微生物组已成为人类疾病重要的预测指标。然而，以前的研究通常将每个样本标记为健康或患有特定疾病，忽略了实际队列中常见的并发症或合并症的情况，可能会混淆微生物与疾病的关联。例如，患者可能患有多种疾病，因此很难准确检测他们的健康状况。此外，宿主表型（如生理特征和生活方式）深刻影响着微生物组的结构，但此类信息尚未在数据模型中得到充分利用。为了解决这些问题，我们提出了一种高度可解释的深度学习 (DL) 方法，称为 Meta-Spec。使用基于深度神经网络 (DNN) 的方法，它使用微生物组特征与宿主变量进行共编码和融合，从而能够同时检测多种疾病。实验表明，Meta-Spec 在多个队列中进行多标签疾病筛查时，综合表现均优于常用的机器学习策略。更重要的是，Meta-Spec 成功检测到了其他方法经常遗漏的并发症或合并症。此外，Meta-Spec 具有很高的可解释性，可以从宿主变量和微生物中捕获影响疾病模式的关键因素。因此，该研究提高了基于微生物组的疾病筛查在实际场景中的可行性和灵敏度，向个性化医疗和健康迈出了重要一步。