IBS-metabotyyppien tunnistaminen fysiologisten ruokareaktioiden perusteella

Tämä tutkimus on tutkiva, ja sen ensisijaisena tavoitteena on löytää ja liittää erillisiä tutkittavien metabotyyppejä, jotka heijastavat tiettyjen ruoan komponenttien toleranssia/intoleranssia IBS-potilaiden keskuudessa päättelemällä ja vertaamalla OMIC-datakuvioita (aineenvaihdunta- ja suoliston mikrobiotatiedot) ilmoitettujen IBS-oireiden vakavuusasteeseen. ensisijaisella päätepistemuuttujalla, ts. IBS-SSS. Koska tutkijoilla ei ole arviota monimuuttujien OMIC-tietojen vaihtelusta (sekä bakteeri-RNA:n metabolomiikka että 16S-rRNA-analyysi), ei ole mahdollista suorittaa riittävää teholaskentaa. Ei ole yksimielisyyttä siitä, kuinka näiden OMIC-mallien tehoanalyysi voidaan suorittaa parhaiten (ja siksi myös työkalujen puute), vaikka joitain aloitteita on julkaistu. Tehoanalyysi on erityisen vaikeaa kohdentamattomassa metabolomiikassa, jossa muuttujien lukumäärää ei määritellä etukäteen, missä on vahva multikolineaarisuus ja missä muuttujien ei voida olettaa vaikuttavan yhtä suurella teholla vaikutuksen kokoon. Lisäksi IBS:n ​​x ruokavalion vuorovaikutuksia koskevasta kohdentamattomasta metabolomiikka- ja mikrobiotan tutkimusmateriaalista on pulaa, jonka perusteella voidaan arvioida olennaisia ​​parametreja, kuten monimuuttujavaikutusten kokoja ja varianssiarvioita, koska IBS:n ​​metabolomiikkatutkimuksia on yllättävän vähän ja julkisesti saatavilla olevien tietojen puuttuminen. raakadata. Merkittäviä eroja metabolomissa havaittiin kuitenkin aiemmin lapsilla, joilla oli tai ei ollut ripulia hallitsevaa IBS:ää (n = 22 ryhmää kohti). Systemaattisia eroja havaittiin myös yksittäisissä metaboliiteissa henkilöillä, joilla oli IBS ja jotka nauttivat joko korkea- tai matala-FODMAP-ruokavaliota (n≈20 per hoito).

Tässä tutkimuksessa tehdään cross-over-suunnittelu, joka lisää tehoa rinnakkaisiin malleihin verrattuna. Lisäksi osallistujat ositetaan IBS:n ​​alatyypin (ts. ripuli, ummetus ja sekalaiset). Tutkijat eivät kuitenkaan tiedä etukäteen, kuinka monta IBS-metabotyyppiä aineistossa on, tai kvantitatiivista jakautumista metabotyyppien välillä. Siksi rekrytoidaan 120 osallistujaa, jotka pystyvät havainnoimaan merkittäviä eroja ruokavaliohoitojen välillä, sillä olettamuksella, että on mahdollista tunnistaa noin 4±1 metabotyyppiä, ja suunnilleen tasaisen jakautumisen metabotyyppien välillä (≥ 20 henkilöä metabotyyppiä kohti). Lisäksi 120 osallistujan valinta mahdollistaa näissä olosuhteissa 20 %:n keskeyttämisen tutkimuksesta, mikä on korkea arvio, joka perustuu aiempaan kokemukseemme ravitsemustoimenpiteistä. Tärkeä toissijainen tulos tästä tutkimusmateriaalista on, että se antaa mahdollisuuden käyttää teholaskelmia tulevissa OMIC-tutkimuksissa, joissa vaikutuskoot sekä kliinisiin parametreihin että OMIC-mittauksiin ovat epävarmoja.

IBS-metabotyyppien löytäminen Metabotyyppien tunnistaminen suoritetaan käyttämällä pääasiassa monimuuttujia data-analyysitekniikoita. Alkuanalyysien aikana analysoidaan molekyylifenotyyppitietoja (aineenvaihdunta ja mikrobiota) käyttämällä valvomatonta pääkomponenttianalyysiä (PCA) ja klusterointitekniikoita sen selvittämiseksi, aggregoituuko data itse merkityksellisiksi klustereiksi. Yksilöiden välisen vaihtelun mukauttamiseksi ja interventioiden vaikutuksiin keskittymiseksi suoritetaan yksilökohtainen varianssiositus (jota kutsutaan joskus ANOVA-hajotelmaksi). Klusterit korreloidaan tallennettujen IBS/kliinisten tietojen (IBS-SSS, suolen tyhjennyspäiväkirja) kanssa sen selvittämiseksi, sisältävätkö nousevat klusterit IBS-oireisiin liittyvää toiminnallista tietoa. Lisäksi on todennäköistä, että erilaiset klusterit eivät heijastu samalla tavalla plasman ja ulosteen metabolomiikassa ja ulosteen mikrobiotaan. Sen tutkimiseksi, missä määrin eri klusterit liittyvät eri omiikkalohkoihin, ohjaamattomaan analyysiin sovelletaan useita tekniikoita vaihtelun jakamiseksi yhteisiin ja erillisiin komponentteihin.

Valvomattoman analyysin toisessa rivissä PCA- ja klusterointianalyysit suoritetaan IBS/kliinisillä tiedoilla aggregoidulle molekyylifenotyypille, mikä voi vaikuttaa klusteroitumiseen suoraan sen sijaan, että tutkittaisiin korrelaatioita jälkikäteen. Jälleen vaihtelevuuden alajakoa yhteisiin ja erillisiin komponentteihin sovelletaan tutkimaan, kuinka klusterit heijastuvat eri tietolohkoissa.

Lopuksi, valvottuja analyyseja käytetään molekyylifenotyyppitietojen (riippumattomien muuttujien) yhdistämiseen suoraan IBS:n/kliinisen datan (riippuvaisten muuttujien) kanssa käyttämällä talon sisällä kehitettyä osittaisen pienimmän neliösumman (PLS) ja satunnaisen metsän (RF) tekniikoita. Nämä talon sisäiset tekniikat on erityisesti mukautettu tunnistamaan olennaisimmat riippumattomat muuttujat kuvaamaan kovariatiivisuutta riippuvaisten tietojen kanssa (toimitettu käsikirjoitus). IBS/kliinisiä tietoja voidaan käyttää sekä jatkuvina monimuuttujina että suoraan muuntamalla havainnot klustereiksi. Sen tutkimiseksi, kuinka klusterit ja IBS/kliiniset tiedot näkyvät eri omics-lohkoissa, käytetään äskettäin kehitettyjä menetelmiä yhteisten ja erillisten komponenttien löytämiseksi valvotussa analyysissä (lähetetty käsikirjoitus).

Näiden kolmen lähestymistavan edistyminen edustaa lisääntyvää valvontaa monimuuttuja-analyysissä. Kaikkien analyysien jälkeen PCA:n ja klusterointianalyysien sekä PLS- ja RF-analyysien monimuuttujaennusteet analysoidaan edelleen käyttämällä bioinformatiikan työkaluja, jotka on mukautettu tarjoamaan mielekästä biologista tulkintaa tavoitteena varmistaa klusterien ja metabotyyppien välinen vastaavuus.

Metabotyyppien nopea diagnostinen testi Kun metabotyypit on tunnistettu, suoritetaan monimuuttuja ennustava analyysi sekagluteeni/FODMAP-altistumisesta metabotyyppien ennustavien biomarkkerien tunnistamiseksi. Nämä mallit perustuvat samalla tavalla kuin yllä talon sisäisiin PLS- ja RF-menetelmiin, joissa käytetään metabolomiikkatietoja riippumattomina muuttujina ja metabotyyppien luokittelu yksilökohtaisesti riippuvaisena muuttujana.

Plasman aineenvaihduntaprofiilit analysoidaan säännöllisesti 4 tunnin ajan altistuksen jälkeen, ja aineenvaihduntaprofiloinnin aikatrendien käsittelemiseksi käytetään kahta erilaista lähestymistapaa: Ensimmäisessä lähestymistavassa aikaprofiilit muunnetaan käyrän alla oleviksi alueiksi mitattua kohdetta kohti. metaboliittiominaisuus numeerisen integraation kautta. Näitä arvoja käytetään sitten suoraan riippumattomina muuttujina osoittamaan metabotyypin yleistä heijastusta metaboliittitasoihin altistuksen jälkeen. Tämä suora lähestymistapa ei kuitenkaan pysty ottamaan huomioon mahdollisia eroja metabotyyppien aikatrendeissä. Siksi varianssin osiointia, joka on tavutettu valvotulla oppimisella, käytetään metabotyyppi x aikavuorovaikutusten tutkimiseen. Tämä lähestymistapa edellyttää menetelmäkehitystä monimuuttuja-analyysissä, joka on parhaillaan käynnissä R Landbergsin tutkimusryhmässä ja jonka odotetaan olevan valmis ja betatestattu vuoden 2018 aikana, eli ennen kuin dataa on saatavilla analysoitavaksi. Tämän menetelmän ennustetaan mahdollistavan samanaikaisen analyysin aineenvaihduntatuottojen yleisistä eroista hoitojen välillä sekä aikaprofiilien eroista, jolloin saadaan tietoa myös sopivimmista ajankohdista näytteiden ottamiseksi metabotyypin x tehokkaan ennustamisen kannalta.