Diagnostický nástroj založený na mikrobiomu pro screening kolorektálního karcinomu (GUILTI) (GUILTI)

Kolorektální karcinom (CRC) je 3. nejčastější rakovina a 2. nejčastější příčina úmrtí na rakovinu na celém světě, s téměř 2 miliony nových případů a jedním milionem úmrtí v roce 2020. V posledních desetiletích se populační screeningové programy pro populace s průměrným rizikem etablovaly jako účinná strategie ke snížení incidence a mortality CRC prostřednictvím včasné detekce rakoviny. Fekální imunochemické testování (FIT), referenční diagnostický nástroj ve většině zemí, má stále suboptimální diagnostickou výtěžnost, jak s vynechanými adenomy, tak především se zbytečnými kolonoskopiemi. Z těchto důvodů je v posledních letech identifikace nových, neinvazivních biomarkerů v oblasti CRC absolutně prosazována. Velké množství důkazů ukazuje, že změny střevního mikrobiomu a obohacení specifických taxonů (např. Fusobacterium nucleatum, Parvimonas micra a další) se podílejí na patogenezi CRC. Navíc nedávné studie, včetně metagenomických metaanalýz z naší skupiny, objevily běžné mikrobiální podpisy schopné reprodukovatelně rozlišovat mezi pacienty s CRC a zdravými kontrolami. Na základě těchto důkazů mezinárodní směrnice nedávno obhajovaly využití biomarkerů založených na mikrobiomu pro screening CRC v klinické praxi, ale takové studie dosud nejsou k dispozici.

Primárním cílem je vyvinout diagnostický nástroj založený na střevním mikrobiomu pro identifikaci CRC a pokročilých kolorektálních adenomů.

Sekundární cíle jsou:

• Spojovat FIT s klinickými výsledky a výsledky kolonoskopie
• Charakterizovat střevní mikrobiom zařazených pacientů
• Sdružit podpisy mikrobiomu s klinickými výsledky a výsledky kolonoskopie. Jedná se o observační prospektivní multicentrickou studii, ve které budou pacienti vybíráni z těch, kteří jsou zařazeni do národního programu screeningu kolorektálního karcinomu (CRC), az těch, kteří se dostanou do všech center zapojených do této studie pro screeningovou kolonoskopii. Pro tuto studii budou zvažováni pacienti se všemi zařazovacími kritérii a žádným vylučovacím kritériem (podrobně ve specifické části této webové stránky). N=1202 pacientů bude zařazeno na základě výpočtu velikosti vzorku a včetně validační skupiny. Bude potřeba N=911 pacientů a přidáme 91 pacientů, abychom pokryli 10% potenciálního vyřazení ze studie, a 200 pacientů jako validační skupinu (20 % studijní kohorty). Pacienti zařazení do této validační kohorty budou mít stejná kritéria vyloučení a zařazení jako ostatní pacienti a podstoupí stejné studijní postupy. Na začátku poskytnou všichni zařazení pacienti vzorek stolice (shromážděný pomocí pufru pro uchování genomu) do 2 týdnů od zařazení a budou uloženy při -80 °C v každém klinickém centru a budou jim přidělena deidentifikovaná ID. Kromě toho budou zaznamenány demografické, klinické charakteristiky a laboratorní údaje.

U všech zapsaných pacientů klinik zaznamená následující údaje:

• Známá historie CRC;
• Komorbidity;
• Příjem drog;
• Gastrointestinální (GI) a alarmující příznaky (anémie z nedostatku železa, hematochezie, nevysvětlitelná ztráta hmotnosti, bolest břicha, náhlá změna ve vyprazdňování);
• Dietní návyky;
• Kouření a konzumace alkoholu;
• BMI (index tělesné hmotnosti);
• Kvantitativní FIT data;
• Informace o předchozích FIT a/nebo kolonoskopiích a/nebo virtuálních kolonoskopích.

Všichni zařazení pacienti podstoupí kolonoskopii do 4 týdnů od pozitivního FIT, po kolonoskopii endoskopické charakteristiky (velikost, místo, tvar podle Pařížské třídy). a budou shromážděny histopatologické charakteristiky detekovaných lézí. Pokročilé kolorektální adenomy budou definovány jako adenomy větší nebo rovné 10 mm a/nebo s vilózními složkami vyššími nebo rovnými 25 % a/nebo dysplazie vysokého stupně. Navíc pacienti s diagnózou CRC také podstoupí celkovou - CT vyšetření těla k určení stádia onemocnění a bude odkazováno na onkologickou dráhu v klinické praxi a budou shromážděny následující údaje: přítomnost metastáz v lymfatických uzlinách a orgánových metastáz, TNM třída (Tumor-Node-Metastasis)..Fáze zápisu bude trvat 48 měsíců.Na konci fáze zápisu provedou zkoušející analýzu mikrobiomů a zkombinují klinická, endoskopická a mikrobiální data prostřednictvím statistického a strojového učení algoritmy k identifikaci specifických mikrobiálních biomarkerů spojených s CRC a pokročilými kolorektálními adenomy, k vývoji nového diagnostického nástroje založeného na skórovacím systému.

Výsledky studie jsou podrobně uvedeny ve zvláštní části tohoto webu. Analýza mikrobiomů bude provedena pomocí brokových sekvenačních technik. Kromě toho, aby získali panel mikrobiálních druhů většinou spojených s CRC a pokročilými kolorektálními adenomy, využijí výzkumníci aplikace strojového učení, například pomocí široce přijatých algoritmů Random Forest, stejně jako metaanalytické přístupy integrující naši velkou kohortu s dříve publikovanými metagenomické kohorty. Definovaný panel mikrobiálních druhů většinou spojených s CRC a pokročilými kolorektálními adenomy poskytne komplexní rizikové skóre založené na vlastnostech mikrobiomu se dvěma konkrétními cíli, zlepšit testování přesnosti diagnostického nástroje FIT a bude snadno interpretovatelné klinickými lékaři. shromážděná klinická data budou statisticky kombinována, aby se seřadily mikrobiální znaky od nejvíce souvisejících po nejméně související.

Tyto žebříčky budou využity k vyhodnocení profilu mikrobiomu od nového jedince a ke zprávě o tom, kolik z definovaných druhů v předchozím panelu bylo nalezeno, a tedy spojeno s CRC a pokročilými kolorektálními adenomy. Asociace mezi identifikovanými druhy a zájmovými tvůrci budou odhadnuty pomocí robustních metod statistické analýzy, jako je částečná korelace nebo lineární modelování. Poté budou asociace seřazeny a porovnány napříč markery pro stejný druh, přičemž každému druhu bude přiděleno prioritní skóre. Zvláštní pozornost bude věnována identifikaci potenciálních matoucích markerů, o nichž je známo, že jsou spojeny s rozdíly ve složení mikrobiomu, například s věkem, které by místo toho měly být použity jako kovariáty ve statistickém modelování. Kromě statistického modelování budou také asociace mezi druhy a markery hodnoceny prostřednictvím ML přístupů, zejména těch, které poskytují skóre důležitosti rysů pro vstupní rysy (v našem případě druhy), které lze použít k hodnocení druhů napříč různými markery ( např. Náhodný les, LASSO atd.). Spojité proměnné budou uváděny jako průměr ± standardní odchylka nebo jako medián a interkvartilní rozsah (IQR) a kategoriální proměnné byly shrnuty jako frekvence a procenta. Porovnání proměnných bude provedeno t-testem (nebo Mann-Whitney/Kruskal-Wallis), Chí-kvadrát testem nebo Fisherovým exaktním testem, podle potřeby. P-hodnota <0,05 bude považována za indikaci statistické významnosti. K identifikaci přítomnosti proměnných nezávisle spojených s výsledky budou provedeny modely logistické regrese. Proměnné uvažované v modelech byly vybrány postupným výběrem modelu a řízeny podle klinické relevance. Všechny statistické analýzy byly provedeny pomocí SPSS v. 28.0 pro Macintosh (SPSS Inc., Chicago, USA).

Vyšetřovatelé použijí rámec strojového učení (ML) založený na balíčku scikit-learn Python s využitím přístupu křížové validace se 100 iteracemi bootstrapu a náhodným rozdělením 80/20 do tréninkových a testovacích záhybů. Klasifikační a regresní algoritmy ML budou trénovány jak na taxonomické relativní abundanci na úrovni mikrobiomu, tak na profilech funkčního potenciálu. Taxonomické abundance na úrovni druhů budou odhadnuty pomocí MetaPhlAn 4 (s použitím nejnovějších dostupných databází, aktuálně pojmenovaných Oct22) a normalizovány pomocí transformace arcsin-sqrt pro kompoziční data. Profily funkčního potenciálu budou odhadnuty pomocí nejnovější verze HUMAnN 4 a výzkumníci budou zvažovat jak odhady četnosti jednotlivých rodin mikrobiálních genů, tak metabolických drah. Částečné korelace mezi druhy a markery budou vypočítány pomocí Spearmanova indexu, aby se předešlo zkreslení v důsledku odlehlých hodnot, a korigovány na kovariáty, jako je pohlaví, věk a index tělesné hmotnosti, o nichž je známo, že mají vliv na složení mikrobiomu. Částečné korelační hodnoty budou opraveny pomocí Benjaminiho-Hochbergova postupu pro míru falešného odhalení.