대장암 선별을 위한 미생물군집 테스트 (NI-GUILTI)

대장암(CRC)은 전 세계적으로 세 번째로 흔한 암이자 두 번째로 흔한 암 사망 원인으로, 2020년에는 거의 200만 건의 신규 사례와 100만 명의 사망이 발생했습니다. 지난 수십 년 동안 평균 위험 인구에 대한 인구 기반 선별 프로그램은 암의 조기 발견을 통해 CRC 발병률과 사망률을 모두 줄이기 위한 효과적인 전략으로 확립되었습니다. 대부분의 국가에서 기준 진단 도구인 대변 면역화학 검사(FIT)는 선종이 누락되고 주로 불필요한 대장내시경 검사가 발생하는 등 진단 결과가 여전히 최적이 아닙니다. 이러한 이유로 지난 몇 년 동안 CRC 분야에서는 새로운 비침습적 바이오마커의 식별이 절대적으로 옹호되고 있습니다. 많은 증거에 따르면 장내 미생물군집의 변화와 특정 분류군(예: Fusobacterium nucleatum, Parvimonas micra 등)은 CRC 발병에 관여합니다. 더욱이, 우리 그룹의 메타게놈 메타 분석을 포함한 최근 연구에서는 CRC 환자와 건강한 대조군을 재현 가능하게 구별할 수 있는 일반적인 미생물 특징을 발견했습니다. 이러한 증거를 바탕으로 국제 지침에서는 최근 임상 실습에서 CRC 스크리닝을 위해 미생물군유전체 기반 바이오마커의 활용을 옹호했지만 그러한 연구는 아직까지 가능하지 않습니다.

주요 목표는 CRC 및 진행성 대장 선종을 식별하기 위한 장내 미생물 기반 진단 도구를 개발하는 것입니다.

두 번째 목표는 다음과 같습니다.

• FIT를 임상 및 대장내시경 결과와 연관시키려면
• 등록된 환자의 장내 미생물군집을 특성화하기 위해
• 미생물군유전체 특징을 임상 및 대장내시경 결과와 연관시키려면

이번 연구는 관찰형 전향적 다기관 연구로, 국가 대장암 검진 프로그램에 등록된 환자 중 환자를 선정하고 대장내시경 검진을 위해 본 연구에 참여한 모든 센터를 참조하는 환자를 대상으로 한다.

모든 포함 기준을 갖고 제외 기준(본 웹사이트의 특정 섹션에 자세히 설명되어 있음)은 없는 환자가 이 연구에 고려됩니다. 총 n=1006명의 대상자가 등록됩니다. 보다 구체적으로, 838명의 환자가 표본 크기 계산을 기반으로 등록되고 10%의 탈락 위험을 커버하게 됩니다. 또한, 168명의 환자로 구성된 추가 코호트(전체의 20%)가 등록되어 확인된 바이오마커의 엄격한 검증을 위한 내부 검증 세트(검증 코호트)로 사용됩니다. 이 검증 코호트에 등록된 환자는 다른 환자와 동일한 제외 및 포함 기준을 갖게 되며 동일한 연구 절차를 받게 됩니다.

기준선에서 등록된 모든 환자는 등록 후 2주 이내에 대변 샘플(게놈 보존을 위한 완충액을 사용하여 수집)을 제공하고 각 임상 센터에 -80°C에 보관되며 식별되지 않은 ID가 할당됩니다.

또한 인구통계학적, 임상적 특성 및 실험실 데이터도 기록됩니다.

등록된 모든 환자에 대해 임상의는 다음 데이터를 기록합니다.

-CRC의 친숙한 역사; - 동반질환; - 약물 섭취; - 위장관(GI) 및 경보 증상(철결핍성 빈혈, 혈변, 설명할 수 없는 체중 감소, 복통, 배변 습관의 급격한 변화); - 식습관; -흡연 및 음주; -BMI; -정량적 FIT 데이터; -이전 FIT 및/또는 대장내시경 검사 및/또는 가상 대장내시경 검사에 대한 정보

등록된 모든 환자는 대장내시경 내시경 특성(Paris class에 따른 크기, 부위, 모양) 후 FIT 양성일로부터 4주 이내에 대장내시경 검사를 받게 됩니다. 검출된 병변의 조직병리학적 특징을 수집할 것이다.

진행성 대장 선종은 10 mm 이상의 선종, 및/또는 25% 이상의 융모 성분 및/또는 고도 이형성증으로 정의됩니다.

또한, CRC로 진단된 환자는 질병의 단계를 결정하기 위해 전신 CT 스캔을 받게 되며 임상 실습에서 종양학적 경로를 참조하게 되며 다음과 같은 데이터가 수집됩니다: 림프절 전이 및 장기 전이의 존재, TNM 수업.

등록 단계는 20개월 동안 지속됩니다.

등록 단계가 끝나면 조사관은 미생물 분석을 수행하고 조사관은 통계 및 기계 학습 알고리즘을 통해 임상, 내시경 및 미생물 데이터를 결합하여 CRC 및 진행성 대장 선종과 관련된 특정 미생물 바이오마커를 식별하고 새로운 제품을 개발할 것입니다. 채점 시스템을 기반으로 한 진단 도구입니다. 분석 단계는 4개월 동안 지속됩니다.

연구 결과는 이 웹사이트의 특정 섹션에 자세히 설명되어 있습니다.

미생물군집 분석은 샷건 서열 분석 기술을 사용하여 수행됩니다. 또한 CRC 및 진행성 대장 선종과 주로 관련된 미생물 종 패널을 얻기 위해 연구자들은 널리 채택된 Random Forest 알고리즘과 이전에 발표된 대규모 코호트를 통합하는 메타 분석 접근법을 사용하는 기계 학습 응용 프로그램을 활용할 것입니다. 메타게놈 코호트. 주로 CRC 및 진행성 대장 선종과 관련된 정의된 미생물 종 패널은 FIT 진단 도구의 정확성 테스트를 개선하고 임상의가 쉽게 해석할 수 있도록 두 가지 특정 목표와 함께 미생물군집 특징을 기반으로 포괄적인 위험 점수를 제공합니다.

수집된 모든 임상 데이터는 통계적으로 결합되어 가장 관련성이 높은 것부터 가장 적은 것까지 미생물 특징의 순위를 매깁니다. 이러한 순위는 새로운 개인의 미생물군집 프로필을 평가하고 이전 패널에서 정의된 종 중 몇 개가 발견되어 CRC 및 진행성 대장 선종과 연관되어 있는지 보고하는 데 활용됩니다. 식별된 종과 관심 메이커 간의 연관성은 부분 상관관계 또는 선형 모델링과 같은 강력한 통계 분석 방법을 통해 추정됩니다. 그런 다음 연관성의 순위를 매기고 동일한 종에 대한 마커를 비교하여 각 종에 우선 순위 점수를 부여합니다. 미생물군집 구성의 차이(예: 연령)와 관련이 있는 것으로 알려진 잠재적 교란 지표를 식별하는 데 특별한 주의를 기울일 것이며, 대신 통계 모델링에서 공변량으로 사용해야 합니다. 통계적 모델링 외에도 종과 마커 사이의 연관성은 ML 접근법, 특히 다양한 마커에 걸쳐 종의 순위를 매기는 데 사용할 수 있는 입력 특징(우리의 경우 종)에 대한 특징 중요도 점수를 제공하는 접근법을 통해 평가됩니다( 예를 들어 랜덤 포레스트, LASSO 등).

연속 변수는 평균 ± 표준 편차 또는 중앙값 및 사분위수 범위(IQR)로 보고되며 범주형 변수는 빈도와 백분율로 요약됩니다. 변수의 비교는 적절하게 t-검정(또는 Mann-Whitney/Kruskal-Wallis), 카이제곱 검정 또는 Fisher의 정확 검정을 통해 이루어집니다. p-값 <0.05는 통계적 유의성을 나타내는 것으로 간주됩니다. 결과와 독립적으로 연관된 변수의 존재를 식별하기 위해 로지스틱 회귀 모델이 수행됩니다. 모델에서 고려된 변수는 단계적 모델 선택을 통해 선택되었으며 임상 관련성에 따라 안내되었습니다. 모든 통계 분석은 Macintosh용 SPSS v. 28.0(SPSS Inc., Chicago, USA)을 사용하여 수행되었습니다. 조사관은 100번의 부트스트랩 반복과 80/20의 무작위 분할을 훈련 및 테스트 폴드로 나누는 교차 검증 접근 방식을 사용하는 scikit-learn Python 패키지를 기반으로 하는 기계 학습(ML) 프레임워크를 사용할 것입니다. 분류 및 회귀 ML 알고리즘은 미생물군집 종 수준의 분류학적 상대적 존재비와 기능적 잠재력 프로파일 모두에 대해 훈련됩니다. 종 수준 분류학적 풍부도는 MetaPhlAn 4(현재 Oct22로 명명된 사용 가능한 최신 데이터베이스 사용)에 의해 추정되고 구성 데이터에 대한 arcsin-sqrt 변환을 사용하여 정규화됩니다. 기능적 잠재력 프로파일은 최신 HUMAnN 4 버전을 사용하여 추정되며 연구자는 단일 미생물 유전자군과 대사 경로의 풍부도 추정을 모두 고려할 것입니다. 이상값으로 인한 편향을 방지하고 미생물군집 구성에 영향을 미치는 것으로 알려진 성별, 연령, 체질량 지수와 같은 공변량을 수정하기 위해 종과 마커 간의 부분 상관관계를 Spearman 지수를 사용하여 계산합니다. 부분 상관 값은 잘못된 발견 비율에 대한 Benjamini-Hochberg 절차를 사용하여 수정됩니다.