江大團隊融合對比學習與超圖建模，預測1.7萬條食物到疾病關聯

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，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，并且現有的對此預測方法仍然有限。考慮到這些，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 萬億個微生物生態系統，統稱為腸道微生物群。這些微生物對于維持腸道穩態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，現有的研究主要使用傳統的圖神經網絡（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（如食物-微生物-疾病關聯）的高階復雜性的表現。

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，讓模型能在有限數據中自動捕捉穩定模式。

圖 1：LSCHNN 的工作流程。

研究團隊首先構建了一個規模龐大的 FMD 數據集：

• 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。

接著，實驗團隊在 FMD 超圖上實現單視圖對比學習方法，以增強學習表示的區分能力。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。

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，它能在稀疏數據與未見組合下保持穩健預測。單視圖對比學習在增強 LSCHNN 處理稀疏數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 在大腸桿菌中發現了 131 個新的 FMD 三元關聯，其中 114個（87.02%）僅有它發現。在雙歧桿菌的測試中則是完成了 202 個新關聯（含 182 獨家發現）。

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。