4 Minutės
Neinvazinis išmatų tyrimas priartėja prie kolonoskopijos tikslumo
Ženevos universiteto (UNIGE) tyrėjų grupė sukūrė mašininio mokymosi metodą, kuris analizuoja žmogaus žarnyno mikrobiomą iki subspecijų lygio ir gali nustatyti kolorektalinį vėžį iš išmatų mėginių maždaug 90 % jautrumu. Publikuotas žurnale Cell Host & Microbe, tyrimas pateikia pirmąjį išsamų žarnyno bakterijų subspecijų katalogą ir naudoja jį kuriant prognozinius modelius, kurie beveik prilygsta kolonoskopijos veikimui, siūlydami nebrangią, neinvazinę atrankos alternatyvą.
Kolorektalinis vėžys yra viena iš pagrindinių vėžio mirties priežasčių pasaulyje, o ankstyvas nustatymas žymiai pagerina gydymo rezultatus. Tačiau kolonoskopijos — klinikinis aukso standartas — yra brangios, reikalauja daug išteklių ir dažnai jų vengia dėl diskomforto ir pasiruošimo sudėtingumo. Aukštos kokybės išmatų testas, paremtas mikrobiomos žymenimis, galėtų padidinti atrankos dalyvavimą, aptikti vėžį anksčiau ir padėti skirstyti pacientus, kuriems reikalinga patvirtinamoji kolonoskopija.
Mokslinis fonas: subspecijų raiška ir kodėl tai svarbu
Kas yra subspecijų raiška
Bakterijų taksonomija paprastai pateikiama rūšies arba štamo lygiu. Rūšies lygmens analizė gali nepastebėti funkcinio skirtumo tarp genetiniu požiūriu skirtingų pogrupių, o štamų lygio žymenys labai skiriasi tarp individų ir populiacijų. UNIGE komanda susitelkė į tarpinį taksonominį lygmenį — subspecijas — kad užfiksuotų nuoseklias biologines skirtis, daromas įtakos šeimininko fiziologijai įvairiose kohortose.
Naudodami didelio masto metagenominius duomenų rinkinius, bioinformatikai atkūrė žarnyno mikrobiomos subspecijų atlasą. Ši smulkesnė raiška leido mokslininkams atskirti mikrobių pogrupius, turinčius skirtingas roles uždegime, metabolizme ir naviko biologijoje — skirtumus, kurie lieka nepastebėti grubesnėse analizėse, bet yra pakankamai kartojami, kad būtų galima išmokyti tvirtus mašininio mokymosi klasifikatorius.
Metodai, pagrindiniai radiniai ir klinikinės pasekmės
Grupė sujungė savo subspecijų katalogą su klinikiniais metaduomenimis ir sukūrė algoritmus, skirtus klasifikuoti išmatų mėginius kaip vėžio teigiamus arba neigiamus. Matija Trickovic, tyrimo pirmasis autorius, apibūdino kompiuterinį iššūkį analizuojant milžiniškus duomenų rinkinius ir sakė, kad komanda įdiegė tikslų darbo srautą, tinkantį tiek moksliniams tyrimams, tiek klinikiniam naudojimui. Modelis aptiko maždaug 90 % kolorektalinio vėžio atvejų validacijos rinkiniuose — tai artima 94 % aptikimo rodikliui, dažnai nurodomam kolonoskopijai, ir pranoksta esamus neinvazinius testus.
Vyriausias tyrėjas Mirko Trajkovski pabrėžė, kad subspecijų lygio žemėlapiavimas užfiksuoja funkcinę įvairovę tarp bakterijų, kurios gali skatinti arba slopinti naviko vystymąsi. Koncentruodamiesi į pakartojamus subspecijų žymenis, o ne plačiai apibrėžtas rūšis ar labai individualius štamus, modelis gerai generalizuoja skirtingose populiacijose ir geografiniuose regionuose.
Planuojamas klinikinis tyrimas su Ženevos universiteto ligoninėmis (HUG), kad būtų įvertintas testas skirtinguose vėžio etapuose ir pažeidimų tipuose. Galimame atrankos darbo sraute teigiamus mikrobiomos rezultatus sektų tikslinga kolonoskopija, sumažinanti visų kolonoskopijų skaičių ir leidžianti anksčiau pradėti gydymą vėžiams, kurie kitu atveju būtų praleisti.
Be kolorektalinio vėžio, šis metodas atveria galimybes neinvazinėms diagnostikoms kitų vėžio rūšių ir lėtinių ligų, kurias įtakoja žarnyno mikrobiota. Subspecijų skirtumų žemėlapiavimas taip pat gali atskleisti mechanizmus, kaip mikrobai veikia uždegimą, imuninį atsaką ir vaistų metabolizmą, kas gali prisidėti prie personalizuotų terapijų kūrimo.
Ekspertės įžvalga
Dr. Laura Chen, klinikinė mikrobiologė ir mokslo komunikatorė, komentuoja: "Šis tyrimas parodo mikrobiomos išskyrimo naudą lygyje, kuris yra tiek biologiškai reikšmingas, tiek kliniškai naudingas. Mašininis mokymasis, taikomas tvirtam subspecijų katalogui, gali išgauti signalus, kurių paprastesni testai nepastebi. Tolimesni žingsniai — dideli daugia centriniai tyrimai ir integracija į klinikinius darbo srautus — nulems, kaip greitai ši technologija gali pagerinti atrankos programas visame pasaulyje."
Vis dėlto lieka operacinių iššūkių: išmatų mėginių rinkimo standartizavimas, sekačių pakartojamumo užtikrinimas skirtingose laboratorijose ir veikimo patvirtinimas atrankos populiacijose, įskaitant besimptomius asmenis ir jaunesnius suaugusius, kurių sergamumas didėja. Daugiau klinikinių ir demografinių duomenų integravimas galėtų dar labiau pagerinti tikslumą ir sumažinti klaidingų teigiamų rezultatų skaičių.
Išvados
UNIGE subspecijų lygio žarnyno mikrobiomos atlasas ir dirbtinio intelekto klasifikatoriai siūlo perspektyvų neinvazinį metodą kolorektalinio vėžio aptikimui su beveik kolonoskopijos jautrumu. Jei tai bus patvirtinta platesniuose klinikiniuose tyrimuose, išmatų mikrobiomos atranka galėtų padidinti ankstyvą nustatymą, sumažinti priklausomybę nuo invazinių procedūrų ir išplėsti diagnostiką kitoms ligoms, kurias veikia mikrobiota. Šis požiūris pabrėžia, kaip aukštos raiškos mikrobiomos žemėlapiavimas kartu su mašininiu mokymusi gali paversti mikrobų ekologiją veiksmais pagrįstais klinikiniais įrankiais.
Šaltinis: sciencedaily
Komentarai