노화 과정의 바이오 마커 규명하기 위한 인간 장내 미생물 multi-view learning 방법

제목	노화 과정의 바이오 마커 규명하기 위한 인간 장내 미생물 multi-view learning 방법
추천 연구 논문	Human gut microbiome aging clocks based on taxonomic and functional signatures through multi-view learning
선정 이유	장내미생물은 인간의 장 건강에 영향을 끼치며 공생하고 있음. 장내 미생물과 노화의 연관성에 대한 기존 선행 연구들은 단일 코호트에 초점이 맞춰져있음. 그러나 본 연구는 대규모 데이터 세트를 기반으로 여러 코호트 데이터에 메타 분석을 수행해서 데이터 이질성 문제를 방지함. 또한, 장내 미생물과 노화 사이의 해석을 위해 Multi-view learning 방법을 통해 접근. 미생물과 노화 사이의 해석방법을 제시하고 장내 미생물이 나이 예측에 어떻게 영향을 끼치는지와 장 노화에 대한 잠재적인 바이오마커를 식별 방법을 제공함으로 본 연구를 선택함.
주요 내용	31개의 Study에서 4,478의 장내미생물 자료를 이용하여 Species 수준에서 나이 예측을 달성할 수 있는지 결정하는 것을 목표로 모델에 적용함. 11개의 회귀모델을 사용하였으며 그 중 트리 기반 알고리즘은 다른 모델보다 더 나은 예측 성능을 가지고 그 중에 LGB 모델이 가장 높은 성능을 드러냄. 그 후 여러 모델의 융합하기 위해 앙상블 알고리즘을 적용. 앙상블 알고리즘 적용 후 예측 정확도를 개선. 두 데이터 셋을 모델링한 결과로 가중치를 부여. 각 미생물과 노화의 관계를 파악하기 위해 PFI(Permination Feature Importance) 방법을 적용. 장내미생물 102종은 노화에 유믜미한 영향을 미치는 것을 파악. F. magna, B. dentium, Clostridium clostridioforme는 노년층에서 많이 발견 되는 반면 P. copri와 Burkholderialse은 나이가 들수록 적게 발견.
시사점	​처음에 앙상블 알고리즘을 대입하기 전 LGB 회귀모델을 사용하여 결정 계수의 결과 값이 0.5, 0.42인 결과가 과연 높은 결과인지 의문. 지리적 요인의 영향을 피하기 위해서 먼저 지역과 연령 분포를 비교하는 방법 등은 현재의 다른 데이터에서도 활용가능해 보임. 앙상블 알고리즘을 데이터 구조의 제약으로 인해 이전 높은 결과가 나온 LGB 모델과 비교 불가하다는 부분이 아쉽지만 결국에는 모든 feature을 사용하여 비교하는 것을 보며 다음 데이터에서도 같이 적용할 수 있는 점과 보완할 점이 보임. 현재 장내 미생물과 더불어 대사 경로도 고려해야 할 사항인 것을 이해함.