El análisis de la dinámica del microbioma podría permitir la identificación de patrones asociados a su evolución. Sin embargo, aunque existen diferentes enfoques para definir 'tipos de estado de la comunidad', no se ha definido un enfoque estándar, riguroso y formal para discriminar las distintas configuraciones de una comunidad microbiana compleja.

Proponemos un nuevo procedimiento y una herramienta computacional para definir distintos estados discretos (si los hay) del microbioma, de forma automática, objetiva y genérica para cualquier conjunto de datos, usando técnicas de aprendizaje automático no supervisado o clustering. Nuestra metodología es muy flexible, dado que se puede aplicar tanto a datos estáticos como dinámicos, con uno o varios sujetos analizados, considerando todos o un subconjunto de taxones y a diferentes niveles taxonómicos. Demostramos su aplicabilidad, reusando distintos datos de microbioma variados en cuanto a nicho ecológico y especies, especialmente en datos longitudinales, donde existe una mayor falta de herramientas de análisis. La robustez de los estados identificados se establece mediante la combinación de diversas medidas de verificación de la calidad y estabilidad de los clusters.

Los estados definidos como salida de nuestro sistema se pueden usar en posteriores estudios como biomarcadores generales con diferentes propósitos, como la asociación con enfermedades, la monitorización de la respuesta a intervenciones o la identificación de poblaciones microbianas con rendimiento óptimo.

El código fuente está disponible en abierto, así como los ficheros de datos y resultados.