论文部分内容阅读
目的:本研究利用高通量16s rDNA测序技术、生物信息学及新型机器学习算法,分析失眠障碍和正常对照人群肠道菌群的差异,并建立失眠障碍及其相关数据的预测模型材料与方法:经过暨南大学附属第一医院伦理委员会批准,严格按照ICSD-3的失眠障碍诊断标准,在暨南大学附属第第一园睡眠医学科门诊病房及暨南大学社区招募受试者,并进行多导睡眠监测和粪便样本采集。粪便样本采用Mobio PowerSoil?DNA Extraction试剂盒提取,选用338F-806R通用引物,在Illumina HiSeq 2500测序平台进行二代测序。下游分析采用R(3.5.1 version),Ubuntu 16.04.4 LTS,Python 2.7.14,Python 3.6.1平台进行。结果:1.测序深度检验、抽样充分性检验和样本同质性检验,三者可以联合证明实验数据可以满足实验设计和下游分析的需要。2.基于多样性分析、差异检验和LEfSe分析,可以证明失眠障碍组和正常对照组的肠道菌群结构出现了显著的差异。3.基于BugBase和PICRUSt分析可以证明,失眠障碍组和正常对照组肠道菌群功能上出现了明显的差异,这提示两组肠道内的代谢生态出现了巨大的变化。4.失眠障碍组和正常对照组的共发生网络内部结构具有明显的差异,其中失眠障碍组的网络结构含有4个主要社区而正常对照组则出现了5个社区。5.基于RDA和ANOSIM分析,可以证明失眠障碍组和正常对照组肠道菌群的确实是由失眠因素引起的。6.经过有监督机器学习随机森林的模型训练之后,本研究利用交叉验证的方法,成功找到两个能有效区分失眠障碍组和正常对照组的菌种(g__Bacteroides,o__Clostridiales)。基于相关性分析和共发生网络分析可以发现关键菌种与睡眠相关的表型数据高度相关,并且在两组共发生网络中起主导作用。7.基于神经网络模型,可以根据肠道菌群的数据,对失眠障碍和正常对照人群的睡眠相关数据进行很好的预测。结论:1.失眠障碍与正常对照人群的肠道菌群的结构、功能和共发生网络均存在显著差异2.基于随机森林算法可以找出2个有效区分的失眠障碍和正常对照人群的关键菌种3.基于神经网络模型,利用肠道菌群数据可以很好的预测出失眠障碍患者的睡眠相关数据