A lo largo de los años, los estudios de investigación han demostrado que existe una conexión clave entre la comunidad microbiana en el intestino, los genes y el sistema inmunológico. Entender esta asociación puede ayudar a descubrir la causa de trastornos crónicos idiopáticos complejos como la enfermedad inflamatoria intestinal. A pesar de los importantes esfuerzos realizados en el campo, las funciones, dinámicas y la causalidad del estado de disbiosis realizado por la comunidad microbiana siguen siendo poco claras. Los modelos de aprendizaje automático pueden ayudar a dilucidar conexiones y relaciones importantes entre los microbios en el huésped humano. Nuestro estudio tiene como objetivo ampliar el conocimiento actual de las asociaciones entre el microbioma humano y la salud y la enfermedad a través de la aplicación de redes bayesianas dinámicas para describir la variación temporal de la microbiota intestinal y las relaciones dinámicas entre entidades taxonómicas y variables clínicas. Desarrollamos un conjunto de pasos de preprocesamiento para limpiar, filtrar, seleccionar, integrar y modelar datos longitudinales informativos de metagenómica, metatranscriptómica y metabolómica del Proyecto Microbioma Humano. Este estudio logra nuevos modelos de red con un rendimiento predictivo satisfactorio (precisión = 0.648) para cada estado de enfermedad inflamatoria intestinal, validando las redes bayesianas como un marco para desarrollar modelos interpretables que ayuden a comprender las formas básicas en las que las diferentes entidades biológicas (taxones, genes, metabolitos) interactúan entre sí en un entorno dado (intestino humano) a lo largo del tiempo. Estos hallazgos pueden servir como punto de partida para avanzar en el descubrimiento de enfoques terapéuticos novedosos y nuevos biomarcadores para la medicina de precisión.