شناسایی بیومارکرهای متابولیک مرتبط با تعامل میزبان و میکروبیوم با هدایت یادگیری ماشین برای تشخیص دقیق و غیرتهاجمی سندرم روده تحریکپذیر و طبقهبندی افتراقی آن از بیماری التهابی روده
کلمات کلیدی:
میکروبیوم روده, متابولومیکس, سندرم روده تحریکپذیر, بیماری التهابی روده, یادگیری ماشینچکیده
سندرم روده تحریکپذیر و بیماری التهابی روده از شایعترین اختلالات دستگاه گوارش هستند که بسیاری از نشانههای بالینی آنها از جمله درد شکمی، تغییر الگوی دفع، نفخ و کاهش کیفیت زندگی با یکدیگر همپوشانی دارد. با وجود پیشرفتهای قابل توجه در روشهای آندوسکوپی، آسیبشناسی بافتی و آزمایشهای سرولوژیک، افتراق دقیق این دو بیماری، بهویژه در مراحل ابتدایی یا موارد با علائم خفیف، همچنان یکی از چالشهای مهم بالینی محسوب میشود. در سالهای اخیر، میکروبیوم روده به عنوان یکی از تنظیمکنندههای اصلی متابولیسم میزبان، پاسخهای ایمنی و همئوستازی روده شناخته شده و فرصتهای جدیدی برای توسعه نشانگرهای زیستی غیرتهاجمی فراهم کرده است. در این پژوهش، یک چارچوب چنداُمیکی مبتنی بر یادگیری ماشین برای شناسایی بیومارکرهای متابولیک مرتبط با تعامل میزبان و میکروبیوم به منظور افتراق سندرم روده تحریکپذیر از بیماری التهابی روده ارائه شده است. این چارچوب با تلفیق دادههای ترکیب میکروبیوم، مسیرهای عملکردی میکروبی و پروفایلهای متابولومیکی طراحی شد. برای انتخاب ویژگیها و طبقهبندی بیماری از الگوریتمهای مختلف یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، گرادیان تقویتی و رگرسیون الاستیک استفاده شد. اولویتبندی بیومارکرها بر اساس سهم پیشبینیکننده، ارتباط زیستی و قابلیت تکرارپذیری انجام گرفت. نتایج نشان داد که هر یک از دو بیماری دارای الگوهای اختصاصی میکروبی و متابولیکی هستند. سندرم روده تحریکپذیر با تغییر در مسیرهای تخمیری میکروبی، متابولیسم اسیدهای چرب زنجیره کوتاه و ناهمگنی عملکردی میکروبی همراه بود؛ در حالی که بیماری التهابی روده با اختلال در متابولیسم التهابی، بینظمی اسیدهای صفراوی، شبکههای میکروبی مرتبط با پاسخ ایمنی و کاهش تنوع میکروبی مشخص شد. تلفیق دادههای میکروبیومی و متابولومیکی عملکرد تشخیصی بهتری نسبت به رویکردهای تکاُمیکی ایجاد کرد. همچنین رتبهبندی ویژگیها توسط الگوریتمهای یادگیری ماشین چندین بیومارکر کلیدی مرتبط با تعامل میزبان و میکروبیوم را شناسایی کرد که توان بالایی در طبقهبندی افتراقی بیماریها داشتند. یافتههای این مطالعه نشان میدهد که ترکیب بیومارکرهای متابولیکی مشتق از میکروبیوم با روشهای پیشرفته یادگیری ماشین میتواند زمینه توسعه راهبردهای پزشکی دقیق برای تشخیص غیرتهاجمی بیماریهای گوارشی را فراهم کند. این رویکرد میتواند به تشخیص زودهنگام، کاهش اقدامات تهاجمی غیرضروری، بهبود طبقهبندی بیماران و انتخاب درمانهای شخصیسازیشده کمک نماید.
مراجع
Lloyd-Price J, Arze C, Ananthakrishnan AN, Schirmer M, Avila-Pacheco J, Poon TW, Gevers D, Hall AB, Vatanen T, Bhatt AS, et al. Multi-omics of the gut microbial ecosystem in inflammatory bowel diseases. Nature. 2019;569(7758):655–662.
Lavelle A, Sokol H. Gut microbiota-derived metabolites as key actors in inflammatory bowel disease. Nat Rev Gastroenterol Hepatol. 2020;17(4):223–237.
Vujkovic-Cvijin I, Sklar J, Jiang L, Natarajan L, Knight R, Belkaid Y. Host variables confound gut microbiota studies of human disease. Nature. 2020;587(7834):448–454.
Mars RAT, Yang Y, Ward T, Houtti M, Priya S, Lekatz HR, Tang X, Sun Z, Kalari KR, Korem T, et al. Longitudinal multi-omics reveals subset-specific mechanisms underlying irritable bowel syndrome. Cell. 2023;186(7):1467–1481.
Jacobs JP, Lagishetty V, Hui DY, Sundaram U, Marcobal A, Shulman RJ, et al. The microbiome in patients with irritable bowel syndrome and its relationship to symptoms. Gastroenterol Clin North Am. 2021;50(3):495–510.
Zhuang X, Tian Z, Li L, Zeng Z, Chen M, Xiong L. Fecal microbiota alterations associated with clinical subtypes of irritable bowel syndrome. Front Cell Infect Microbiol. 2021;11:681253.
Franzosa EA, Sirota-Madi A, Avila-Pacheco J, Fornelos N, Haiser HJ, Reinker S, Vatanen T, Hall AB, Mallick H, McIver LJ, et al. Gut microbiome structure and metabolic activity in inflammatory bowel disease. Nat Microbiol. 2019;4(2):293–305.
Duboc H, Rajca S, Rainteau D, Benarous D, Maubert MA, Quervain E, Thomas G, Barbu V, Humbert L, Despras G, et al. Connecting dysbiosis, bile-acid dysmetabolism and gut inflammation in inflammatory bowel diseases. Gut. 2021;70(12):2337–2348.
Pascal V, Pozuelo M, Borruel N, Casellas F, Campos D, Santiago A, Martinez X, Varela E, Sarrabayrouse G, Machiels K, et al. A microbial signature for Crohn's disease. Gut. 2017;66(5):813–822.
Vieira-Silva S, Sabino J, Valles-Colomer M, Falony G, Kathagen G, Caenepeel C, Cleynen I, van der Merwe S, Vermeire S, Raes J. Quantitative microbiome profiling disentangles inflammation- and bile duct obstruction-associated microbiota alterations across PSC/IBD diagnoses. Nat Microbiol. 2019;4(11):1826–1831.
Kurilshikov A, Medina-Gomez C, Bacigalupe R, Radjabzadeh D, Wang J, Demirkan A, Le Roy CI, Garay JAR, Finnicum CT, Liu X, et al. Large-scale association analyses identify host factors influencing human gut microbiome composition. Nat Genet. 2021;53(2):156–165.
Vich Vila A, Collij V, Sanna S, Sinha T, Imhann F, Bourgonje AR, Mujagic Z, Jonkers DMAE, Masclee AAM, Fu J, et al. Impact of commonly used drugs on the composition and metabolic function of the gut microbiota. Nat Commun. 2020;11(1):362.
Zhernakova DV, Le TH, Kurilshikov A, Atanasovska B, Bonder MJ, Sanna S, Claringbould A, Vich Vila A, Mujagic Z, Wang Q, et al. Individual variations in cardiovascular-disease-related protein levels are driven by genetics and gut microbiome. Nat Genet. 2023;55(7):1168–1178.
Liu Y, Wang Y, Ni Y, Cheung CKY, Lam KSL, Wang Y, Xia Z, Ye D, Guo J, Tse MA, et al. Gut microbiome fermentation determines the efficacy of exercise for diabetes prevention. Cell Metab. 2020;31(1):77–91.
Bisanz JE, Upadhyay V, Turnbaugh JA, Ly K, Turnbaugh PJ. Meta-analysis reveals reproducible gut microbiome alterations in response to a high-fat diet. Cell Host Microbe. 2023;31(2):253–268.
دانلود
چاپ شده
شماره
نوع مقاله
مجوز
حق نشر 2026 مجله علمی مطالعات پژوهشی در علوم پایه و علوم پزشکی آینده

این پروژه تحت مجوز بین المللی Creative Commons Attribution 4.0 می باشد.


