Identifikation af IBS-metabotyper baseret på fysiologiske reaktioner på fødevarer

Den nuværende undersøgelse er eksplorativ med det primære formål at finde og relatere forskellige emnemetabotyper, der afspejler tolerance/intolerance over for specifikke fødevarekomponenter blandt IBS-patienter ved at udlede og relatere OMICs datamønstre (metabolomics og tarmmikrobiotadata) til rapporteret sværhedsgrad af de indikerede IBS-symptomer ved den primære endepunktsvariabel, dvs. IBS-SSS. Da efterforskerne ikke har et estimat af variationen i de multivariate OMICs-data (både metabolomics og 16S rRNA-analyse af bakterielt RNA), er det ikke muligt at udføre en tilstrækkelig effektberegning. Der er mangel på konsensus om, hvordan man bedst udfører effektanalyse for disse OMICs-designs (og derfor også mangel på værktøjer), selvom nogle initiativer er blevet offentliggjort. Effektanalyse er især vanskelig i ikke-målrettet metabolomik, hvor antallet af variable ikke er a priori bestemt, hvor der er stærk multi-kolinearitet, og hvor variabler ikke kan antages at bidrage med lige stor effekt til effektstørrelse. Desuden er der mangel på relevant umålrettet metabolomik og mikrobiotastudiemateriale om IBS x diætinteraktioner, hvorfra man kan estimere relevante parametre såsom multivariate effektstørrelser og variansestimater på grund af de overraskende få metabolomiske undersøgelser af IBS og den totale mangel på offentligt tilgængelige rådata. Imidlertid blev signifikante forskelle i metabolomet tidligere observeret hos børn med eller uden diarré-dominant IBS (n=22 pr. gruppe). Systematiske forskelle blev også vist i individuelle metabolitter hos personer med IBS, der indtog enten høj- eller lavFODMAP-diæt (n≈20 pr. behandling).

I denne undersøgelse vil der blive udført et cross-over design, som vil øge effekten sammenlignet med parallelle designs. Desuden vil deltagerne blive stratificeret med hensyn til undertype af IBS (dvs. diarré, forstoppelse og blandet). Efterforskerne vil dog ikke på forhånd vide, hvor mange IBS-metabotyper der vil være til stede i materialet eller den kvantitative fordeling mellem metabotyperne. Derfor vil 120 deltagere blive rekrutteret til at kunne observere væsentlige forskelle mellem diætbehandlinger, baseret på antagelser om, at det vil være muligt at identificere omkring 4±1 metabotyper, og en omtrentlig ligelig fordeling mellem metabotyper (≥20 personer pr. metabotype). Derudover vil et udvalg på 120 deltagere under disse forhold give mulighed for 20% frafald fra undersøgelsen, hvilket er et højt estimat baseret på vores tidligere erfaringer fra ernæringsinterventioner. Et vigtigt sekundært resultat af dette studiemateriale er, at det vil give mulighed for at blive brugt til effektberegninger i fremtidige OMICs-studier, hvor effektstørrelserne på både kliniske parametre og OMICs-mål er usikre.

Opdagelse af IBS-metabotyper Identifikation af metabotyper vil blive udført ved hjælp af overvejende multivariate dataanalytiske teknikker. Under indledende analyser vil molekylære fænotypedata (metabolomik og mikrobiota) blive analyseret ved hjælp af uovervåget principal komponentanalyse (PCA) og klyngeteknikker for at undersøge, om data selvaggregerer til meningsfulde klynger. For at justere for mellem-individuel variabilitet og fokusere på virkningerne af interventioner, vil varianspartitionering (nogle gange omtalt som ANOVA-nedbrydning) blive udført af individer. Klynger vil blive korreleret med registrerede IBS/kliniske data (IBS-SSS, tarmtømningsdagbog) for at undersøge, om nye klynger indeholder funktionel information i forhold til IBS-symptomer. Desuden er det sandsynligt, at forskellige klynger ikke afspejles på samme måde i plasma og fækal metabolomik og fækal mikrobiota. For at undersøge, i hvilket omfang de forskellige klynger er forbundet med de forskellige omics-blokke, vil en række teknikker til underopdeling af variabilitet i fælles og distinkte komponenter blive anvendt på den uovervågede analyse.

I en anden linje af uovervåget analyse vil PCA og klyngeanalyser blive udført på molekylær fænotype aggregeret med IBS/kliniske data, som vil have potentiale til at påvirke klyngedannelse direkte i stedet for efterfølgende at undersøge sammenhænge. Igen vil underopdeling af variabilitet i fælles og distinkte komponenter blive anvendt for at undersøge, hvordan klynger afspejles i de forskellige datablokke.

Endelig vil overvågede analyser blive brugt til direkte at forbinde molekylære fænotypedata (uafhængige variabler) med IBS/kliniske data (afhængige variabler) ved hjælp af internt udviklede partielle mindste kvadraters (PLS) og random forest (RF) teknikker. Disse interne teknikker er specifikt tilpasset til at identificere det mest relevante sæt af uafhængige variabler for at beskrive samvariabiliteten med de afhængige data (indsendt manuskript). IBS/kliniske data kan bruges både som kontinuerlige multiple variable eller direkte ved at konvertere observationer til klynger. For at undersøge, hvordan klynger og IBS/kliniske data afspejles i de forskellige omics-blokke, vil nyudviklede procedurer til at finde fælles og distinkte komponenter i superviseret analyse blive anvendt (indsendt manuskript).

Progressionen i disse tre tilgange repræsenterer en stigende grad af supervision i multivariat analyse. Efter alle analyser vil nye klynger fra PCA og klyngeanalyser og multivariate forudsigelser fra PLS- og RF-analyserne yderligere analyseres ved hjælp af bioinformatiske værktøjer tilpasset til at give meningsfuld biologisk fortolkning med det formål at bekræfte overensstemmelse mellem klynger og metabotyper.

Hurtig diagnostisk test af metabotyper Efter at metabotyper er blevet identificeret, vil multivariat prædiktiv analyse af den blandede gluten/FODMAP eksponering blive udført for at identificere prædiktive biomarkører af metabotyper. Disse modeller vil på samme måde som ovenfor være baseret på interne PLS- og RF-procedurer ved brug af metabolomiske data som uafhængige variabler og metabotypeklassificering pr. individ som afhængig variabel.

Plasma metaboliske profiler vil blive analyseret regelmæssigt op til 4 timer efter eksponering, og to forskellige tilgange vil blive iværksat for at adressere tidstrends i metabolisk profilering: I en første tilgang vil tidsprofiler blive konverteret til arealer-under-kurven pr. målt metabolittræk gennem numerisk integration. Disse værdier vil derefter blive brugt direkte som uafhængige variabler for at give en indikation af overordnet refleksion af metabotype på metabolitniveauer efter eksponering. Denne direkte tilgang vil dog ikke være i stand til at tage højde for potentielle forskelle i tidstrends mellem metabotyper. Derfor vil varianspartitionering med bindestreger med overvåget læring blive brugt til at undersøge metabotype x-tidsinteraktioner. Denne tilgang vil kræve metodeudvikling i multivariat analyse, som i øjeblikket er i gang i R Landbergs forskningsgruppe og forventes klar og betatestet i løbet af 2018, det vil sige før data er tilgængelige til analyse. Denne metodologi forventes at give mulighed for samtidig analyse af overordnede forskelle i metabolitniveauer mellem behandlinger såvel som forskelle i tidsprofiler, og derved også give information om de mest passende tidspunkter for at udtage prøver til effektiv forudsigelse af metabotype x.