在零食界，總會有些心照不宣的默契：比如說掉在地上三秒內撿起來就沒事的三秒定律，或者說不干不凈吃了沒病的俗語。雖然話這么說，但是隨著這些食物而進入身體的細菌，真的有在潛移默化地改變我們體內的微生物生態(tài)，影響身體健康。

這個被稱為「食物–微生物–疾病」（Food–Microbe–Disease, FMD）網絡的世界，復雜得遠超想象，并且現(xiàn)有的對此預測方法仍然有限?？紤]到這些，江南大學的一支團隊提出了一種輕量級、單視角、基于對比學習的超圖神經網絡，來補全相關領域的缺漏。

該研究以「A lightweight single-view contrastive learning hypergraph neural network for food–microbe–disease association prediction」為題，于 2025 年 11 月 4 日刊登于《BMC Bioinformatics》。

論文鏈接：https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-025-06283-1

關系鏈上的觀察者

在人體腸道內，寄居著一個包含了大約 100 萬億個微生物生態(tài)系統(tǒng)，統(tǒng)稱為腸道微生物群。這些微生物對于維持腸道穩(wěn)態(tài)和通過產生各種代謝物促進宿主健康至關重要。

關于腸道微生物與疾病實體之間的關聯(lián)，現(xiàn)有的研究主要使用傳統(tǒng)的圖神經網絡（GNNs）。這些圖神經網絡受限于它們的成對關系，妨礙了它們在捕捉微生物系統(tǒng)（如食物-微生物-疾病關聯(lián)）的高階復雜性的表現(xiàn)。

該團隊著眼于理解食物-微生物-疾病相互作用，利用超圖所帶來的強大框架，引入輕量化超圖神經網絡架構，并結合對比學習（contrastive learning）思路，讓模型能在有限數(shù)據中自動捕捉穩(wěn)定模式。

圖 1：LSCHNN 的工作流程。

研究團隊首先構建了一個規(guī)模龐大的 FMD 數(shù)據集：

• 190 種食物
• 219 種腸道微生物
• 163 種疾病

共收集并整合17,065 條已知關聯(lián)。

接著，實驗團隊在 FMD 超圖上實現(xiàn)單視圖對比學習方法，以增強學習表示的區(qū)分能力。這種方式同樣能免除模型受多視圖對比學習中可能出現(xiàn)的噪聲和過擬合問題的干擾。

最后，涉及超圖卷積層的編碼與使用多層感知機（MLP）構建的解碼將會將交互特征映射為得分，憑此調整網絡參數(shù)。

驗證與結果

在交叉驗證中，LSCHNN 在主要評價指標AUPR（精確率–召回率曲線下面積）上提升了8.91%，優(yōu)于包括 GraphSAGE、HGCN、FMD-GCN 等多種對照模型。

更值得一提的是，它能在稀疏數(shù)據與未見組合下保持穩(wěn)健預測。單視圖對比學習在增強 LSCHNN 處理稀疏數(shù)據方面有著重要作用，并且，它還可以顯著提高其學習能力。超圖卷積在模型的預測性能中同樣也起著關鍵作用。

圖 2：在五個不同模型上進行的消融實驗結果。

案例研究中，團隊以大腸桿菌與雙歧桿菌為例，與五個基線模型進行了對比分析。結果顯示，LSCHNN 在大腸桿菌中發(fā)現(xiàn)了 131 個新的 FMD 三元關聯(lián)，其中 114個（87.02%）僅有它發(fā)現(xiàn)。在雙歧桿菌的測試中則是完成了 202 個新關聯(lián)（含 182 獨家發(fā)現(xiàn)）。

個性化飲食干預

近年來，腸道微生物在人類健康中的關鍵作用已被研究證實，而 LSCHNN 的框架讓研究者能從三方關系中找到因果線索：哪些食物通過改變哪些菌群，影響哪些疾病。

LSCHNN 不僅限于 FMD 預測，還擴展到藥物-微生物-疾病網絡，展示了良好的泛化性能。在未來的工作中，團隊表示，他們將會引入更多維度的實體特征，整合更全面、更廣泛的生物相互作用網絡，并完善圖注意力機制。