Mikrobiální zátěž může ovlivnit naše nemoci

Vědci vyvinuli nový model strojového učení pro predikci mikrobiální zátěže — hustoty mikroorganismů v našich střevech — a použili ho k prokázání, jak důležitou roli hraje mikrobiální zátěž v asociacích mezi nemocemi a mikrobiomem. Studie o souvislosti mezi určitými onemocněními a střevním mikrobiomem se obvykle zaměřují na mikrobiální složení – relativní podíl různých druhů mikrobů ve vzorku. Nová studie z Evropské mikrobiální laboratoře (EMBL) v Heidelbergu demonstruje nástroj strojového učení, který dokáže predikovat mikrobiální zátěž – hustotu mikrobů ve vzorku střevní mikrobiologie – ze sekvenčních dat bez nutnosti nákladných dalších experimentů. Studie tvrdí, že mikrobiální zátěž je důležitým faktorem, který je třeba zvážit ve studiích asociace s onemocněními, aby se předešlo falešným závěrům.

Ať už jsme nemocní nebo zdraví, miliardy mikroorganismů, které obývají naše střeva, jsou našimi stálými společníky po celý život. V posledních několika desetiletích vědci ukázali, jak povaha tohoto „mikrobiomu“ může poskytnout cenná vodítka k lidským nemocem a jejich léčbě. Nová studie skupiny Bork z EMBL Heidelberg, nedávno publikovaná v časopise Cell, uvádí, že řada faktorů, jako je životní styl a nemoci, ovlivňuje celkový počet mikrobů ve střevě, což z této často opomíjené metriky činí faktor, který si zaslouží další zkoumání ve výzkumu střevního mikrobiomu.

Příklad vztahu složení a zátěže

Při studiu mikrobiomů se vědci obvykle zaměřují na mikrobiální složení – relativní podíl různých druhů mikrobů (obvykle bakterií a archeí, ale také protistů, virů a dalších mikroorganismů). To nám například říká, zda se hladina jednoho druhu bakterií zvyšuje nebo snižuje ve srovnání s jinými druhy ve střevech pacientů s určitými onemocněními. Pro ilustraci si představte, že ve vašem střevě žije pouze 1 000 bakterií. U zdravých jedinců by to mohlo zahrnovat 10 bakterií druhu „červený“ a 20 bakterií druhu „modrý“, takže bychom mohli říci, že červené bakterie tvoří 2 % mikrobiomu, zatímco modré bakterie tvoří 5 %. U jedinců s určitým onemocněním si však můžeme všimnout, že červené bakterie tvoří 4 % mikrobiomu – což je relativní nárůst, zatímco modré bakterie zůstávají na 5 %. Mohli bychom pak předpokládat, že červené bakterie jsou s tímto onemocněním spojeny.

Na druhou stranu, mikrobiální zátěž se vztahuje k hustotě mikrobů uvnitř našich střev. Experimentálně se určuje jako počet mikrobiálních buněk na gram stolice. Na rozdíl od mikrobiálního složení se jedná o absolutní množství. Ve výše uvedeném příkladu si představte, že celkový počet bakterií v důsledku onemocnění klesl na 500. Při pohledu na absolutní čísla je možné, že počet červených bakterií ve skutečnosti zůstal stejný, zatímco počet modrých bakterií se snížil.

Vědci obvykle berou v úvahu mikrobiální složení pouze při provádění studií mikrobiomu, protože současné experimentální metody měření mikrobiální zátěže jsou časově i finančně náročné.

Využití AI ke studiím mikrobiomu a předpovědím

„Chtěli jsme vyvinout novou metodu, která by nevyžadovala žádné další experimentální metody pro kvantifikaci mikrobiální zátěže,“ řekl Suguru Nishijima, první autor studie a postdoktorand v Bork Group. „Měli jsme přístup k rozsáhlým datovým sadám s údaji o mikrobiálním složení i experimentálně naměřeným údajům o mikrobiální zátěži. Chtěli jsme zjistit, zda bychom je mohli použít k trénování modelu strojového učení k odhadu mikrobiální zátěže pouze na základě mikrobiálního složení.“

Datové sady použité pro toto cvičení pocházely z projektů GALAXY/MicrobLiver a Metacardis consortia – rozsáhlých projektů financovaných EU, do kterých Bork Group dříve přispěla. Tato data, získaná od více než 3 700 osob, poskytla ideální způsob, jak otestovat, zda lze model strojového učení trénovat k odhadu celkového počtu mikrobů ve vzorku.

A skutečně, model vytvořený Nishijimou a jeho kolegy dokázal robustně předpovídat mikrobiální zátěž, což vědci ověřili pomocí nové datové sady, se kterou se model dosud nesetkal. Vědci věděli, že model funguje, a proto jej aplikovali na obrovský vzorek více než 27 000 jedinců – shromážděných ze 159 předchozích studií provedených ve 45 zemích.

Mikrobiální zátěž ovlivňuje mnoho faktorů

Například průjem může počet mikrobů ve střevě snížit, zatímco zácpa jej může zvýšit. Ženy mají v průměru vyšší mikrobiální zátěž než muži (možná to souvisí s pozorováním, že ženy trpí zácpou častěji než muži). Mladí lidé mají menší průměrnou mikrobiální zátěž než starší lidé. Mnoho onemocnění, stejně jako léky používané k jejich léčbě, významně mění mikrobiální zátěž.

„Důležité je, že mnoho mikrobiálních druhů, o kterých se dříve předpokládalo, že jsou spojeny s onemocněním, bylo spíše vysvětleno změnami v mikrobiální zátěži. Tato zjištění naznačují, že hnací silou posunů v mikrobiomu u pacientů mohou být změny v mikrobiální zátěži, spíše než samotná nemoc,“ řekl Nishijima. „Určité asociace mezi onemocněním a mikroby však přetrvávaly, což dále potvrzuje důležitost zahrnutí mikrobiální zátěže do studií mikrobiomu, aby se předešlo falešně pozitivním nebo falešně negativním výsledkům.“ Díky novému modelu strojového učení, který tito vědci vyvinuli – prvnímu, který předpovídá mikrobiální zátěž z dat o složení – mohou nyní vědci tento důležitý faktor zahrnout do budoucích studií střevního mikrobiomu.

Model je volně a otevřeně dostupný výzkumníkům po celém světě k testování a opětovnému použití

To může mít důsledky i daleko za hranice střevního mikrobiomu. „Naše oceány, půdy, řeky – to vše se hemží mikroby a pochopení i těchto mikrobiomů by mohlo přinést cenné poznatky, které by pomohly zachovat zdraví naší planety,“ řekl Peer Bork, vedoucí skupiny a ředitel EMBL Heidelberg a hlavní autor studie. „Tato studie nám ukazuje, že mikrobiální zátěž je důležitým měřítkem, které je třeba v takových studiích zohlednit. Budeme proto pracovat na tom, abychom znalosti o střevním mikrobiomu přenesli i do jiných biotopů.“

Zdroj: Tisková zpráva Evropské laboratoře molekulární biologie.