Microbial communities are thought to contain keystone species, which can disproportionately affect the stability of the communities, even if only present in low abundances. Identifying these keystone species can be challenging, especially in the human gut
微生物群落被认为包含关键的物种，这些物种会按比例影响群落的能力，即使只有少量存在识别这些关键物种很有挑战性，尤其是在人类肠道中，因为通过系统消除它们很难分离出来
由BrighamandWomen’s Hospital领导的研究人员，作为Brighamhealthcare系统的成员，设计了一个新的数据驱动的个体识别（DKI）框架，利用中国的知识来解决这一困难
通过使用深度学习模型和来自精确的年龄数据库的真实人类微观生物数据，研究人员能够模拟任何特定微生物样本的移动这种“思想实验”使他们能够计算出每个物种在每个社区中的“关键性”或相对重要性
科学家们发现，预测的密钥会在不同的社区中发生变化一些得分较低的中位基因是所有样本中的一种，不太可能是任何社区的重要基因相比之下，那些中等风险的人可能会在一些社区中发挥关键作用，但不是其他人从人类、动物生物和环境微生物组中也观察到了类似的结果结果很简单，没有一种Keystone微生物物种是特定的或依赖于环境的
众所周知，许多人类微生物物种都具有重要的功能，如降低复杂性或维持高卫生的肠道环境作者能够利用他们的DKI框架来确定与这些功能有关的潜在的特定物种，包括对婴儿和成人的早期消化信息
“我们的DKI框架证明了机器学习在解决单位生态学基础问题方面的力量，”BrighamandWomen’s Hospital网络医学部的杨玉柳博士说“我们的DKI框架可以适应复杂微生物群落的未来数据驱动工作。”