Mikrobiom-baseret diagnostisk værktøj til screening af kolorektal cancer (GUILTI) (GUILTI)

Kolorektal cancer (CRC) er den 3. mest almindelige kræftsygdom og den 2. mest almindelige årsag til kræftdødsfald på verdensplan med næsten 2 millioner nye tilfælde og en million dødsfald i 2020. I de sidste årtier er et befolkningsbaseret screeningsprogram for gennemsnitsrisikopopulationer etableret som en effektiv strategi til at reducere både forekomst og dødelighed af CRC gennem tidlig påvisning af cancer. Den fækale immunokemiske test (FIT), det diagnostiske referenceværktøj i de fleste lande, har stadig et suboptimalt diagnostisk udbytte, med både ubesvarede adenomer og primært unødvendige koloskopier. Af disse grunde er identifikationen af ​​nye, ikke-invasive biomarkører i de sidste år absolut fortaler for CRC-området. En stor mængde beviser viser, at ændringer i tarmmikrobiomet og berigelsen af ​​specifikke taxa (f.eks. Fusobacterium nucleatum, Parvimonas micra og andre) er involveret i patogenesen af ​​CRC. Desuden har nyere undersøgelser, herunder metagenomiske metaanalyser fra vores gruppe, opdaget almindelige mikrobielle signaturer, der er i stand til reproducerbart at skelne mellem patienter med CRC og raske kontroller. Baseret på denne evidens har internationale retningslinjer for nylig anbefalet udnyttelsen af ​​mikrobiom-baserede biomarkører til screening af CRC i klinisk praksis, men sådanne undersøgelser er endnu ikke tilgængelige til dato.

Det primære mål er at udvikle et tarmmikrobiom-baseret diagnostisk værktøj til identifikation af CRC og avancerede kolorektale adenomer.

De sekundære mål er:

• At forbinde FIT med kliniske og koloskopiske resultater
• At karakterisere tarmmikrobiom hos tilmeldte patienter
• At forbinde mikrobiomsignaturer med kliniske og koloskopiske resultater. Dette er et observationelt prospektivt multicenterstudie, hvor patienter vil blive udvalgt blandt dem, der er tilmeldt det nationale screeningprogram for kolorektal cancer (CRC), og blandt dem, der refererer til alle centre involveret i denne undersøgelse for screening af koloskopi. Patienter med alle inklusionskriterier og ingen af ​​eksklusionskriterierne (detaljeret i det specifikke afsnit på denne hjemmeside) vil blive taget i betragtning til denne undersøgelse. N=1202 patienter vil blive tilmeldt, baseret på prøvestørrelsesberegning og inklusive en valideringsgruppe. N=911 patienter vil være nødvendige, og vi tilføjer 91 patienter for at dække 10 % potentielt frafald og 200 patienter som valideringsgruppe (20 % af studiekohorten). Patienter, der er tilmeldt denne valideringskohorte, vil have de samme eksklusions- og inklusionskriterier som andre patienter og vil gennemgå de samme undersøgelsesprocedurer. Ved baseline vil alle indskrevne patienter give en fækal prøve (opsamlet ved hjælp af en buffer til genombevarelse) inden for 2 uger fra indskrivning og vil blive opbevaret ved -80°C på hvert klinisk center og tildelt de-identificerede ID'er. Desuden vil demografiske, kliniske karakteristika og laboratoriedata blive registreret.

For alle tilmeldte patienter vil klinikere registrere følgende data:

• Kendte historie om CRC;
• Comorbiditeter;
• Indtagelse af lægemidler;
• Gastrointestinale (GI) og alarmsymptomer (jernmangelanæmi, hæmatochezi, uforklarligt vægttab, mavesmerter, pludselig ændring i afføringsvaner);
• Kostvaner;
• Rygning og alkoholforbrug;
• BMI (body mass index);
• Kvantitative FIT-data;
• Oplysninger om tidligere FIT og/eller koloskopier og/eller virtuelle koloskopier.

Alle tilmeldte patienter vil gennemgå en koloskopi inden for 4 uger fra den positive FIT, efter koloskopi endoskopiske karakteristika (størrelse, sted, form baseret på Paris-klasse). og histopatologiske karakteristika for påviste læsioner vil blive indsamlet. Avancerede kolorektale adenomer vil blive defineret som adenomer større end eller lig med 10 mm og/eller med villøse komponenter højere end eller lig med 25 % og/eller højgradig dysplasi. Desuden vil patienter diagnosticeret med CRC også gennemgå en total -krops-CT-scanning for at iscenesætte sygdommen og vil blive henvist til en onkologisk vej i klinisk praksis, og følgende data vil blive indsamlet: tilstedeværelse af lymfeknude metastaser og af organmetastaser, TNM (Tumor-Node-Metastasis) klasse.. Indskrivningsfasen vil vare 48 måneder. Ved afslutningen af ​​indskrivningsfasen vil efterforskerne udføre mikrobiomanalysen, og efterforskerne vil kombinere klinisk, endoskopisk og mikrobielle data gennem statistiske og maskinlæringsalgoritmer til at identificere specifikke mikrobielle biomarkører forbundet med CRC og avanceret kolorektal adenomer, at udvikle et nyt diagnostisk værktøj, baseret på et scoringssystem.

Undersøgelsesresultater er beskrevet i det specifikke afsnit på denne hjemmeside. Mikrobiomanalyse vil blive udført med haglgeværsekventeringsteknikker. For at opnå et panel af mikrobielle arter, der for det meste er forbundet med CRC og avancerede kolorektale adenomer, vil efterforskerne udnytte maskinlæringsapplikationer, for eksempel ved at bruge de bredt anvendte Random Forest-algoritmer, såvel som metaanalytiske tilgange, der integrerer vores store kohorte med tidligere offentliggjorte metagenomiske kohorter. Et defineret panel af mikrobielle arter, der hovedsageligt er forbundet med CRC og avancerede kolorektale adenomer, vil give en omfattende risikoscore baseret på mikrobiom-funktioner med to specifikke mål, at forbedre nøjagtigheden af ​​testningen af ​​FIT-diagnoseværktøjet og være let fortolkelig af klinikere. indsamlede kliniske data vil blive statistisk kombineret for at rangere mikrobielle egenskaber fra de mest til mindst associerede.

Disse rangeringer vil blive udnyttet til at evaluere en mikrobiomprofil fra et nyt individ og til at rapportere, hvor mange af de definerede arter i det forrige panel, der findes, og dermed forbundet med CRC og avancerede kolorektale adenomer. Associationer mellem identificerede arter og producenter af interesse vil blive estimeret gennem robuste statistiske analysemetoder, såsom delvis korrelation eller lineær modellering. Derefter vil foreningerne blive rangeret og sammenlignet på tværs af markører for den samme art, hvilket giver en prioritetsscore for hver art. Særlig omhu vil blive dedikeret til at identificere potentielle forvirrende markører, der vides at være forbundet med forskelle i mikrobiomsammensætning, for eksempel alder, som i stedet bør bruges som kovariater i den statistiske modellering. Ud over statistisk modellering vil associationer mellem arter og markører også blive evalueret via ML-tilgange, især dem, der giver karakteristika for de inputfunktioner (arter, i vores tilfælde), som kan bruges til at rangere arterne på tværs af de forskellige markører ( f.eks. Random Forest, LASSO osv.). Kontinuerlige variable vil blive rapporteret som middel ± standardafvigelse eller som median og interkvartilt område (IQR), og kategoriske variabler blev opsummeret som frekvens og procentdel. Sammenligninger af variable vil blive foretaget ved t-test (eller Mann-Whitney/Kruskal-Wallis), Chi-square test eller Fishers eksakte test, alt efter hvad der er relevant. En p-værdi <0,05 vil blive anset for at angive statistisk signifikans. Logistiske regressionsmodeller vil blive udført for at identificere tilstedeværelsen af ​​variabler uafhængigt forbundet med resultater. Variabler, der blev overvejet i modellerne, blev udvalgt gennem trinvis modeludvælgelse og styret af klinisk relevans. Alle statistiske analyser blev udført under anvendelse af SPSS v. 28.0 til Macintosh (SPSS Inc., Chicago, USA).

Efterforskerne vil anvende en Machine Learning (ML)-ramme baseret på scikit-learn Python-pakken ved at bruge en krydsvalideringstilgang med 100 bootstrap-iterationer og en 80/20 tilfældig opdeling i trænings- og testfolder. Klassificering og regression ML algoritmer vil blive trænet på både mikrobiom arts-niveau taksonomiske relative overflod og funktionelle potentiale profiler. Taksonomiske forekomster på artsniveau vil blive estimeret af MetaPhlAn 4 (ved hjælp af de seneste tilgængelige databaser, i øjeblikket kaldet Oct22) og normaliseret ved hjælp af arcsin-sqrt-transformationen til sammensætningsdata. Funktionelle potentielle profiler vil blive estimeret ved hjælp af den seneste HUManN 4-version, og efterforskerne vil overveje både overflodsestimater af enkelte mikrobielle genfamilier og af metaboliske veje. Delvise korrelationer mellem arter og markører vil blive beregnet ved hjælp af Spearman-indekset for at undgå skævheder på grund af afvigende værdier og korrigeret for kovariater, såsom køn, alder og kropsmasseindeks, der vides at have en indvirkning på mikrobiomsammensætningen. Partielle korrelationsværdier vil blive korrigeret ved hjælp af Benjamini-Hochberg-proceduren for den falske opdagelsesrate.