미생물의 taxonomy profiling 을 기반하여 머신러닝 모델과 다수의 microbiome 데이터 세트를 활용한 host 나이 예측 방법 개발

제목	​미생물의 taxonomy profiling 을 기반하여 머신러닝 모델과 다수의 microbiome 데이터 세트를 활용한 host 나이 예측 방법 개발
추천 연구 논문	Human Gut Microbiome Aging Clock Based on Taxonomic Profiling and Deep Learning
선정 이유	인체 장내 미생물은 host의 상태에 영향을 주거나 받음. 인간의 노화와 장내 미생물의 관계를 밝히고자 하는 연구는 많았지만 미생물 군집의 복합성과 민감성 때문에 기존 인체 미생물과 노화 관련 연구들에서는 노년으로 갈수록 미생물의 다양성이 감소된다는 주장이나 노년이여도 건강하고 다양한 미생물 군집을 가질 수 있다 등으로 하나의 직접적인 방법은 제시되지 않았음. 미생물 군집을 해석할 수 있는 것이 유기체 노화 측면에서 통제력을 갖는 것이기 때문에 해당 논문을 통해 머신러닝을 활용한 연구에서 미생물 군집 해석 방법을 이해할 수 있었음.
주요 내용	​- 10개의 연구로부터 20세- 90세 사이의 1,165개 건강한 host의 WGS microbiome 샘플을 활용하여 Elastic Net (EN), Random Forest (RF), Gradient Boosting (XGB), and Deep Neural Network(DNN) 모델을 적용했다. - cross-validation과 independent verification 분석을 통해 나이라는 특정한 스케일때문에 MAE를 활용한 것을 확인할 수 있었다. MAE의 값이 낮을수록 좋기 때문에, 가장 높은 결과로 13.75세의 결과값을 갖는 EN와 달리 10.6세로 결과가 나오는 DNN 모델이 가장 좋은 성능임을 확인할 수 있었다. - 단일 미생물의 기여도를 관찰하고자 Accumulated local effect (ALE) 를 활용해서 Bacteroides, Eubacterium,Bifidobacterium이 연령 예측에 큰 영향을 주는 것을 확인했다.
시사점	영유아의 미생물 데이터가 아닌 성인의 미생물만을 사용하였기 때문에 나이에 대한 스펙트럼이 좁다고 할 수 있다. ALE는 모든 머신러닝 알고리즘에 적용할 수 있는 feature 중요도 분석 방법이지만, 데이터 세트 구조와 특정 모델에 대해서 의존성이 강하기 때문에 유의해야한다. 본 연구에서는 4개의 모델만을 사용하였지만, 머신러닝 모델에 대한 다양성을 증가하여 다른 모델에 대해서 적용 후 ALE 결과의 변화를 관찰할 필요가 있다.