Identifizierung von IBS-Metabotypen basierend auf physiologischen Reaktionen auf Lebensmittel

Die aktuelle Studie ist explorativ mit dem primären Ziel, verschiedene Subjekt-Metabotypen zu finden und in Beziehung zu setzen, die die Toleranz/Intoleranz gegenüber bestimmten Nahrungsmittelkomponenten bei IBS-Patienten widerspiegeln, indem OMICs-Datenmuster (Metabolomik- und Darmmikrobiota-Daten) abgeleitet und mit der gemeldeten Schwere der angezeigten IBS-Symptome in Beziehung gesetzt werden durch die primäre Endpunktvariable, d. h. IBS-SSS. Da den Forschern keine Schätzung der Variation in den multivariaten OMICs-Daten (sowohl Metabolomik als auch 16S-rRNA-Analyse von bakterieller RNA) vorliegt, ist es nicht möglich, eine angemessene Power-Berechnung durchzuführen. Es besteht kein Konsens darüber, wie die Leistungsanalyse für diese OMICs-Designs am besten durchgeführt werden kann (und daher auch ein Mangel an Werkzeugen), obwohl einige Initiativen veröffentlicht wurden. Die Power-Analyse ist besonders schwierig in der ungezielten Metabolomik, wo die Anzahl der Variablen nicht a priori bestimmt ist, wo eine starke Multikolinearität besteht und wo nicht davon ausgegangen werden kann, dass Variablen mit gleicher Power zur Effektgröße beitragen. Darüber hinaus gibt es aufgrund der überraschend wenigen Metabolomik-Studien zu IBS und des völligen Mangels an öffentlich zugänglichem Material einen Mangel an relevantem ungezieltem Metabolomik- und Mikrobiota-Studienmaterial zu IBS x Ernährungsinteraktionen, aus denen relevante Parameter wie multivariate Effektgrößen und Varianzschätzungen geschätzt werden können Rohdaten. Signifikante Unterschiede im Metabolom wurden jedoch zuvor bei Kindern mit oder ohne durchfalldominiertem Reizdarmsyndrom beobachtet (n=22 pro Gruppe). Systematische Unterschiede wurden auch bei einzelnen Metaboliten bei Personen mit Reizdarmsyndrom gezeigt, die entweder eine Diät mit hohem oder niedrigem FODMAP-Gehalt zu sich nahmen (n≈20 pro Behandlung).

In dieser Studie wird ein Cross-Over-Design durchgeführt, das die Leistung im Vergleich zu parallelen Designs erhöht. Darüber hinaus werden die Teilnehmer in Bezug auf den IBS-Subtyp stratifiziert (d. h. Durchfall, Verstopfung und gemischt). Die Forscher wissen jedoch nicht im Voraus, wie viele IBS-Metabotypen im Material vorhanden sein werden oder wie die quantitative Verteilung zwischen den Metabotypen ist. Daher werden 120 Teilnehmer rekrutiert, um signifikante Unterschiede zwischen diätetischen Behandlungen beobachten zu können, basierend auf der Annahme, dass es möglich sein wird, etwa 4 ± 1 Metabotypen und eine ungefähr gleiche Verteilung zwischen Metabotypen (≥ 20 Personen pro Metabotyp) zu identifizieren. Darüber hinaus ermöglicht eine Auswahl von 120 Teilnehmern unter diesen Bedingungen einen Studienabbruch von 20 %, was aufgrund unserer bisherigen Erfahrungen mit Ernährungsinterventionen eine hohe Schätzung ist. Ein wichtiges sekundäres Ergebnis dieses Studienmaterials besteht darin, dass es die Möglichkeit bietet, für Power-Berechnungen in zukünftigen OMICs-Studien verwendet zu werden, bei denen die Effektgrößen sowohl auf klinische Parameter als auch auf OMICs-Messungen ungewiss sind.

Entdeckung von IBS-Metabotypen Die Identifizierung von Metabotypen wird unter Verwendung vorwiegend multivariater Datenanalysetechniken durchgeführt. Während der ersten Analysen werden molekulare Phänotypdaten (Metabolomik und Mikrobiota) mit unüberwachter Hauptkomponentenanalyse (PCA) und Clustering-Techniken analysiert, um zu untersuchen, ob sich Daten selbst zu aussagekräftigen Clustern aggregieren. Um die zwischenindividuelle Variabilität auszugleichen und sich auf die Auswirkungen von Interventionen zu konzentrieren, wird eine Varianzpartitionierung (manchmal als ANOVA-Zerlegung bezeichnet) nach Individuum durchgeführt. Cluster werden mit aufgezeichneten IBS/klinischen Daten (IBS-SSS, Darmentleerungstagebuch) korreliert, um zu untersuchen, ob entstehende Cluster funktionelle Informationen in Bezug auf IBS-Symptome enthalten. Darüber hinaus ist es wahrscheinlich, dass sich verschiedene Cluster nicht in ähnlicher Weise in der Metabolomik von Plasma und Fäkalien und der Fäkalmikrobiota widerspiegeln. Um zu untersuchen, inwieweit die verschiedenen Cluster mit den verschiedenen Omics-Blöcken assoziiert sind, werden eine Reihe von Techniken zur Unterteilung der Variabilität in gemeinsame und unterschiedliche Komponenten auf die unüberwachte Analyse angewendet.

In einer zweiten Linie der unbeaufsichtigten Analyse werden PCA- und Clustering-Analysen an molekularen Phänotypen durchgeführt, die mit IBS-/klinischen Daten aggregiert sind, was das Potenzial hat, das Clustering direkt zu beeinflussen, anstatt nachträglich Korrelationen zu untersuchen. Auch hier wird die Unterteilung der Variabilität in gemeinsame und unterschiedliche Komponenten angewendet, um zu untersuchen, wie sich Cluster in den verschiedenen Datenblöcken widerspiegeln.

Schließlich werden überwachte Analysen verwendet, um molekulare Phänotypdaten (unabhängige Variablen) mit IBS/klinischen Daten (abhängige Variablen) unter Verwendung von intern entwickelten partiellen kleinsten Quadraten (PLS) und Random Forest (RF)-Techniken direkt zu verknüpfen. Diese internen Techniken sind speziell angepasst, um den relevantesten Satz unabhängiger Variablen zu identifizieren, um die Kovariabilität mit den abhängigen Daten zu beschreiben (eingereichtes Manuskript). IBS/klinische Daten können sowohl als kontinuierliche multiple Variablen oder direkt durch Umwandlung von Beobachtungen in Cluster verwendet werden. Um zu untersuchen, wie sich Cluster und IBS/klinische Daten in den verschiedenen Omics-Blöcken widerspiegeln, werden neu entwickelte Verfahren angewendet, um gemeinsame und unterschiedliche Komponenten in der überwachten Analyse zu finden (eingereichtes Manuskript).

Die Progression in diesen drei Ansätzen repräsentiert einen zunehmenden Grad an Supervision in der multivariaten Analyse. Nach allen Analysen werden neu entstehende Cluster aus der PCA und Clustering-Analysen sowie multivariate Vorhersagen aus den PLS- und RF-Analysen weiter analysiert, wobei Bioinformatik-Tools verwendet werden, die angepasst sind, um eine sinnvolle biologische Interpretation mit dem Ziel zu ermöglichen, die Übereinstimmung zwischen Clustern und Metabotypen zu bestätigen.

Diagnostischer Schnelltest von Metabotypen Nachdem Metabotypen identifiziert wurden, wird eine multivariate prädiktive Analyse der gemischten Gluten-/FODMAP-Exposition durchgeführt, um prädiktive Biomarker von Metabotypen zu identifizieren. Diese Modelle basieren ähnlich wie oben auf internen PLS- und RF-Verfahren unter Verwendung von Metabolomikdaten als unabhängige Variablen und Metabotyp-Klassifizierung pro Individuum als abhängige Variable.

Plasma-Stoffwechselprofile werden regelmäßig bis zu 4 Stunden nach der Exposition analysiert, und es werden zwei verschiedene Ansätze unternommen, um die Zeittrends bei der Erstellung von Stoffwechselprofilen zu berücksichtigen: In einem ersten Ansatz werden Zeitprofile in Bereiche unter der Kurve pro Messung umgewandelt Metabolitenmerkmal durch numerische Integration. Diese Werte werden dann direkt als unabhängige Variablen verwendet, um einen Hinweis auf die Gesamtreflexion des Metabotyps auf die Metabolitenspiegel nach der Exposition zu geben. Dieser direkte Ansatz wird jedoch nicht in der Lage sein, potenzielle Unterschiede in Zeittrends zwischen Metabotypen zu berücksichtigen. Daher wird die Varianzpartitionierung mit Bindestrich mit überwachtem Lernen verwendet, um Metabotyp-Zeit-Interaktionen zu untersuchen. Dieser Ansatz erfordert eine Methodenentwicklung in der multivariaten Analyse, die derzeit in der Forschungsgruppe von R. Landbergs durchgeführt wird und voraussichtlich im Laufe des Jahres 2018 fertig und beta-getestet sein wird, d. h. bevor Daten für die Analyse verfügbar sind. Diese Methodik soll die gleichzeitige Analyse von Gesamtunterschieden in den Metabolitenspiegeln zwischen Behandlungen sowie von Unterschieden in Zeitprofilen ermöglichen und dadurch auch Informationen zu den günstigsten Zeitpunkten für die Entnahme von Proben für eine effektive Vorhersage von Metabotyp x liefern.