EPIGUT: EPILEPSIE UND GASTROINTESTINALE MIKROBIOTA: VERSTÄNDNIS DER THERAPIEREAKTION (EpiGUT)

Hintergrund:

Klinische Studien am Menschen zur Rolle des Mikrobioms bei der Förderung von Anfällen und Epilepsie sind spärlich und beschränken sich auf kleine, heterogene Kohorten von Epilepsiepatienten, die bereits mit ASMs behandelt wurden. Größere, behandlungsnaive Kohorten mit longitudinaler Nachbeobachtung sind erforderlich, um die Rolle des Mikrobioms bei Anfällen und der Antianfallstherapie zu untersuchen. EpiGUT baut eine solche Kohorte auf, um sowohl das orale als auch das Darmmikrobiom durch Analyse von Speichel- und Stuhlproben (primäre Endpunkte) zu untersuchen. Blut- und Liquorproben für metabolische und Entzündungsprofile werden gesammelt, um zu analysieren, wie das Mikrobiom systemische und zentrale Entzündungen und den Stoffwechsel beeinflussen kann (sekundäre Endpunkte).

In vitro können nicht-antibiotische Medikamente das Wachstum von Darmmikroben hemmen, und Mikroben können Medikamente metabolisieren, um aktive oder toxische Metaboliten zu produzieren. In vivo ist fast nichts über die Wechselwirkungen von Mikroben und ASMs bekannt. Dennoch können diese Wechselwirkungen das Behandlungsergebnis erheblich beeinflussen, wie für die Anti-PD1-Therapie von Krebspatienten sowie für viele andere Behandlungen verschiedener Krankheiten gezeigt wurde. Es ist daher plausibel, dass individuelle Unterschiede im Darmmikrobiom teilweise der Grund dafür sein könnten, warum einige Personen auf bestimmte ASMs ansprechen und andere nicht. Durch die Bestätigung dieser Hypothese und weitere in vitro-Validierung spezifischer Medikament-Mikroben-Interaktionen können wir wertvolle klinische Leitlinien für die Personalisierung von Antianfallstherapien basierend auf der Zusammensetzung des Darmmikrobioms erstellen und so die Wahrscheinlichkeit eines positiven Behandlungsergebnisses für den einzelnen Patienten erhöhen.

Studiendesign:

EpiGUT untersucht Personen mit neu diagnostizierter Epilepsie und ihr Mikrobiom in Reaktion auf verschiedene ASMs sowohl auf individueller Ebene als auch im Vergleich zu gesunden Kontrollen. Wir werden die Zusammensetzung und Funktion des Darm- und oralen Mikrobioms zum Ausgangszeitpunkt, d.h. zum Zeitpunkt der Diagnose, analysieren und Assoziationen mit spezifischen Epilepsie-Subtypen untersuchen. Der Aufbau einer einzigartigen Sammlung von Blut- und Liquorproben ermöglicht mechanistische Studien darüber, wie spezifische Mikroben Anfälle durch Metaboliten oder entzündliche Signale modulieren können. Wir werden auch Korrelationen zwischen Komponenten des Mikrobioms und der Wirksamkeit der ASM-Therapie sowie therapieassoziierte Veränderungen des Darmmikrobioms untersuchen.

Im ersten Teil haben wir zwei Probenahmezeitpunkte: zum Ausgangszeitpunkt, d.h. zum Zeitpunkt der Diagnose, und bei der Nachuntersuchung zum Zeitpunkt der Bewertung des monotherapeutischen Ergebnisses nach drei Monaten (oder vor Beginn einer zusätzlichen ASM, falls früher). Etwa 30 % der Patienten werden eine medikamentenresistente Epilepsie aufweisen. Diese werden gebeten, zusätzliche Proben und Fragebogenantworten vor und nach alternativen Behandlungen bereitzustellen, die die ketogene Diät, Vagusnervstimulation oder Chirurgie umfassen können.

Methoden:

Unsere primäre Ergebnisvariable ist die Zusammensetzung des oralen und intestinalen Mikrobioms, sowohl auf taxonomischer als auch auf funktioneller Ebene. Dies wird durch Hochdurchsatz-Ganzmetagenomsequenzierung von Speichel- und Stuhlproben mit mindestens 10 Millionen Reads pro Probe gemessen, was ein detailliertes mikrobielles Profil liefert. Die Rolle des Mikrobioms für beide Forschungsfragen wird mit fortgeschrittenen metagenomikspezifischen Bioinformatik-Tools sowie modernsten maschinellen Lernalgorithmen analysiert, um mikrobielle Prädiktoren für Anfälle und/oder den ASM-Therapieerfolg zu identifizieren. Die Blutspiegel von ASMs werden routinemäßig während der Nachbeobachtung gemessen und mit der verordneten Dosis und Komponenten des Darmmikrobioms korreliert, um potenzielle Kandidaten für ASM-metabolisierende Darmmikroben zu identifizieren. Klinische Daten wie Patientengeschichte, Epilepsieklassifikation, Ätiologie, Anfallsbelastung und aktuelle Medikation werden in einer anonymisierten Redcap-Datenbank erfasst. Darüber hinaus werden Patienten/Betreuer gebeten, einen Fragebogen mit Standardfragen zu beantworten, die für Mikrobiomstudien relevant sind, einschließlich anderer Diagnosen, Ernährungsgewohnheiten, Mundgesundheit, Geburtsmodus, körperliche Aktivität usw. PERMANOVA-Analyse wird signifikante Faktoren identifizieren, die zu unserem Hauptergebnis, der mikrobiellen Zusammensetzung, beitragen. Regressionsanalysen werden diese signifikanten Faktoren berücksichtigen, wenn der Beitrag von Mikroben zur Diagnose oder zum ASM-Therapieerfolg analysiert wird.

Zusätzlich lagern wir Blutproben, die zu beiden Zeitpunkten gesammelt wurden, und Liquor zum Ausgangszeitpunkt (nur wenn im Rahmen der klinischen Untersuchung entnommen) ein, um Entzündungs- und Metabolomprofile der Patienten mit dem Olink®-Entzündungspanel und ungezielter Metabolomik zu analysieren. Diese Profile werden sowohl unabhängig als auch in Bezug auf die mikrobiellen Profile analysiert, um wirt- und mikrobiumvermittelte krankheits- und therapierelevante Faktoren als sekundäre Endpunkte zu identifizieren.

Auswahl der Teilnehmer:

1.000 Patienten werden rekrutiert, 300 Kinder und 700 Erwachsene aus Universitäts- und Regionalkrankenhäusern in ganz Schweden. Eine gesunde Kontrollgruppe wird im Verhältnis 1:2 rekrutiert und nach Alter angepasst.

Datenanalyse und Statistik:

Die Datenanalyse wird mit fortgeschrittenen metagenomikspezifischen Bioinformatik-Tools durchgeführt. Die Diversität der resultierenden taxonomischen und funktionellen Baseline-Profile wird auf Störfaktoren und andere beeinflussende klinische und Lebensstilfaktoren analysiert und nach Effektgröße (R2) und statistischer Signifikanz (p) in Bezug auf unsere Variablen von Interesse (z.B. Epilepsietyp, Anfallsbelastung und Refraktärität, Ätiologie) mittels Permutationsmultivarianzanalyse (PERMANOVA) rangiert. Wir werden modernste maschinelle Lernalgorithmen anwenden, um mikrobielle Prädiktoren für Anfälle und/oder AMS-Therapieerfolg zu identifizieren. Die wichtigsten mikrobiellen Merkmale des besten Modells werden extrahiert und in silico als potenzielle Biomarker für die Diagnose und/oder den Therapieerfolg getestet.