음식에 대한 생리학적 반응에 기초한 IBS 대사형의 동정

현재 연구는 보고된 IBS 증상의 중증도에 OMIC 데이터 패턴(대사체학 및 장내 미생물 데이터)을 추론하고 연관시킴으로써 IBS 환자의 특정 식품 성분에 대한 내성/불내성을 반영하는 뚜렷한 주제 메타보타입을 찾고 관련시키는 일차적 목표로 탐색적입니다. 기본 끝점 변수, 즉 IBS-SSS. 조사관은 다변량 OMIC 데이터(박테리아 RNA의 대사체학 및 16S rRNA 분석 모두)의 변동을 추정하지 않았기 때문에 적절한 검정력 계산을 수행할 수 없습니다. 일부 이니셔티브가 게시되었지만 이러한 OMIC 설계에 대한 전력 분석을 가장 잘 수행하는 방법에 대한 합의가 부족합니다(따라서 도구도 부족함). 파워 분석은 변수의 수가 선험적으로 결정되지 않고 강력한 다중 공선성이 있고 변수가 효과 크기에 동일한 파워로 기여한다고 가정할 수 없는 비표적 대사체학에서 특히 어렵습니다. 또한, IBS에 대한 대사체학 연구의 수가 놀라울 정도로 적고 공개적으로 이용 가능한 자료가 완전히 부족하기 때문에 다변량 효과 크기 및 분산 추정치와 같은 관련 매개변수를 추정할 수 있는 IBS x 식이 상호작용에 대한 관련 대상이 없는 대사체학 및 미생물군 연구 자료가 부족합니다. 원시 데이터. 그러나 이전에 설사 우성 IBS가 있거나 없는 소아에서 대사체의 유의한 차이가 관찰되었습니다(그룹당 n=22). 높거나 낮은 FODMAP 식단(치료당 n≈20)을 섭취하는 IBS 환자의 개별 대사산물에서도 체계적 차이가 나타났습니다.

본 연구에서는 병렬 설계에 비해 전력을 증가시키는 교차 설계를 수행할 것이다. 또한 참가자는 IBS의 하위 유형(즉, 설사, 변비 및 혼합). 그러나 연구자들은 물질에 얼마나 많은 IBS-메타보타입이 존재하는지 또는 메타보타입 간의 정량적 분포를 미리 알 수 없습니다. 따라서 120명의 참가자를 모집하여 약 4±1개의 메타보타입을 식별할 수 있고 메타보타입 간에 대략적인 균등 분포(메타보타입당 ≥20명)를 가정하여 식이 요법 간의 유의미한 차이를 관찰할 수 있도록 합니다. 또한, 120명의 참가자를 선택하면 이러한 조건에서 연구에서 20%의 탈락이 허용되며, 이는 영양 개입의 이전 경험을 기반으로 한 높은 추정치입니다. 이 연구 자료의 중요한 2차 결과는 임상 매개변수와 OMIC 측정 모두에 대한 효과 크기가 불확실한 향후 OMIC 연구에서 검정력 계산에 사용할 기회를 제공한다는 것입니다.

IBS 메타보타입의 발견 메타보타입의 식별은 주로 다변량 데이터 분석 기술을 사용하여 수행됩니다. 초기 분석 중에 분자 표현형 데이터(metabolomics 및 microbiota)는 감독되지 않은 주성분 분석(PCA) 및 클러스터링 기술을 사용하여 데이터가 의미 있는 클러스터로 자체 집계되는지 여부를 조사합니다. 개인 간 가변성을 조정하고 개입 효과에 초점을 맞추기 위해 개인별 분산 분할(때때로 ANOVA 분해라고도 함)이 수행됩니다. 클러스터는 기록된 IBS/임상 데이터(IBS-SSS, 장 비우기 일기)와 상관 관계가 나타나 새로운 클러스터가 IBS 증상과 관련된 기능적 정보를 포함하는지 여부를 조사합니다. 더욱이, 상이한 클러스터가 혈장 및 분변 대사체 및 분변 미생물총에 유사하게 반영되지 않을 가능성이 있다. 서로 다른 클러스터가 서로 다른 omics 블록과 어느 정도 연관되어 있는지 조사하기 위해 가변성을 공통 및 고유 구성 요소로 세분하는 일련의 기술이 감독되지 않은 분석에 적용됩니다.

감독되지 않은 분석의 두 번째 라인에서 PCA 및 클러스터링 분석은 IBS/임상 데이터와 함께 집계된 분자 표현형에 대해 수행되며, 이는 나중에 상관 관계를 조사하는 대신 클러스터링에 직접 영향을 미칠 가능성이 있습니다. 다시, 클러스터가 다른 데이터 블록에 어떻게 반영되는지 조사하기 위해 가변성을 공통 및 개별 구성 요소로 세분하는 것이 적용됩니다.

마지막으로 감독 분석은 사내에서 개발한 부분 최소 제곱(PLS) 및 랜덤 포레스트(RF) 기술을 사용하여 분자 표현형 데이터(독립 변수)를 IBS/임상 데이터(종속 변수)와 직접 연결하는 데 사용됩니다. 이러한 사내 기술은 종속 데이터(제출된 원고)와의 공변성을 설명하기 위해 가장 관련성이 높은 독립 변수 세트를 식별하는 데 특히 적합합니다. IBS/임상 데이터는 연속 다중 변수로 사용하거나 관찰을 클러스터로 변환하여 직접 사용할 수 있습니다. 클러스터와 IBS/임상 데이터가 서로 다른 omics 블록에 어떻게 반영되는지 검토하기 위해 지도 분석에서 공통적이고 구별되는 구성 요소를 찾기 위해 새로 개발된 절차가 적용될 것입니다(투고된 원고).

이 세 가지 접근 방식의 진행은 다변량 분석에서 감독 수준이 높아지고 있음을 나타냅니다. 모든 분석 후, PCA의 새로운 클러스터와 PLS 및 RF 분석의 다변량 예측은 클러스터와 메타보타입 간의 일치성을 확인하기 위해 의미 있는 생물학적 해석을 제공하도록 조정된 생물정보학 도구를 사용하여 추가로 분석됩니다.

메타보타입의 신속한 진단 테스트 메타보타입이 확인된 후 혼합 글루텐/FODMAP 노출에 대한 다변량 예측 분석을 수행하여 메타보타입의 예측 바이오마커를 식별합니다. 이러한 모델은 위와 유사하게 메타볼로믹스 데이터를 독립 변수로 사용하고 개인별 메타보타입 분류를 종속 변수로 사용하는 사내 PLS 및 RF 절차를 기반으로 합니다.

혈장 대사 프로파일은 노출 후 최대 4시간까지 정기적으로 분석되며 대사 프로파일링의 시간 경향을 해결하기 위해 두 가지 다른 접근 방식이 수행됩니다. 수치 적분을 통한 대사체 특성. 그런 다음 이러한 값은 노출 후 대사 산물 수준에 대한 대사 유형의 전반적인 반영을 나타내는 독립 변수로 직접 사용됩니다. 그러나 이러한 직접적인 접근 방식은 메타보타입 간의 시간 경향의 잠재적인 차이를 고려할 수 없습니다. 따라서 감독 학습으로 하이픈으로 연결된 분산 분할은 메타보타입 x 시간 상호 작용을 조사하는 데 사용됩니다. 이 접근 방식은 현재 R Landbergs 연구 그룹에서 진행 중이며 2018년, 즉 분석에 데이터를 사용할 수 있기 전에 준비 및 베타 테스트를 수행할 것으로 예상되는 다변량 분석의 방법 개발이 필요합니다. 이 방법론은 시간 프로필의 차이뿐만 아니라 처리 간 대사 산물 수준의 전반적인 차이를 동시에 분석할 수 있도록 하여 대사형 x의 효과적인 예측을 위해 샘플을 추출하는 가장 적절한 시점에 대한 정보도 제공할 것으로 예상됩니다.