食物に対する生理反応に基づく IBS メタボタイプの同定

現在の研究は、OMICデータパターン（メタボロミクスおよび腸内微生物叢データ）を推定し、報告されたIBS症状の重症度に関連付けることにより、IBS患者の特定の食物成分に対する耐性/不耐性を反映する明確な被験者メタボタイプを見つけて関連付けることを主な目的とした探索的です。一次エンドポイント変数によって、つまり IBS-SSS。 研究者は、多変量 OMIC データ (細菌 RNA のメタボロミクスと 16S rRNA 分析の両方) の変動を推定していないため、適切な検出力計算を実行することはできません。 いくつかのイニシアチブは公開されていますが、これらの OMIC 設計の電力分析を最適に実行する方法についてはコンセンサスが不足しています (したがって、ツールも不足しています)。 検出力分析は、変数の数が事前に決定されておらず、強力な多重共線性があり、変数が効果の大きさに等しい検出力で寄与すると仮定できない非ターゲットメタボロミクスでは特に困難です。 さらに、IBS に関するメタボロミクス研究は驚くほど少なく、公的に入手可能な資料がまったくないため、多変量効果サイズや分散推定などの関連パラメータを推定するための、IBS x 食事の相互作用に関する関連する非標的メタボロミクスおよび微生物叢研究資料が不足しています。生データ。 ただし、メタボロームの有意差は、以前に、下痢型IBSの有無にかかわらず子供で観察されました（グループあたりn = 22）。 高FODMAP食または低FODMAP食のいずれかを摂取しているIBS患者の個々の代謝産物にも系統的な違いが見られました（治療あたりn≒20）。

この研究では、クロスオーバー設計が実行されます。これにより、並列設計と比較して電力が増加します。 さらに、参加者は、IBSのサブタイプに関して層別化されます（つまり、 下痢、便秘、混合）。 ただし、研究者は、材料にいくつの IBS メタボタイプが存在するか、またはメタボタイプ間の量的分布を事前に知りません。 したがって、約 4±1 のメタボタイプ、およびメタボタイプ間のほぼ均等な分布 (メタボタイプあたり 20 人以上) を特定できるという仮定に基づいて、食事療法間の有意差を観察できるように 120 人の参加者が募集されます。 さらに、120人の参加者を選択すると、これらの条件下で研究から20％の脱落が可能になります。これは、栄養介入による以前の経験に基づいた高い推定値です. この研究資料からの重要な二次的結果は、臨床パラメーターと OMIC 測定の両方に対する効果サイズが不確実な将来の OMIC 研究で検出力の計算に使用する機会を与えることです。

IBS メタボタイプの発見 メタボタイプの同定は、主に多変量データ分析技術を使用して実行されます。 初期分析では、教師なし主成分分析 (PCA) とクラスタリング手法を使用して分子表現型データ (メタボロミクスと微生物叢) を分析し、データが意味のあるクラスターに自己集合するかどうかを調査します。 個人間の変動性を調整し、介入の効果に焦点を当てるために、個人による分散分割 (ANOVA 分解とも呼ばれる) が実行されます。 クラスターは、記録された IBS/臨床データ (IBS-SSS、排便日誌) と関連付けて、新たなクラスターに IBS 症状に関連する機能情報が含まれているかどうかを調べます。 さらに、異なるクラスターは、血漿および糞便のメタボロミクスと糞便の微生物叢に同様に反映されていない可能性があります。 さまざまなクラスターがさまざまなオミクス ブロックにどの程度関連付けられているかを調査するために、変動性を共通コンポーネントと個別コンポーネントに細分化する一連の手法を教師なし分析に適用します。

教師なし分析の 2 番目の行では、IBS/臨床データで集計された分子表現型に対して PCA およびクラスタリング分析が実行されます。これは、後で相関関係を調査する代わりに、クラスタリングに直接影響を与える可能性があります。 繰り返しになりますが、変動性を共通のコンポーネントと個別のコンポーネントに分割して、クラスターがさまざまなデータ ブロックにどのように反映されているかを調べます。

最後に、教師あり分析を使用して、社内で開発された部分最小二乗法 (PLS) およびランダム フォレスト (RF) 技術を使用して、分子表現型データ (独立変数) を IBS/臨床データ (従属変数) に直接関連付けます。 これらの社内手法は、従属データ (投稿原稿) との共変動性を説明するために、最も関連性の高い独立変数のセットを特定することに特に適しています。 IBS/臨床データは、連続した複数の変数として、または観察をクラスターに変換することによって直接使用できます。 クラスターと IBS/臨床データがさまざまなオミクス ブロックにどのように反映されるかを調べるために、教師あり分析で共通および異なるコンポーネントを見つけるために新しく開発された手順が適用されます (投稿原稿)。

これら 3 つのアプローチの進歩は、多変量解析における監視の度合いが高まっていることを表しています。 すべての分析の後、PCAおよびクラスタリング分析からの新たなクラスターと、PLSおよびRF分析からの多変量予測は、クラスターとメタボタイプ間の対応を確認する目的で、意味のある生物学的解釈を提供するように適合されたバイオインフォマティクスツールを使用してさらに分析されます。

メタボタイプの迅速な診断テスト メタボタイプが特定された後、メタボタイプの予測バイオマーカーを特定するために、混合グルテン/FODMAP曝露の多変量予測分析が実行されます。 これらのモデルは、上記と同様に、独立変数としてメタボロミクス データを使用し、従属変数として個人ごとのメタボタイプ分類を使用する社内の PLS および RF 手順に基づいています。

血漿代謝プロファイルは、暴露後 4 時間まで定期的に分析され、代謝プロファイリングの時間傾向に対処するために 2 つの異なるアプローチが行われます。数値積分による代謝物特徴。 次に、これらの値を独立変数として直接使用して、曝露後の代謝物レベルに対するメタボタイプの全体的な反映を示します。 ただし、この直接的なアプローチでは、メタボタイプ間の時間傾向の潜在的な違いを考慮することはできません。 したがって、教師あり学習とハイフンでつながれた分散分割を使用して、メタボタイプ x 時間の相互作用を調査します。 このアプローチには、多変量解析の手法開発が必要になります。多変量解析は、現在 R Landbergs 研究グループで進行中であり、2018 年中、つまりデータが解析に利用可能になる前に準備が整い、ベータ テストが行​​われる予定です。 この方法論は、治療間の代謝物レベルの全体的な違いと時間プロファイルの違いの同時分析を可能にすることが予測されているため、メタボタイプ x の効果的な予測のためにサンプルを抽出するための最も適切な時点に関する情報も提供されます。