4 Minuten
Neinvazinis išmatų testas priartėja prie kolonoskopijos tikslumo
Ženevos universiteto (UNIGE) tyrėjų komanda sukūrė mašininio mokymosi metodą, kuris analizuoja žmogaus žarnyno mikrobiomą subspecijų lygiu ir gali identifikuoti kolorektalinį vėžį iš išmatų mėginių maždaug 90 % jautrumu. Publikuotas žurnale Cell Host & Microbe, tyrimas pristato pirmą visapusišką žarnyno bakterijų subspecijų katalogą ir panaudoja jį prognozavimo modeliams kurti, kurie beveik prilygsta kolonoskopijos našumui ir siūlo nebrangią, neinvazinę atrankos alternatyvą.
Kolorektalinis vėžys yra viena dažniausių mirties nuo vėžio priežasčių pasaulyje, o ankstyvas aptikimas žymiai pagerina gydymo rezultatus. Tačiau kolonoskopijos — klinikinis auksinis standartas — yra brangios, reikalauja daug išteklių ir dažnai vengiamos dėl diskomforto bei pasiruošimo reikalavimų. Efektyvus išmatų testas, paremtas mikrobiomos žymenimis, galėtų padidinti atrankos dalyvavimą, aptikti vėžį anksčiau ir nukreipti, kam būtina patvirtinanti kolonoskopija.
Mokslinis kontekstas: subspecijų raiška ir kodėl tai svarbu
Kas yra subspecijų raiška
Bakterijų taksonomija dažniausiai pateikiama rūšių arba štamų lygyje. Analizė rūšių lygiu gali praleisti funkcinius skirtumus tarp genetiškai skirtingų potipių, tuo tarpu štamų lygio žymenys labai skiriasi tarp individų ir populiacijų. UNIGE komanda susitelkė į tarpinį taksonominį lygį — subspecijas — kad užfiksuotų nuoseklius biologinius skirtumus, darančius įtaką šeimininko fiziologijai įvairiuose kohortuose.
Pasinaudoję dideliais metagenominiais duomenų rinkiniais, bioinformatikai atkurė žarnyno mikrobiomos subspecijų atlasą. Ši detalesnė raiška leido tyrėjams atskirti mikrobinės populiacijos pogrupius, turinčius skirtingas roles uždegime, metabolizme ir navikų biologijoje — skirtumus, kurie lieka nematomi grubesnėse analizėse, bet yra pakankamai pakartotiniai, kad būtų galima apmokyti patikimus mašininio mokymosi klasifikatorius.
Metodai, pagrindiniai rezultatai ir klinikinės pasekmės
Komanda sujungė savo subspecijų katalogą su klinikiniais meta-duomenimis ir sukūrė algoritmus, klasifikuojančius išmatų mėginius kaip vėžį patvirtinančius arba ne. Tyrimo pirmasis autorius Matija Trickovic apibūdino komandai iškilusią kompiutacinę užduotį dėl milžiniškų duomenų kiekių ir pažymėjo, kad sukurta tiksli duomenų apdorojimo seka, tinkama tiek tyrimams, tiek klinikiniam naudojimui. Modelis validacijos rinkiniuose aptiko maždaug 90 % kolorektalinio vėžio atvejų — tai yra arti 94 % aptikimo, nurodyto kolonoskopijų atveju, ir geriau nei esami neinvaziniai testai.
Pagrindinis tyrimo vadovas Mirko Trajkovski pabrėžė, kad subspecijų lygio žemėlapis atskleidžia funkcinius skirtumus tarp bakterijų, kurios gali skatinti arba slopinti naviko vystymąsi. Sutelkus dėmesį į pakartotinus subspecijų žymenis, o ne plačiai apibrėžtas rūšis ar labai individualius štamus, modelis geriau generalizuojasi skirtingose populiacijose ir geografiniuose regionuose.
Ženevos universiteto ligoninės (HUG) planuojamas klinikinis tyrimas įvertins testą skirtinguose vėžio etapuose ir pažeidimų tipuose. Galimoje atrankos darbo eigoje teigiamas mikrobiomos rezultatas būtų patvirtinamas tiksline kolonoskopija, taip sumažinant bendrą atliktinų kolonoskopijų skaičių ir leidžiant ankstyviau intervencijoms tiems vėžiams, kurie kitu atveju liktų nepastebėti.
Be kolorektalinio vėžio, šis požiūris atveria kelią neinvazinėms diagnostikoms kitų vėžio rūšių ir lėtinių ligų atveju, kur žarnyno mikrobiota vaidina reikšmę. Subspecijų skirtumų kartografavimas taip pat gali atskleisti mechanizmus, kaip mikroorganizmai veikia uždegimą, imuninį atsaką ir vaistų metabolizmą, kas būtų naudinga personalizuotoms terapijoms.
Ekspertų įžvalgos
Gyd. Laura Chen, klinikinė mikrobiologė ir mokslo komunikatorė, komentuoja: "Šis tyrimas parodo, kokią vertę turi mikrobiomos raiškos didinimas iki biologiniu požiūriu reikšmingo ir klinikose taikomo lygio. Mašininis mokymasis, taikomas tvirtam subspecijų katalogui, gali išgauti signalus, kurių paprastesni testai nepastebi. Tolimesni žingsniai — dideli daugiacentriai tyrimai ir integracija į klinikines darbo eigas — nulems, kaip greitai ši technologija gali pagerinti atrankos programas pasauliniu mastu."
Vis dar išlieka organizaciniai iššūkiai: standartizuoti išmatų surinkimą, užtikrinti atkuriamą sekoskaitą tarp laboratorijų ir patikrinti našumą atrankos populiacijose, į kurias įeina besimptomiai asmenys ir jaunesni suaugusieji, kurių sergamumas didėja. Daugiau klinikinių ir demografinių duomenų integracija galėtų dar labiau pagerinti tikslumą ir mažinti klaidingai teigiamų rezultatų skaičių.
Išvados
UNIGE subspecijų lygio žarnyno mikrobiomos atlasas ir dirbtinio intelekto klasifikatoriai siūlo perspektyvų neinvazinį metodą kolorektalinio vėžio aptikimui, pasiekiantį beveik kolonoskopijos jautrumą. Jei tai bus patvirtinta platesniuose klinikiniuose tyrimuose, išmatų mikrobiomos atranka galėtų padidinti ankstyvą aptikimą, sumažinti priklausomybę nuo invazinių procedūrų ir plėstis į diagnostiką kitoms mikrobiotos įtakotoms ligoms. Šis požiūris iliustruoja, kaip aukštos raiškos mikrobiomos žemėlapiavimas kartu su mašininiu mokymusi gali paversti mikrobinę ekologiją praktiškais klinikiniais įrankiais.
Quelle: sciencedaily
Kommentar hinterlassen