学术研究报告：基于轻量级单视图对比学习超图神经网络的食品-微生物-疾病关联预测研究

第一作者及机构
本研究由Jianqiang Hu（江南大学食品科学与资源国家重点实验室）、Mingyi Hu（江南大学食品科学与技术学院）等共同完成，通讯作者为Jinlin Zhu（江南大学人工智能与计算机科学学院）。论文发表于2025年的*BMC Bioinformatics*期刊（DOI: 10.1186/s12859-025-06283-1）。

学术背景

科学领域
本研究属于生物信息学与计算生物学交叉领域，聚焦于肠道微生物组与人类健康的关联预测。

研究动机
肠道微生物组（gut microbiota）由约100万亿微生物组成，其稳态与宿主健康密切相关。饮食作为微生物组组成的主要决定因素，通过代谢产物影响疾病发生（如心血管疾病、神经退行性疾病）。然而，现有研究多局限于微生物-疾病的二元关联预测，而高阶的食品-微生物-疾病（Food-Microbe-Disease, FMD）三元交互机制尚未被系统探索。

研究目标
开发一种轻量级单视图对比学习超图神经网络（Lightweight Single-view Contrastive Learning Hypergraph Neural Network, LSCHNN），用于预测三元FMD关联，为精准营养（precision nutrition）和个性化饮食干预提供计算框架。

研究流程与方法

1. 数据收集与数据库构建

• 数据来源：从PubMed收录的文献中筛选584篇微生物-疾病关联研究和314篇微生物-食品关联研究，经严格质量控制后保留71篇食品-微生物关联和115篇微生物-疾病关联文献。
  
• 标准化处理：使用MeSH（Medical Subject Headings）术语和NCBI分类学数据库统一微生物与疾病命名（如Lactobacillus acidophilus标准化为TaxID:1579）。
  
• 数据集规模：最终构建包含190种食品、219种肠道微生物、163种疾病及17,065条FMD三元关联的数据库，数据稀疏度仅0.2516%。
  

2. 超图模型构建

• 超图结构：以食品、微生物、疾病为节点（vertices），已知FMD三元组为超边（hyperedges）。
  
• 节点特征：整合高斯交互谱核相似性（Gaussian Interaction Profile, GIP）和语义相似性（针对疾病），通过随机游走重启（Random Walk with Restart, RWR）算法降噪生成特征矩阵。
  

3. 单视图对比学习（Single-view Contrastive Learning）

• 创新点：区别于多视图对比学习，通过微生物级负采样（microbiota-level negative sampling）生成负样本，即断开微生物与食品-疾病对的连接并替换为其他微生物，构建“虚假”超边。
  
• 损失函数：结合对比学习损失（$L_c$）和监督预测损失（$L_p$），通过超参数α平衡两者。
  

4. 超图神经网络训练

• 模型架构：
  
  • 超图卷积层（HGCN）：通过3层卷积聚合超边信息，学习节点嵌入。
    
  • 解码器：多层感知机（Multilayer Perceptron, MLP）将食品、微生物、疾病的嵌入向量拼接后预测关联概率。
    
• 训练策略：采用5折交叉验证（5-fold CV），90%数据训练，10%独立测试，评估指标包括AUC、AUPR、F1-score等。
  

主要结果

1. 模型性能

• 预测精度：LSCHNN在5折交叉验证中平均AUC达0.9926，AUPR为0.9247，显著优于传统图神经网络（如GCNMDA的AUC 0.4619）及多视图对比学习方法MCHNN（AUPR提升8.91%）。
  
• 计算效率：单视图对比学习使训练时间降至6.0477秒/epoch，内存占用仅0.2820 GB，较MCHNN效率提升9.7倍。
  

2. 案例验证

• 大肠杆菌（Escherichia coli）：预测咖啡（Coffee）抑制其生长，与文献（PMID:37194345）一致；预测其与溶血性尿毒症综合征（Hemolytic–Uremic Syndrome）的关联被临床研究（PMID:37819955）证实。
  
• 双歧杆菌（Bifidobacterium）：发现西方饮食（Western Diet）降低其丰度，与糖尿病（Diabetes Mellitus）的负相关性获代谢研究支持（PMID:36794003）。
  

3. 新关联发现

• LSCHNN预测了131条大肠杆菌和202条双歧杆菌的新FMD关联，其中87%为独家预测，部分通过文献回溯验证。
  

结论与价值

科学意义
- 方法论创新：首次将超图神经网络与单视图对比学习结合，解决了三元关联预测中数据稀疏和高阶交互建模的难题。
- 数据库贡献：构建了迄今规模最大的FMD数据库，为后续研究提供资源。

应用价值
- 精准营养：通过预测食品-微生物-疾病的协同作用，为个性化饮食干预（如糖尿病、炎症性肠病）提供靶点。
- 技术扩展性：框架可迁移至药物-微生物-疾病（Drug-Microbe-Disease, DMD）等三元关联预测任务。

研究亮点

1. 高阶交互建模：超图结构突破传统图神经网络的二元限制，直接捕获三元关联。
   
2. 轻量级对比学习：微生物级负采样减少噪声干扰，提升稀疏数据下的泛化能力。
   
3. 跨学科整合：融合生物信息学、机器学习与营养学，推动计算生物学在健康领域的应用。
   

补充价值
- 开源代码（GitHub: hujianqiang-scientificedition/LSCHNN）及标准化数据库促进领域内协作。
- 参数分析（如HGCN层数、学习率）为类似研究提供优化参考。

（全文约2200字）