重症肌無力(Myasthenia gravis, MG)是一種影響神經肌肉接合處的疾病，其病理機制複雜，臨床表現多樣，目前仍缺乏明確的生物標誌。研究假設由於自身免疫疾病常伴隨腸道微生物組成改變，導致MG患者的腸道微生物與非MG族群有所不同，遂以監督式機器學習(supervised ML)建構診斷模型，用於MG的診斷篩檢。收集MG患者與非MG受試者的糞便樣本，萃取基因體DNA，透過擴增子序列變異(amplicon sequence variants, ASVs)建立定序庫並完成每條代表性 DNA 序列的分類註釋。以四種ML方法配合巢式逐一排除交叉驗證分析訓練模型，以辨識各資料集中關鍵ASV。結果顯示，XGBoost具有最佳預測效能。我們進一步比較以完整ASV與物種資料訓練的XGBoost所萃取的重疊關鍵特徵，獲得31個高重要性ASV (high-importance ASVs, HIASVs)，並依重要性分數進行排序。其中差異最顯著者為Lachnospiraceae與 Ruminococcaceae 兩個菌科的豐度變化。以這31個HIASVs再次訓練XGBoost，可有效區分MG 與非MG個體，展現高診斷分類能力；此外，Lachnospiraceae的豐度與四肢無力嚴重度相關。本研究證實MG與非MG之腸道微生物組組成存在差異；以31個HIASVs建立的XGBoost模型在腸道微生物組分析中表現最佳。這些由ML模型篩選出的HIASVs未來可作為臨床應用或機轉研究的生物標誌；此ML策略能辨識多項分類標記，並以高準確度區分MG患者與非MG個體，可望成為無侵入性MG篩檢的基準方法。此成果發表於Frontiers in Microbiology期刊(2023)。

Keywords：重症肌無力(myasthenia gravis)、腸道菌相(gut microbiota)、 機器學習(machine learning)