|
搞临床研究的小伙伴们都知道，肠道微生物近年来“CNS”级别文章频发，同时也是国家自然科学基金资助的重点方向之一，涉及肠道菌群的项目越来越多，例如研究肠道菌群与胃肠疾病、肝脏疾病、代谢疾病、神经系统疾病之间的关联等。2022年，肠道菌群方向的中标项目达1500多个。该方向的一大优点是可以通过高通量测序很快上手，实现“短、平、快”的发表文章。  小记者今天带来的这篇有关肠道微生物的文章，同时还结合了国自然另一热点机器学习。文章选择的疾病为“脑海中的橡皮擦”——阿尔兹海默症，整个分析过程环环相扣，以肠道微生物群作为标志物，运用机器学习算法构建预测模型，同时结合多种相关分析，通过揭示早期AD神经病理学的肠道菌群相关性为AD早期筛查助一份力。那么它何德何能竟能发到19+的超高分呢？小记者看完只能说，这是它该得的！一起来围观吧~ 还没有思路吗？还在为创新点苦思冥想吗？ 快来生信日报看看吧！  l 题目：肠道微生物组成可能是临床前阿尔茨海默病的指标 l 杂志：Sci Transl Med. l 影响因子：IF=19.319 l 发表时间：2023年7月 后台回复“999”获取原文文献，文献编号231005 研究背景 阿尔茨海默病（AD）的病理被认为是从正常认知到临床前疾病，最终发展到有症状的AD并伴有认知障碍。有研究表明，与健康的、认知正常的对照者相比，有症状的AD患者的肠道微生物组具有明显变化，但对于AD症状出现之前的微生物组认识有限。探究肠道微生物群与临床前AD的相关性可以增加对AD病因的了解，并有助于识别AD的肠道来源标志物。 数据来源 数据来自奈特阿尔茨海默病研究中心（ADRC）164名认知正常的受试者 研究思路 （1）临床评估：首先使用临床痴呆评定量表（CDR）评分确定受试者是否患有AD。 （2）APOE ε4状态与多基因风险评分：对收集的受试者DNA样本使用Illumina 610或者OmniExpress芯片进行基因分型，确定受试者的APOE ε4等位基因携带状态，并使用PRSice-2获得多基因风险评分（Polygenic Risk Score，PRS）。 （3）核磁共振数据（MRI）的获取：使用3.0 Tesla磁共振成像仪获取受试者脑部不同区域的图像数据，如颞、顶叶、杏仁核以及海马体的体积，创建一个描述AD导致的脑容量萎缩的指标（AD signature region）。 （4）致病性β-淀粉样蛋白（Aβ）和tau蛋白的正电子断层（PET）成像：采用11C PiB或AV45进行PET Aβ成像，18F-flortaucipir（AV1451）进行PET tau成像。 （5）脑脊液（CSF）的收集和分析：使用22号Sprotte脊髓针进行腰椎穿刺，进行CSF（脑脊液）采集，分析其中的Aβ42、Aβ40、t-tau、p-tau-181等标志物，计算CSF Aβ42/ Aβ40比值（该比值可作为AD标志物，从无症状到发病后该比值先升高后下降）。 （6）肠道微生物组分析：使用MetaPhlAn3分析肠道微生物的相对丰度，使用HUMAnN 3.0进行微生物途径分析，通过PCoA、PERMANOVA、Spearman相关、线性回归等统计分析，使用MaAsLin2进行负二项分布模型分析，探究微生物组与AD生物标志物（APOE ε4、Aβ、tau、CSF等）指标之间的相关性，找出与临床前AD相关的微生物和功能通路。 （7）随机森林分类器：通过caret v6.0.86构建随机森林分类器，人口统计学变量包括年龄、性别、种族和教育（年）以及临床协变量包括体重指数、高血压和糖尿病都作为预测因素考虑在内，还测试了肠道微生物组成数据能否提高模型性能。 主要结果 1 健康个体和临床前AD患者 肠道微生物组的总体差异 将临床前AD状态定义为CDR 0和Aβ阳性，Aβ斑块阳性定义为Centiloid >16.4，对应于11C匹兹堡化合物B（PiB）-PET标准化摄取值比（SUVR）>1.42。使用这个标准将参与者划分为健康（n=115）和临床前AD状态（n= 49）。然后比较了两组间的临床协变量，并确定了年龄、体重指数、载脂蛋白ε4（APOEε4）携带状态、糖尿病和高血压的差异，将它们作为变量纳入线性回归和机器学习模型以及方差分析（ANOVAs）（表1）。 然后进行了粪便宏基因组测序，绘制了按临床前AD状态分层的属水平的堆叠分类学（MetaPhlAn3）条形图，比较两组的微生物类群相对丰度。结果显示，健康组和临床前AD组在厚壁菌门/拟杆菌门比率上没有显著差异（图1A）。但通过PCoA和CAP分析表明，在认知障碍变得明显之前，即在AD早期，人类肠道微生物组就可能发生变化（图1B, C）。  表1 | 受试者人口统计学和临床协变量信息  图1 | 健康和临床前AD组的肠道微生物组特征 2 肠道微生物谱与Aβ和tau相关， 但与神经变性无关 使用成对Spearman相关分析和线性回归模型确定肠道微生物谱是否与临床前AD的特定特征相关（图2A, B）。结果显示，Aβ和tau蛋白的PET成像均与PCoA1（pathways）以及PCoA2（taxa）相关，没有微生物组指标与神经退行性变标记（CSF和MRI相关指标，如p-tau-181、海马体体积等）显著相关。  图2 | 肠道微生物谱与Aβ和tau相关而与神经变性无关 3 特定的肠道微生物群特征与 临床前AD状态相关 为了确定与临床前AD状态相关的特定分类群，作者将负二项式回归模型拟合到分类学数据。根据模型系数的大小，与临床前AD状态最相关的物种包括Dorea formicigenerans、Oscillibacter、Faecalibacterium prausnitzii、Coprococcus catus和Anaerostipes hadrus（图3A），另外有7种与健康状态相关，属于拟杆菌属。进一步计算了与临床前AD或健康最相关的10个微生物群的相对丰度（图3B）。  图3 | 与临床前AD相关的微生物物种 4 肠道微生物组特征改善了 临床前AD状态分类器的性能 作者利用随机森林分类器训练人口统计学、临床协变量（CC）和遗传学（G）多个因素的影响，验证模型预测的准确性、灵敏度和特异性（图4, 表2）。结果表明，所有因素参与训练模型时，纳入微生物组特征使预测准确性和特异性分别提高1.4%和5.0%，只根据人口统计学、临床协变量和遗传学（CC+ G）训练的模型中，纳入微生物组特征在准确性和特异性方面获得了6.8%和27.1%的改善，而只根据人口统计学和临床协变量训练的模型（CC）纳入微生物组特征在准确性和灵敏度方面获得了11.2%和13.7%的改善。由此说明，肠道微生物组特征可显著提高临床前AD的预测性能。   图4 | 纳入肠道微生物组特征后 随机森林分类器性能的改进  表1 | 纳入肠道微生物组特征后随机森林分类器性能的改进 文章小结 综上所述，该研究发现临床前AD患者的肠道微生物组与健康个体的组成存在差异，肠道微生物组特征可与Aβ和tau蛋白等病理生物标志物互补，更加精准地预测AD疾病进程。将肠道微生物组数据、临床特征、成像数据和生物标志物等多个数据源整合，从多个维度分析了肠道微生物组与AD前期的关联，又有机器学习算法的助力，怪不得能发到19+的高分！ 今天的文献就介绍到这里啦。肠道菌群数据挖掘是个好思路，测序数据越来越多，测序类型越来越丰富，有想法的朋友们尽快上车，一旦火爆起来，发文竞争力可就大多了，时不我待呀！ 文献思路复现 定制生信分析 扫码加小记者 |
|
|
来自： 菌心说 > 《肠道菌群、微生态》
