菌群诊断阿尔茨海默病：换个队列就失灵，批次差异压过病本身

研究基本信息

• 期刊：Frontiers in Aging Neuroscience（2026）
• 在线发表：2026-10-22
• 第一作者：Arhan Chakravarthy
• DOI：10.3389/fnagi.2026.1918251
• 研究类型：对已公开人体粪便 16S 数据的二次分析，不是新招募队列，也无任何干预

做了什么

研究把五个公开的 16S rRNA 队列共 509 份粪便样本（来自中国、哈萨克斯坦、韩国）用同一套 DADA2 流程重新处理到属水平，再比较两种分类器（逻辑回归与 LightGBM）在队列内部与队列之间的表现。评价手段包括队列内嵌套交叉验证、留一队列交叉验证（LOCO）、两两队列迁移、PERMANOVA、批次校正与 SHAP 归因。

结果：队列内漂亮，换个队列就掉下来

• 队列内 AUC-ROC 从 0.611 到 0.996，最好的一条几乎完美，且经 50 次重复分层与 1000 次标签置换检验仍然稳定（p=0.000999）。
• 留一队列交叉验证时 AUC 掉到 0.506 至 0.812，平均下降 0.170（逻辑回归）与 0.133（LightGBM）。0.5 等同于抛硬币。
• PERMANOVA 显示：队列来源带来的菌群构成差异（R²=0.172）大于诊断带来的差异（R²=0.014）；只保留三个技术上更可比的中国双端 MiSeq 队列后仍是 0.059 对 0.023。
• 两种标签盲的批次校正方法（ComBat-seq 与 MMUPHin）对平均 LOCO AUC 的改变最多 0.007，没有恢复可迁移性。
• 跨队列最重要的预测菌属重叠很低；另有八个逻辑回归属在不同队列里拟合系数方向完全相反。

怎么读这个结果

这是一条有价值的阴性结果：在现有公开数据上，菌群分类器分得开的主要是「这批样本来自哪个实验室」，而不是「这个人有没有阿尔茨海默病」，技术批次效应压过了疾病信号。这不等于菌群与阿尔茨海默病无关，只说明用 16S 属水平数据训练的跨队列诊断模型，目前还拿不出可用的泛化能力。

边界

• 全部是已发表数据的再分析，没有新采集样本、没有随访、没有干预，横断面设计只能给相关性，不能推因果。
• 16S 只到属水平，物种与功能层面的信息缺失；作者也承认无法排除技术元数据混杂，其中一条近乎完美的结果仍可能受此影响。
• 样本以东亚与中亚人群为主，不能外推到其他地区与饮食结构。
• 结论只针对被检验的这批数据集与这两种批次校正方法，不能断言所有菌群模型都不可迁移。