Deep learning reveals functional archetypes in the adult human gut microbiome that underlie interindividual variability and confound disease signals
Notice bibliographique
Résumé
Summary Understanding the functional diversity of the gut microbiome is essential for decoding its roles in health and disease. Using a deep-learning framework, we identified three functional archetypes defining healthy adult gut microbiomes, each characterized by specific metabolic potentials: sugar metabolism with branched-chain amino acid and cell wall synthesis (Archetype 1), fatty acid and TCA cycle metabolism (Archetype 2), and amino acid and nitrogen metabolism (Archetype 3). Archetype proximity is linked to stability, with Archetype 2 representing the most resilient state, likely due to its metabolic flexibility. Functional diversity emerged as a confounder in disease-associated microbial signatures. In inflammatory bowel disease, we observed archetype-specific shifts, including increased carbohydrate metabolism in Archetype 1-dominant samples and inflammatory pathways in Archetype 3-dominant samples, suggesting distinct opportunities for microbiome-targeted interventions. This framework addresses key challenges in microbiome research, including inter-individual variability and confounding, while providing robust insights into disease-associated functional shifts and microbial ecosystem dynamics. Highlights Adult gut microbiomes are defined by three functional archetypes Archetypes reveal distinct metabolic potentials and inform on microbiome stability Archetype-specific functional profiles confound disease associations and reveal therapeutic targets A deep-learning framework enables robust characterization of microbial functional ecosystems
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».