[바이오] 캐글 바이오 미생물 관련 데이터셋

마이크로바이옴:

- 미생물(Microbe)와 생태계(Biome)의 합성어

- 몸 속 미생물과 그들의 유전체 전체

- 면역, 대사, 뇌 기능에 깊이 관여하여 제 2의 장기라고 불림

 

마이크로바이옴 데이터: 인체에 존재하는 미생물의 구성과 기능을 수치화한 데이터

 

DNA를 추출해 미생물 종류와 풍부도를 분석하고, 이를 질병 상태·건강검진·생활습관 정보와 연결한다.

 

---

1. CRC Gut Microbiome ML Data

이 데이터셋은 장내 미생물 정보로 대장암(Colorectal Cancer, CRC) 여부를 분류하는 머신러닝 분석용 데이터다. 16S rRNA 시퀀싱 결과를 DADA2로 전처리한 뒤, 미생물 조성표와 환자 메타데이터를 제공한다.

구분내용

분석 대상	대장암, 건강인, 선종
분석 기술	16S rRNA 시퀀싱
표본 수	60개 검체
주요 파일	ASV abundance 표, taxonomy 표, metadata
활용 목적	질병군 분류, 미생물 다양성 비교, CRC 관련 균 탐색

변수 구성

구분변수

독립변수	ASV별 read count, 세균 분류 정보, 나이, 성별
종속변수	질병 상태: CRC, Healthy, Adenomatous Polyps
파생 종속변수 예시	CRC 여부(CRC vs 비CRC), 미생물 다양성 지수

ASV abundance 표는 각 검체에 어떤 미생물 염기서열이 얼마나 관찰됐는지를 나타낸다. taxonomy 표는 ASV를 세균의 문·강·목·과·속·종으로 연결한다.

이 데이터는 질병 예측 실습에 적합하지만, 표본 수가 60개로 작다. 따라서 높은 정확도가 나왔더라도 실제 임상 진단 성능으로 해석해서는 안 되며, 외부 데이터셋 검증이 필요하다.

https://www.kaggle.com/datasets/aramelheni/crc-gut-microbiome-ml-data/data

CRC Gut Microbiome ML Data

 

---

2. The Human Microbiome Project

Human Microbiome Project(HMP)는 건강한 사람의 신체 부위별 미생물 구성을 조사한 대표적인 마이크로바이옴 연구 프로젝트다. 장뿐 아니라 구강, 피부, 비강, 비뇨생식기 등 여러 신체 부위의 미생물 생태계를 다룬다.

구분내용

분석 대상	주로 건강한 성인
분석 기술	16S rRNA 시퀀싱, WGS 메타게놈
연구 범위	약 300명, 18개 신체 부위
활용 목적	건강한 사람의 미생물 기준군 구축, 신체 부위별 차이 분석

변수 구성

HMP는 특정 질병을 예측하기 위한 데이터라기보다, 정상 마이크로바이옴의 기준을 이해하는 탐색형 데이터다. 따라서 종속변수는 분석 질문에 따라 정해진다.

분석 질문독립변수종속변수

신체 부위 구분	미생물 abundance	신체 부위(body site)
부위별 다양성 비교	신체 부위, 성별 등	다양성 지수
특정 균 분포 비교	신체 부위	특정 균의 abundance
정상 기준 구축	건강인 미생물 조성	정상 reference range

이 데이터의 핵심은 “정상 장내 미생물은 하나의 정답이 아니다”라는 점이다. 사람의 미생물 구성은 신체 부위, 나이, 성별, 지역, 식습관에 따라 달라진다.

https://www.kaggle.com/datasets/bbhatt001/human-microbiome-project

The Human Microbiome Project

 

---

3. Human Gut Microbiome Atlas (HMP2)

Human Gut Microbiome Atlas는 염증성 장질환 환자와 건강인을 장기간 추적한 데이터다. 단일 시점의 검사 결과가 아니라, 같은 사람의 미생물과 염증 상태가 시간에 따라 어떻게 변화하는지를 볼 수 있다는 점이 특징이다.

구분내용

분석 대상	크론병, 궤양성 대장염, 건강인
분석 기술	WGS 메타게놈
표본 구조	132명, 1,638개 검체, 약 1년 추적
주요 변수	세균 종 abundance, 진단명, 검사 주차, 항생제 복용, 염증 지표
활용 목적	질환 분류, 장 염증 예측, 재발 예측, 미생물 변화 추적

변수 구성

분석 질문독립변수종속변수

질환 분류	세균 종 abundance, 항생제 여부, 임상 정보	크론병/궤양성 대장염/건강인
염증 예측	미생물 조성, 시간, 항생제 복용	분변 칼프로텍틴 수치
재발 예측	이전 시점의 미생물 변화와 임상 정보	향후 염증 악화 여부
미생물 변화 분석	시간, 진단군, 치료·약물 정보	특정 균 abundance 또는 다양성

분변 칼프로텍틴은 장 염증 정도를 반영하는 대표적인 바이오마커다. 이 데이터는 미생물 정보를 건강검진·임상 수치와 연결하는 분석 구조를 배우기에 적합하다. 

https://www.kaggle.com/datasets/qasimhu/human-gut-microbiome-atlas-hmp2/data

Human Gut Microbiome Atlas (HMP2)

 

---

4. 16S rRNA Microbiome Sequencing Analysis Dataset

이 데이터셋은 질병 예측보다는 16S rRNA 시퀀싱 데이터가 만들어지고 정리되는 과정을 이해하기 위한 자료다. 원시 read에서 품질 필터링, 오류 보정, chimera 제거, ASV 생성, taxonomy 분류까지의 결과를 제공한다.

구분내용

분석 대상	단일 검체
분석 기술	16S rRNA 시퀀싱
주요 정보	raw read, 품질 필터링 결과, ASV 표, taxonomy
활용 목적	마이크로바이옴 전처리 파이프라인 이해

변수 구성

구분내용

독립변수	DNA read sequence, ASV sequence, taxonomy 정보
종속변수	고정된 질병 라벨 없음
분석 결과 예시	ASV 수, 상대풍부도, 세균 분류, 다양성 지수

이 데이터는 “환자가 어떤 질병인가”를 맞히기에는 적합하지 않지만, 분변 검체가 어떻게 미생물 분석 리포트로 바뀌는지 이해하는 데 유용하다. 

https://www.kaggle.com/datasets/aramelheni/16s-rrna-microbiome-sequencing-analysis-dataset

16S rRNA Microbiome Sequencing Analysis Dataset

 

---

5. Human gut microbiome of the children with ASD

이 데이터셋은 자폐 스펙트럼 장애(ASD) 아동과 전형적 발달(TD) 아동의 장내 미생물 차이를 탐색한 자료다. 일부 대상에서는 변비 같은 위장 증상, 메타게놈, 대사체 정보까지 함께 다룬다.

구분내용

분석 대상	ASD 아동, 전형적 발달 아동
연령대	2~13세
분석 기술	16S rRNA 시퀀싱, 일부 메타게놈·대사체 분석
주요 변수	ASD 상태, 나이, 위장 증상, 미생물 조성, 일부 대사체
활용 목적	장-뇌 축, 위장 증상, 미생물·대사체 연관성 탐색

변수 구성

분석 질문독립변수종속변수

ASD군 비교	미생물 abundance, 나이, 위장 증상	ASD/TD 상태
변비 동반 여부 분석	미생물 abundance, ASD 상태	변비 여부
대사체 연관성 분석	특정 세균 abundance	대사체 수치
연령별 변화 분석	연령, ASD 여부	다양성 또는 특정 균 abundance

이 데이터는 장내 미생물과 신경발달의 관계를 탐색하는 데 활용할 수 있다. 다만 ASD는 매우 복합적인 상태이므로, 미생물 차이만으로 ASD의 원인이나 진단 가능성을 단정해서는 안 된다. 식단, 나이, 위장 증상, 약물 사용 등이 함께 고려돼야 한다.

https://www.kaggle.com/datasets/antaresnyc/human-gut-microbiome-with-asd

Human gut microbiome of the children with ASD