢低且双歧杆菌属低：您可以做一些事情来增加您的双歧杆菌属的水平：消耗菊粉(推荐摄入量：12-20g/天)至少4周。您可以从可商购的益生元产品或某些食物、例如朝鲜蓟、芦笋、香蕉、苦瓜、菊苣根、苦苣、洋姜、生菜、洋葱、桃、豌豆、石榴、根菜类蔬菜、西瓜、葱、全麦小麦、全麦黑麦和软颈大蒜(soft-necked garlic)中获取菊粉。消耗膳食纤维(推荐摄入量：17-30g/天)至少28天。膳食纤维的主要来源是全麦谷物、水果、蔬菜和豆类。消耗1:1比例的菊粉和低聚果糖混合物(推荐摄入量：6-16g/天)至少3周。消耗各种富含纤维的食物，以增加您的双歧杆菌水平。尝试消耗全麦早餐谷物(推荐摄入量：48g/天)至少3周。消耗低聚半乳糖(galacto-oligosaccharides,GOS)(推荐摄入量：8-15g/天)至少21-36天。您可以从可商购的益生元补充剂中、或通过消耗含GOS的食物、例如各种豆类和一些奶粉来获取GOS。消耗麦麸提取物(推荐摄入量：10g/天)至少3周。消耗阿拉伯糖基木聚糖低聚糖(arabinoxylan oligosaccharides,AXOS)(推荐摄入量：4.8g/天)至少3周。AXOS可以存在于许多含有全麦小麦的产品中。消耗低聚木糖(xylooligosaccharides,XOS)(推荐摄入量：1.2-2.8g/天)至少3周。您可以从可商购的益生元产品中获取XOS。消耗可以存在于龙舌兰中的益生元果聚糖(推荐摄入量：5g/天)至少3周。推荐的水果健康摄入量为每天2杯。尝试在您的饮食中包括苹果和奇异果！这些微生物参与代谢氨基酸、碳水化合物和脂质，并可以帮助改进您的肠道微菌群的代谢！”
表6:与代谢有关方面相关的微生物分类群
Figure BDA0002498836720000261
Figure BDA0002498836720000271
在用于个性化饮食推荐的第四模块的特定实施例中，其示出了根据人工甜味剂水平摄入量给予个体的忠告的实施例。
提供推荐可以包括提供人工甜味剂有关推荐(例如，通知、信息、如图4所示的特定实施例等)。在特定实施例中，提供人工甜味剂有关推荐可以包括提供包括任何合适语言的一个或多个口头和/或图形化通知：人工甜味剂资源管理器：介绍“人工甜味剂可能毕竟不那么甜(Artificial Sweeteners Explorer:Introduction:“Artificial sweeteners maynot be so sweet after all)。研究表明，尽管这些糖替代品削减了卡路里，但肠道微生物组和整体健康可能都需要付出代价。在本章节中，我们考虑您的、可能受到人工甜味剂阿斯巴甜、糖精和三氯蔗糖影响的细菌水平，并探索了可能维持(或恢复)您微生物平衡的方法。什么是人工甜味剂？诸如阿斯巴甜、糖精和三氯蔗糖的人工甜味剂，是提供了像糖一样的甜味、具有很少或没有卡路里的糖替代品。它们是最常用的食品添加剂之一，出现在各种食品和饮料的标签上，包括低卡路里碳酸饮料、运动饮料、酸奶、谷物和甜点，以及许多其他“饮食”、“无糖”和“无糖添加的”产品。它们还存在于您可能不会想到的日常用品中，例如牙膏、漱口水以及一些维生素和药物。如果您在尝试削减卡路里和糖，那么具有人工甜味剂的食品和饮料可能似乎是一个显而易见的选择。然而，研究表明这些糖替代品实际上可能实际上增加增重、以及2型糖尿病和其他代谢问题的可能性。科学家们认为，这背后的原因是复杂的，与身体和大脑-以及微生物组-如何响应这些甜味剂有关。您知道吗？人工甜味剂如此广泛地用在食品和饮料中，即使您从未有意地消耗“饮食”或“低卡路里”产品，您也可能正在摄取这些糖替代品。例如，在一项小型研究中，在不记得消耗了任何具有这些甜味剂的食物或饮料的女性的母乳中，发现了人工甜味剂。在另一项研究中，在报道的从未消耗过人工甜味剂的18个人中的8个人仍然在其尿液中具有可检测到的三氯蔗糖。对您的微生物组不太好？大多数人工甜味剂在不分解或不吸收的情况下穿过您的胃肠道-且相反与您的肠道微生物直接相遇。研究表明，这些甜味剂可能会改变您的肠道中细菌种群的平衡，对您的健康具有潜在影响。在一项人类研究中，长期使用人工甜味剂与更多的细菌群体相关，这些细菌来自于肠杆菌科(Enterobacteriaceae family)、δ变形菌纲(Deltaproteobacteriaclass)和放线菌门(Actinobacteria phylum)。人工甜味剂的使用还与增加的体重和血糖水平相关。然而，到目前为止，关于这些问题的大多数研究都是在实验室动物中进行的。在动物研究中，人工甜味剂似乎影响两大组肠道细菌-厚壁菌和拟杆菌-的平衡，这两种细菌与体重增加和减少有关联。初步研究表明，人工甜味剂可能以牺牲拟杆菌为代价促进厚壁菌的生长。倾向有利于厚壁菌的微生物组趋向与体重增加相关。基于上述的动物和人类研究，科学家认为人工甜味剂可以导致肠道微生物组的失衡(称为失调)。这种失调的影响仍在探索中。在小鼠和人类中的研究还表明，人工甜味剂可以以增加葡萄糖不耐症(高于正常血糖水平)的风险的方式改变微生物组。这种代谢病症可以是2型糖尿病的先兆，并且是心脏病的风险因素。人工甜味剂和您的微生物组：人工甜味剂的使用与多种细菌的较高水平相关。我们将您的样品中这些细菌的总丰度与报道的使用人工甜味剂的人中的丰度进行了比较。对您的结果感到惊讶吗？如果您的这些细菌水平高于您预期的水平，请记住，人工甜味剂存在于许多您可能不会想到的产品中，包括一些谷物和运动饮料。您可能在不知道的情况下定期消耗了这些甜味剂。下次您去杂货店时，可以考虑仔细查看食品和饮料上的标签，以查看这些甜味剂隐藏在何处。您可以采取措施以减少这些细菌的丰度。我们在下面的“采取措施”章节中提供了提示(tip)。更多关于这些甜味剂：三氯蔗糖(蔗糖素(Splenda))、糖精(低脂糖(Sweet'N Low))和阿斯巴甜(等同纽特健康糖(NutraSweet))是使用最广泛的人工甜味剂，调查表明，美国三分之一的成年人定期消耗具有这些糖替代品的食品和饮料。一些含有这些甜味剂的熟悉的产品包括健怡可乐(阿斯巴甜)、低卡山露汽水(糖精和阿斯巴甜)、纤维一原始麦麸谷物(Fiber One Original Bran Cereal)(三氯蔗糖)、佳得乐G2(三氯蔗糖)、优诺轻质酸奶(三氯蔗糖)以及许多佳洁士和高露洁牙膏(糖精)。采取措施：您的微生物组是动态的，并且可以对您进食和饮用的东西的变化作出快速地反应。如果您认为人工甜味剂可能会影响您的某些细菌的水平，那么您可以尝试在数周内从您的饮食中消除这些甜味剂。然后，您可以订购另一资源管理器样品(Explorer sample)，以查看您的水平是否已经变化。只要确保您仔细检查了所有食品和饮料标签-人工甜味剂可能隐藏在您意想不到的产品中，例如谷物、酸奶和运动饮料。我们还提供了一些方法来降低您的、可能已经由人工甜味剂增加的某些细菌的水平。这些推荐是基于您的样品中、与报道的使用人工甜味剂的人相比，增加的哪种类型的细菌。您无需采用所有这些步骤-只需选择对您和您的生活方式最有效的建议。您可以每次尝试这些措施中的一种，以查看哪个对您有效。为了降低您的肠杆菌水平，您可以：食用各种富含纤维的食物。纤维的良好来源包括豆类、糙米、坚果、蔬菜和全麦。您可以尝试进食全麦(whole-grain)早餐谷物至少3周(推荐的摄入量：每天13/4杯)。消耗更多的含有菊粉的食物。您可以从许多食物中得到菊粉(一种可溶性植物纤维)，包括朝鲜蓟(globe artichoke)、芦笋、香蕉、菊苣根、苦苣(endive)、洋姜(Jerusalem artichoke)、生菜、洋葱、桃、豌豆、石榴、根菜类蔬菜、西瓜、葱、全麦小麦、全麦黑麦和大蒜。您还可以从益生元产品、例如散剂(powder)和补充剂中获得菊粉(inulin)。消耗更多的具有可溶和不可溶的膳食纤维的食物。可溶性纤维的良好来源包括苹果、柑橘类水果、豆类、豌豆、胡萝卜、燕麦和大麦。不可溶性纤维的良好来源包括全麦面粉、坚果和诸如豆类、花椰菜和土豆的蔬菜。为了降低您的δ变形菌水平，您可以：避免消耗西方饮食，尤其是得到饱和脂肪的牛奶含量高的食物、例如黄油。
与一个或多个变体相关的实施例分类群(例如，其中一个或多个分类群的任何组合可以与一种或多种人工甜味剂有关病症和/或技术的变体相关、例如正相关、负相关、和/或以其他方式相关)可以包括肠杆菌(科)、δ变形菌(纲)和/或放线菌(门)。
本文中的任何合适推荐可以包括一种或多种疗法推荐(例如，益生菌组成、益生元组成、更改微生物组的疗法推荐、例如基于查询分子得分，等)。
在用于个性化饮食推荐的第四模块的特定实施例中，其示出了根据酒精水平摄入给予个体的忠告的实施例。
提供推荐可以包括提供酒精有关推荐(例如，酒精有关的和/或酒精代谢有关的数据、信息和/或推荐；如图5-8、图9A-9F和图10所示的特定实施例；等)。在特定实施例中，提供酒精有关推荐可以包括提供包括任何合适语言的一个或多个口头和/或图形化通知。与一种或多种酒精代谢和/或一种或多种变体相关的实施例分类群(例如，其中一个或多个分类群的任何组合可以与一种或多种人工甜味剂有关病症和/或技术的变体相关、例如正相关、负相关、和/或以其他方式相关)可以包括单形拟杆菌(种)、丝状霍尔德曼氏菌(种)、血红苏黎世杆菌(Turicibacter sanguinis)(种)、塔伊艾森伯格氏菌(种)、多枝梭菌(Erysipelatoclostridium ramosum)(种)、迪尔玛难养菌(Dielma fastidiosa)(种)、人罗斯拜瑞氏菌(种)、光冈氏链型杆菌(Catenibacterium mitsuokai)(种)、莫雷梭菌(Solobacterium moorei)(种)、链状埃格特氏菌(Eggerthia catenaformis)(种)、斯德科瑞肯阿洛巴氏菌(Allobaculum stercoricanis)(种)、乳杆菌(属)；
系统和/或平台的实施方式可以包括各种系统组件和各种平台过程的各组合和排列，包括任何变体(例如，实施方式、变体、实施例、特定实施例、附图等)，其中本文描述的方法和/或过程的实施方式的部分可以通过和/或使用本文描述的系统和/或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，串行地)、同时地(例如，并行地)或以任何其他合适顺序来执行。
本文描述的任何变体(例如，实施方式、变体、实施例、特定实施例、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/或以其他方式应用。
平台和/或系统的实施方式的部分可以至少部分地作为机器(machine)来体现和/或实施，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。指令可以由可与系统的实施方式集成的计算机可执行组件来实行。计算机可读介质可以存储在任何合适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、或任何合适的设备。计算机可执行组件可以是一般的或专用的处理器，但是任何合适的专用硬件或硬件/固件组合设备可以替代地或额外地实行指令。
如本领域技术人员将从先前的详细描述以及从附图和权利要求中认识到的，在不背离权利要求中限定的范围的情况下，可以对系统、平台和/或变体的实施方式进行修改和改变。本文描述的变体不意味着是限制性的。附图中包括的某些特征可能在尺寸上被放大了，且其他特征为了清楚起见可能被忽略，但不应是限制性的。附图不一定是按比例的。本文中的章节标题用于组织方便，且不意味着是限制性的。对任何变体的描述不必限于本说明书的任何章节。

Claims (22)

1.一种用于代谢有关预测的方法，所述方法包括：
生成酶数据集，其包括：
酶数据，其表示与微生物分类群集合相关的酶集合；和
化学反应数据，其与所述酶集合相关；
生成底物数据集，其包括与底物集合相关的底物结构特征，所述酶集合能够作用在所述底物集合上；
基于所述酶数据集和所述底物数据集，生成机器学习模型，用于预测与查询分子的代谢相关的酶特征；
基于从所述机器学习模型中预测的所述酶特征，确定与所述查询分子的所述代谢相关的微生物分类单元；和
基于所述微生物分类单元和用户的微生物组表征，确定所述用户的查询分子得分，其中所述查询分子得分与所述查询分子相关。
2.根据权利要求1所述的方法，其中，所述查询分子包括药物，且其中，所述查询分子得分包括药物得分，所述药物得分表示针对所述用户的所述药物的药物效力。
3.根据权利要求2所述的方法，其还包括：基于所述药物得分，向所述用户推广疗法，以用于微生物有关病症。
4.根据权利要求3所述的方法，其中，推广所述疗法包括向所述用户提供所述疗法的推荐。
5.根据权利要求1所述的方法，其中，所述底物结构特征包括与所述底物集合相关的3D结构特征、与所述底物集合相关的产物分子特征以及与所述底物集合相关的药物特征中的至少之一。
6.根据权利要求5所述的方法，其还包括：针对所述底物集合的各底物，从所述3D结构特征、所述产物分子特征和所述药物特征中识别有关的特征子集，其中，生成所述机器学习模型包括基于所述酶数据集和所述有关的特征子集生成所述机器学习模型，用于预测与所述查询分子的代谢相关的所述酶特征。
7.根据权利要求1所述的方法，其中，所述化学反应数据包括与所述酶集合相关的酶学委员会编号数据，且其中，所述酶特征包括所述查询分子的酶学委员会编号特征。
8.根据权利要求7所述的方法，其中，所述酶集合包括与所述酶学委员会编号数据不相关的酶第一子集、和与所述酶学委员会编号数据相关的酶第二子集，且其中，生成所述酶数据集包括基于所述酶学委员会编号数据注释所述酶第一子集。
9.根据权利要求7所述的方法，其中，所述酶学委员会编号特征包括所述查询分子的酶学委员会分类编号和酶学委员会子分类编号；其中，所述方法还包括，基于查询分子结构特征和所述底物结构特征之间的相似性，预测所述查询分子的酶学委员会子子分类编号和酶学委员会子子子分类编号；其中，确定所述微生物分类单元包括基于所述酶学委员会分类编号、所述酶学委员会子分类编号、所述酶学委员会子子分类编号和所述酶学委员会子子子分类编号，确定所述微生物分类单元。
10.根据权利要求1所述的方法，其中所述机器学习模型包括随机森林模型，用于预测与所述查询分子的代谢相关的所述酶特征。
11.根据权利要求1所述的方法，其中生成所述机器学习模型包括生成用于预测多个酶特征的所述机器学习模型，所述多个酶特征包括与所述查询分子的所述代谢相关的所述酶特征。
12.根据权利要求11所述的方法，其还包括基于从所述机器学习模型中预测的所述多个酶特征，确定多个微生物分类群，所述多个微生物分类群包括与所述查询分子的所述代谢相关的所述微生物分类单元。
13.根据权利要求1所述的方法，其中，所述查询分子包括维生素有关分子、人工甜味剂有关分子和酒精有关分子中的至少之一。
14.一种用于代谢有关预测的系统，所述系统包括：
数据收集模块，其用于收集：
蛋白质数据，其表示与微生物分类群集合相关的蛋白质集合；
化学反应数据，其与所述蛋白质集合相关；和
底物数据，其包括与底物集合相关的底物结构特征，所述底物集合与所述蛋白质集合相关；
代谢模块，其用于基于所述蛋白质数据、所述化学反应数据和所述底物数据，预测与查询分子的代谢相关的蛋白质特征；和
微生物模块，其用于基于从所述查询分子的所述代谢模块预测的所述蛋白质特征，确定与所述查询分子的所述代谢相关的微生物分类单元。
15.根据权利要求14所述的系统，其还包括药物得分模块，其用于基于微生物分类单元和所述用户的微生物组表征，预测药物得分，所述药物得分表示针对所述用户的所述查询分子的药物效力。
16.根据权利要求15所述的系统，其还包括微生物组表征模块，其用于基于所述用户的微生物组成多样性数据集和微生物功能多样性数据集，确定所述微生物组表征。
17.根据权利要求15所述的系统，其还包括疗法模块，其用于基于所述药物得分，确定所述用户的疗法。
18.根据权利要求17所述的系统，其还包括疗法提供模块，其用于向所述用户提供所述疗法。
19.根据权利要求14所述的系统，其还包括个性化饮食推荐模块，其用于基于所述用户的微生物组表征和与所述查询分子的所述代谢相关的所述微生物分类单元，确定所述用户的个性化饮食推荐；且其中，所述个性化饮食推荐包括维生素有关推荐、人工甜味剂有关推荐和酒精有关推荐中的至少之一。
20.根据权利要求19所述的系统，其中，所述个性化饮食推荐包括与所述微生物分类群集合相关的酒精有关推荐，所述微生物分类群集合包括以下中的至少之一：单形拟杆菌(种)；丝状霍尔德曼氏菌(种)；血红苏黎世杆菌(种)；塔伊艾森伯格氏菌(种)；多枝梭菌(种)；迪尔玛难养菌(种)；人罗斯拜瑞氏菌(种)；光冈氏链型杆菌(种)；莫雷梭菌(种)；链状埃格特氏菌(种)；斯德科瑞肯阿洛巴氏菌(种)；和乳杆菌(属)。
21.根据权利要求19所述的系统，其中，所述个性化饮食推荐包括与所述微生物分类群集合相关的所述人工甜味剂有关推荐，所述微生物分类群集合包括以下中的至少之一：肠杆菌(科)；δ变形菌(纲)；和放线菌(门)。
22.根据权利要求14所述的系统，其中，所述底物结构特征包括3D结构特征、产物分子特征、药物特征中的至少之一。
CN201980005826.8A 2018-03-16 2019-03-18 基于生物信息学方法表征代谢相关病症的包括诊断和疗法的方法和系统 Pending CN111373481A (zh)

Applications Claiming Priority (17)

Application Number Priority Date Filing Date Title
US201862644347P 2018-03-16 2018-03-16
US62/644,347 2018-03-16
US201862679785P 2018-06-02 2018-06-02
US201862679787P 2018-06-02 2018-06-02
US201862679783P 2018-06-02 2018-06-02
US62/679,787 2018-06-02
US62/679,783 2018-06-02
US62/679,785 2018-06-02
US201862724928P 2018-08-30 2018-08-30
US62/724,928 2018-08-30
US201862737108P 2018-09-27 2018-09-27
US62/737,108 2018-09-27
US201862759975P 2018-11-12 2018-11-12
US62/759,975 2018-11-12
US201862770919P 2018-11-23 2018-11-23
US62/770,919 2018-11-23
PCT/US2019/022807 WO2019178610A1 (en) 2018-03-16 2019-03-18 Method and system for characterization of metabolism-associated conditions, including diagnostics and therapies, based on bioinformatics approach

Publications (1)

Publication Number Publication Date
CN111373481A true CN111373481A (zh) 2020-07-03

Family

ID=67908554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980005826.8A Pending CN111373481A (zh) 2018-03-16 2019-03-18 基于生物信息学方法表征代谢相关病症的包括诊断和疗法的方法和系统

Country Status (8)

Country Link
US (1) US20210074384A1 (zh)
EP (1) EP3766073A4 (zh)
JP (1) JP2021516330A (zh)
KR (1) KR20200132954A (zh)
CN (1) CN111373481A (zh)
AU (1) AU2019233926A1 (zh)
SG (1) SG11202002522VA (zh)
WO (1) WO2019178610A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020107760A1 (zh) * 2018-11-30 2020-06-04 江苏大学 中度嗜盐菌及利用其发酵鱼肉酱的方法
US20200321113A1 (en) * 2019-04-04 2020-10-08 Kpn Innovations, Llc Systems and methods for generating alimentary instruction sets based on vibrant constitutional guidance
WO2023018692A1 (en) * 2021-08-09 2023-02-16 Ecm Diagnostics, Inc. Compositions and methods for treating infections involving biofilm
IT202200008705A1 (it) * 2022-04-29 2023-10-29 Wellmicro S R L Metodo per determinare una funzionalita’ metabolica di una popolazione batterica e apparato per eseguire detto metodo

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080177478A1 (en) * 2006-09-28 2008-07-24 Los Alamos National Security Method for predicting enzyme-catalyzed reactions
US20120290624A1 (en) * 2011-05-09 2012-11-15 The Regents Of The University Of California Defining and mining a joint pharmacophoric space through geometric features
US20140088883A1 (en) * 2007-12-03 2014-03-27 Charles C. Zhou Method and System for Knowledge Pattern Search and Analysis for Selecting Microorganisms Based on Desired Metabolic Property or Biological Behavior
CA2983016A1 (en) * 2015-04-23 2016-10-27 Kaleido Biosciences, Inc. Microbiome regulators and related uses thereof
WO2018013865A1 (en) * 2016-07-13 2018-01-18 uBiome, Inc. Method and system for microbial pharmacogenomics
CN107710205A (zh) * 2015-04-14 2018-02-16 优比欧迈公司 用于心血管疾病状况的微生物组来源的表征、诊断和治疗的方法及系统
US20180070827A1 (en) * 2014-10-21 2018-03-15 uBiome, Inc Method and system for microbiome-derived characterization, diagnostics and therapeutics for conditions associated with functional features

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008091225A1 (en) * 2007-01-22 2008-07-31 Agency For Science, Technology And Research Comparative detection of structure patterns in interaction sites of molecules
AU2016250159A1 (en) * 2015-04-14 2017-11-09 Psomagen, Inc. Method and system for microbiome-derived diagnostics and therapeutics for endocrine system conditions
EP3708675A1 (en) * 2016-02-14 2020-09-16 Yeda Research and Development Co. Ltd. Microbiome-based diagnosis, prediction and treatment of relapsing obesity

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080177478A1 (en) * 2006-09-28 2008-07-24 Los Alamos National Security Method for predicting enzyme-catalyzed reactions
US20140088883A1 (en) * 2007-12-03 2014-03-27 Charles C. Zhou Method and System for Knowledge Pattern Search and Analysis for Selecting Microorganisms Based on Desired Metabolic Property or Biological Behavior
US20120290624A1 (en) * 2011-05-09 2012-11-15 The Regents Of The University Of California Defining and mining a joint pharmacophoric space through geometric features
US20180070827A1 (en) * 2014-10-21 2018-03-15 uBiome, Inc Method and system for microbiome-derived characterization, diagnostics and therapeutics for conditions associated with functional features
CN107710205A (zh) * 2015-04-14 2018-02-16 优比欧迈公司 用于心血管疾病状况的微生物组来源的表征、诊断和治疗的方法及系统
CA2983016A1 (en) * 2015-04-23 2016-10-27 Kaleido Biosciences, Inc. Microbiome regulators and related uses thereof
WO2018013865A1 (en) * 2016-07-13 2018-01-18 uBiome, Inc. Method and system for microbial pharmacogenomics

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ASHOK K. SHARMA, SHUBHAM K. JAISWAL: "A novel approach for the prediction of species-specific biotransformation of xenobiotic/drug molecules by the human gut microbiota", SCIENTIFIC REPORTS, vol. 07, no. 01, pages 1 - 13 *

Also Published As

Publication number Publication date
AU2019233926A1 (en) 2020-06-18
US20210074384A1 (en) 2021-03-11
KR20200132954A (ko) 2020-11-25
WO2019178610A1 (en) 2019-09-19
EP3766073A1 (en) 2021-01-20
EP3766073A4 (en) 2021-12-15
SG11202002522VA (en) 2020-04-29
JP2021516330A (ja) 2021-07-01

Similar Documents

Publication Publication Date Title
Campaniello et al. How diet and physical activity modulate gut microbiota: evidence, and perspectives
CN111373481A (zh) 基于生物信息学方法表征代谢相关病症的包括诊断和疗法的方法和系统
Moschen et al. Dietary factors: major regulators of the gut's microbiota
Hess et al. Impact of Agaricus bisporus mushroom consumption on gut health markers in healthy adults
US20220130276A1 (en) Personalizing food recommendations to reduce glycemic response
Beaumont et al. Gut microbiota-derived metabolite signature in suckling and weaned piglets
Mezoff et al. The human milk oligosaccharide 2′-fucosyllactose augments the adaptive response to extensive intestinal
Curutchet et al. Consumer response to cake with apple pomace as a sustainable source of fibre
McClanahan et al. Pilot study of the effect of plant‐based enteral nutrition on the gut microbiota in chronically ill tube‐fed children
Önal et al. A review of the nutritional approach and the role of dietary components in children with autism spectrum disorders in light of the latest scientific research
Dimopoulou et al. Development of a Functional Acceptable Diabetic and Plant-Based Snack Bar Using Mushroom (Coprinus comatus) Powder
Schubertova et al. Exploitation of sea buckthorn fruit for novel fermented foods production: a review
Asuncion et al. The effects of fresh mango consumption on gut health and microbiome–Randomized controlled trial
Hijová Benefits of biotics for cardiovascular diseases
Calva-Cruz et al. Dietary Supplementation with Popped Amaranth Modulates the Gut Microbiota in Low Height-for-Age Children: A Nonrandomized Pilot Trial
Deas et al. Dietary therapies for adult and pediatric inflammatory bowel disease
D Hills Jr et al. Guide to popular diets, food choices, and their health outcome
Jaber et al. Mediterranean diet diminishes the effects of Crohn's disease and improves its parameters: A systematic review
Rucklidge et al. The better brain: How nutrition will help you overcome anxiety, depression, ADHD and stress
Mensah et al. The Microbiome, Metabolism, and Networks in Precision Nutrition
US20240282458A1 (en) Methods of determining and using a microbiome resilience index
US20230034247A1 (en) Method and composition for treating or decreasing gut microbiome dysbiosis induced by a prior antibiotic treatment
Zeppieri Dealing with an Autism Diagnosis
Ita Raffinose extract from navy beans decreases fermentation time and enhances overall quality of yogurt
Ikegwu et al. Food Security in Emerging Global Situations-Functional Foods and Food Biotechnology Approaches: A Review

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