TaxoMFM: A Taxonomy-Aware Foundation Model for the Human Gut Microbiome

📄 arXiv: 2610.39316v1 📥 PDF

作者: Haochen Xue, Anastasia Godneva, Yulong Li, Qi Cao, Zhaodong Wu, Kaiyu Liang, Jionglong Su, Eran Segal, Imran Razzak

分类: cs.LG

发布日期: 2026-10-29

备注: 19 pages, 4 figures

💡 一句话要点

提出TaxoMFM以解决肠道微生物组模型的层次结构利用问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 肠道微生物组 自监督学习 分类层次结构 模型迁移 医学诊断

📋 核心要点

  1. 现有的肠道微生物组模型未能有效利用分类层次结构，导致信息损失和性能限制。
  2. TaxoMFM通过整合分类结构和自监督学习，联合学习丰度模式和相对比例，提升模型表现。
  3. 在跨队列零样本迁移中，TaxoMFM在结直肠癌、2型糖尿病和炎症性肠病的AUROC分别达到0.838、0.736和0.722。

📝 摘要（中文）

现有的肠道微生物组基础模型通常采用平面分类表示，限制了其利用已知分类层次结构的能力。我们提出了TaxoMFM，这是一种将分类结构整合到自监督学习中的微生物组基础模型。TaxoMFM通过分类感知编码和层次组合重建，联合学习不同分类等级的丰度模式及组内相对比例。我们进一步构建了TaxoGut-HPP，包含来自231个来源队列的100,806个肠道微生物组样本，涵盖40个分类和8个回归任务。TaxoMFM在疾病、肠道健康、宿主特征和肝脏超声表型预测中表现出竞争力。

🔬 方法详解

问题定义：论文旨在解决现有肠道微生物组模型在利用分类层次结构方面的不足，现有方法通常采用平面表示，无法充分挖掘分类信息。

核心思路：TaxoMFM的核心思想是将分类结构融入自监督学习中，通过分类感知编码和层次组合重建，联合学习不同层级的丰度模式和组内比例，从而提升模型的表现。

技术框架：TaxoMFM的整体架构包括数据预处理、分类感知编码、层次组合重建和模型训练四个主要模块。数据预处理阶段负责整理和标准化微生物组数据，分类感知编码模块则将分类信息嵌入到模型中，层次组合重建模块用于重建微生物组的层次结构，最后通过训练优化模型参数。

关键创新：TaxoMFM的主要创新在于其分类感知编码和层次组合重建方法，这使得模型能够在不同分类层级上有效学习和利用信息，与现有模型的平面表示形成鲜明对比。

关键设计：在模型设计中，采用了特定的损失函数来优化分类感知编码的效果，并使用了多层神经网络结构以增强模型的表达能力，同时确保在数据库更新和物种词汇变化下，模型仍能保持一致的表示。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

TaxoMFM在跨队列零样本迁移任务中表现优异，结直肠癌、2型糖尿病和炎症性肠病的AUROC分别达到0.838、0.736和0.722，显示出其在不同任务中的强大适应性和准确性，显著优于传统模型。

🎯 应用场景

该研究的潜在应用领域包括医学诊断、个性化医疗和公共卫生监测。通过更准确地预测肠道微生物组与疾病之间的关系，TaxoMFM可以为临床决策提供支持，帮助医生制定更有效的治疗方案，并推动微生物组研究的深入发展。

📄 摘要（原文）

Existing gut microbiome foundation models typically use flat taxon representations, limiting their ability to exploit known taxonomic hierarchies. We introduce TaxoMFM, a microbiome foundation model that integrates taxonomic structure into self-supervised learning. TaxoMFM jointly learns abundance patterns across taxonomic ranks and relative proportions within groups through taxonomy-aware encoding and hierarchical compositional reconstruction. We further construct TaxoGut-HPP, comprising 100,806 gut microbiome profiles from 231 source cohorts and covering 40 classification and 8 regression tasks. TaxoMFM achieves competitive performance across disease, gut health, host trait, and liver ultrasound phenotype prediction. In cross-cohort zero-shot transfer, where target cohorts are excluded from both pretraining and downstream adaptation, TaxoMFM achieves AUROCs of 0.838, 0.736, and 0.722 for colorectal cancer, type 2 diabetes, and inflammatory bowel disease, respectively. Further analyses show that TaxoMFM recovers community changes across taxonomic scales, while preserving community information and producing consistent representations under database updates and species-vocabulary shifts. Our code is available at https://anonymous.4open.science/r/TaxoMFM-F16D/.