La metodología de análisis de mediación de la relación causa-efecto a través de mediadores ha sido cada vez más popular en las últimas décadas. El microbioma humano puede contribuir a la patogénesis de muchas enfermedades complejas al mediar en las vías causales que llevan a la enfermedad. Sin embargo, el análisis de mediación estándar no es adecuado para los datos del microbioma debido al excesivo número de valores cero y la sobre-dispersión en las lecturas de secuenciación, que surgen tanto por razones biológicas como de muestreo. Para abordar estos desafíos únicos presentados por el mediador inflado de ceros, desarrollamos un nuevo algoritmo de análisis de mediación en el marco de resultados potenciales para llenar este vacío. El modelo semiparamétrico propuesto estima el efecto de mediación del microbioma al descomponer los efectos indirectos en dos componentes según las distribuciones infladas de ceros. Se utiliza el algoritmo de bootstrap para calcular los intervalos de confianza empíricos de los efectos causales. Realizamos extensos estudios de simulación para investigar el rendimiento del enfoque basado en ponderaciones propuesto y algunas alternativas basadas en modelos, y nuestro modelo propuesto mostró un rendimiento robusto. El algoritmo propuesto se implementó en un estudio real del microbioma humano para identificar si algunos taxones median la relación entre el tratamiento con LACTIN-V y la respuesta inmune.