ABSTRACT Human lifestyle and physiological variables on human disease risk have been revealed to be mediated by gut microbiota. Low concordance between many case-control studies for detecting disease-associated microbe existed and it is likely due to the limited sample size and the population-wide bias in human lifestyle and physiological variables. To infer association between whole gut microbiota and diseases accurately, we propose to build machine learning models by including both human variables and gut microbiota based on the American Gut Project data, the largest known publicly available human gut bacterial microbiota dataset. When the model's performance with both gut microbiota and human variables is better than the model with just human variables, the independent association of gut microbiota with the disease will be confirmed. We found that gut microbes showed different association strengths with different diseases. Adding gut microbiota into human variables enhanced the association strengths with inflammatory bowel disease (IBD) and unhealthy status; showed no effect on association strengths with Diabetes and IBS; reduced the association strengths with small intestinal bacterial overgrowth, C. difficile infection, lactose intolerance, cardiovascular disease and mental disorders. Our results suggested that although gut microbiota was reported to be associated with many diseases, a considerable proportion of these associations may be spurious. We also proposed a list of microbes as biomarkers to classify IBD and unhealthy status, and validated them by reference to previously published research. IMPORTANCE we reexamined the association between gut microbiota and multiple diseases via machine learning models on a large-scale dataset, and by considering the effect of human variables ignored by previous studies, truly independent microbiota-disease associations were estimated. We found gut microbiota is associated independently with IBD and overall health of human, but more evidence is needed to judge associations between microbiota and other diseases. Further functional investigations of our reported disease-related microbes will improve understanding of the molecular mechanism of human diseases.

Identifying significant biological relationships or patterns is central to many metagenomic studies. Methods that estimate association networks have been proposed for this purpose, but they assume that associations are static, neglecting the fact that relationships in a microbial ecosystem may vary with changes in environmental factors, which can result in inaccurate estimations. We propose a computational model, k-Lognormal-Dirichlet-Multinomial model (kLDM), which estimates multiple association networks that correspond to specific environmental conditions according to values of environmental factors (EFs), and simultaneously infers microbe-microbe and environmental factor-microbe associations for each network. We showed the effectiveness of kLDM on synthetic data, a colorectal cancer dataset, as well as the TARA Oceans and American Gut project datasets. The results showed that the widely used Spearman's rank correlation coefficient (SCC) performed much worse than other methods, indicating the importance of separating samples by environmental conditions. We compared cancer fecal samples with cancer-free samples, and our estimation showed fewer associations among microbes but stronger associations between specific bacteria such as five colorectal cancer (CRC)-associated OTUs, indicating gut microbe translocation in cancer patients. Some environmental-factor-dependent associations were found within marine eukaryotic community, and gut microbial heterogeneity of irritable bowel disease (IBD) patients was detected. Results demonstrated that kLDM could successfully unravel the underlying biological associations. In summary, our study presents a computational framework that can elucidate the complex associations within microbial ecosystems. The kLDM program, R, and python scripts, together with all experimental datasets are all accessible at Github (https://github.com/tinglab/kLDM.git).