Identificatie van IBS-metabotypen op basis van fysiologische reacties op voedsel

De huidige studie is verkennend met als hoofddoel het vinden en relateren van verschillende subject-metabotypen die tolerantie/intolerantie voor specifieke voedselcomponenten bij IBS-patiënten weerspiegelen en relateren door OMIC-gegevenspatronen (metabolomics en darmmicrobiota-gegevens) af te leiden en te relateren aan de gerapporteerde ernst van IBS-symptomen aangegeven door de primaire eindpuntvariabele, d.w.z. IBS-SSS. Aangezien de onderzoekers geen schatting hebben van de variatie in de multivariate OMICs-data (zowel metabolomics als 16S rRNA-analyse van bacterieel RNA), is het niet mogelijk om een ​​adequate power-berekening uit te voeren. Er is een gebrek aan consensus over de beste manier om vermogensanalyses uit te voeren voor deze OMIC-ontwerpen (en dus ook een gebrek aan tools), hoewel er enkele initiatieven zijn gepubliceerd. Machtsanalyse is vooral moeilijk in niet-gerichte metabolomica, waar het aantal variabelen niet a priori wordt bepaald, waar er een sterke multi-colineariteit is en waar variabelen niet kunnen worden verondersteld met evenveel vermogen bij te dragen aan de effectgrootte. Bovendien is er een tekort aan relevant ongericht metabolomics- en microbiota-onderzoeksmateriaal over IBS x dieet-interacties van waaruit relevante parameters kunnen worden geschat, zoals multivariate effectgroottes en variantieschattingen, vanwege het verrassend weinige metabolomics-onderzoek naar IBS en het totale gebrek aan openbaar beschikbare ruwe data. Er werden echter eerder significante verschillen in het metaboloom waargenomen bij kinderen met of zonder diarree-dominante PDS (n=22 per groep). Systematische verschillen werden ook aangetoond in individuele metabolieten bij personen met PDS die ofwel een hoog ofwel een laag FODMAP-dieet gebruikten (n≈20 per behandeling).

In deze studie zal een cross-over design uitgevoerd worden, wat de power ten opzichte van parallelle designs zal vergroten. Bovendien zullen deelnemers worden gestratificeerd met betrekking tot het subtype van IBS (d.w.z. diarree, constipatie en gemengd). De onderzoekers weten echter vooraf niet hoeveel PDS-metabotypen in het materiaal aanwezig zullen zijn of wat de kwantitatieve verdeling tussen de metabotypen is. Daarom zullen 120 deelnemers worden gerekruteerd om significante verschillen tussen dieetbehandelingen te kunnen waarnemen, gebaseerd op de aanname dat het mogelijk zal zijn om ongeveer 4 ± 1 metabotypes te identificeren, en een ongeveer gelijke verdeling tussen metabotypes (≥20 personen per metabotype). Bovendien zal een selectie van 120 deelnemers onder deze omstandigheden een uitval van 20% uit het onderzoek mogelijk maken, wat een hoge schatting is op basis van onze eerdere ervaringen met voedingsinterventies. Een belangrijk secundair resultaat van dit studiemateriaal is dat het de mogelijkheid biedt om te worden gebruikt voor powerberekeningen in toekomstige OMICs-onderzoeken waar de effectgroottes op zowel klinische parameters als OMICs-metingen onzeker zijn.

Ontdekking van IBS-metabotypen Identificatie van metabotypen zal worden uitgevoerd met behulp van overwegend multivariate data-analysetechnieken. Tijdens initiële analyses zullen moleculaire fenotypegegevens (metabolomics en microbiota) worden geanalyseerd met behulp van unsupervised principal component analysis (PCA) en clusteringtechnieken om te onderzoeken of gegevens zichzelf aggregeren tot zinvolle clusters. Om te corrigeren voor variabiliteit tussen individuen en om te focussen op de effecten van interventies, zal variantieverdeling (ook wel ANOVA-decompositie genoemd) per individu worden uitgevoerd. Clusters zullen worden gecorreleerd met geregistreerde IBS/klinische gegevens (PDS-SSS, darmledigingsdagboek) om te onderzoeken of opkomende clusters functionele informatie bevatten met betrekking tot IBS-symptomen. Bovendien is het waarschijnlijk dat verschillende clusters niet op dezelfde manier worden weerspiegeld in plasma- en fecale metabolomics en fecale microbiota. Om te onderzoeken in welke mate de verschillende clusters geassocieerd zijn met de verschillende omics-blokken, zal een reeks technieken voor het onderverdelen van variabiliteit in gemeenschappelijke en afzonderlijke componenten worden toegepast op de niet-gesuperviseerde analyse.

In een tweede lijn van analyse zonder toezicht zullen PCA- en clusteranalyses worden uitgevoerd op moleculair fenotype geaggregeerd met IBS/klinische gegevens, die de potentie hebben om clustering rechtstreeks te beïnvloeden in plaats van correlaties achteraf te onderzoeken. Wederom zal een onderverdeling van variabiliteit in gemeenschappelijke en afzonderlijke componenten worden toegepast om te onderzoeken hoe clusters worden weerspiegeld in de verschillende datablokken.

Ten slotte zullen gesuperviseerde analyses worden gebruikt om moleculaire fenotypegegevens (onafhankelijke variabelen) direct te associëren met IBS/klinische gegevens (afhankelijke variabelen) met behulp van in-house ontwikkelde partiële kleinste kwadraten (PLS) en random forest (RF) technieken. Deze interne technieken zijn specifiek aangepast om de meest relevante set onafhankelijke variabelen te identificeren om de covariabiliteit met de afhankelijke gegevens te beschrijven (ingediend manuscript). IBS/klinische gegevens kunnen worden gebruikt als continue meerdere variabelen of direct door waarnemingen om te zetten in clusters. Om te onderzoeken hoe clusters en IBS/klinische gegevens worden weerspiegeld in de verschillende omics-blokken, zullen nieuw ontwikkelde procedures worden toegepast om gemeenschappelijke en verschillende componenten in gesuperviseerde analyse te vinden (ingediend manuscript).

De progressie in deze drie benaderingen vertegenwoordigt een toenemende mate van supervisie in multivariate analyse. Na alle analyses zullen opkomende clusters uit de PCA en clusteranalyses en multivariate voorspellingen van de PLS- en RF-analyses verder worden geanalyseerd met behulp van bioinformatica-tools die zijn aangepast om een ​​zinvolle biologische interpretatie te geven met als doel de overeenkomst tussen clusters en metabotypes te bevestigen.

Snelle diagnostische test van metabotypes Nadat metabotypes zijn geïdentificeerd, zal multivariate voorspellende analyse van de gemengde gluten/FODMAP-blootstelling worden uitgevoerd om voorspellende biomarkers van metabotypes te identificeren. Deze modellen zullen op dezelfde manier als hierboven gebaseerd zijn op in-house PLS- en RF-procedures met behulp van metabolomics-gegevens als onafhankelijke variabelen en metabotype-classificatie per individu als afhankelijke variabele.

Plasmametabolische profielen zullen regelmatig worden geanalyseerd tot 4 uur na blootstelling en er zullen twee verschillende benaderingen worden gevolgd om de tijdtrends in metabolische profilering aan te pakken: In een eerste benadering zullen tijdprofielen worden omgezet in gebieden onder de curve per gemeten metabolietfunctie door numerieke integratie. Deze waarden zullen dan direct als onafhankelijke variabelen worden gebruikt om een ​​indicatie te geven van de algehele weerspiegeling van het metabotype op de metabolietniveaus na blootstelling. Deze directe benadering zal echter geen rekening kunnen houden met mogelijke verschillen in tijdtrends tussen metabotypes. Daarom zal variantie-partitionering gekoppeld aan gesuperviseerd leren worden gebruikt om metabotype x tijd-interacties te onderzoeken. Deze benadering vereist de ontwikkeling van methoden in multivariate analyse, die momenteel wordt uitgevoerd in de R Landbergs-onderzoeksgroep en die naar verwachting in 2018 gereed en bètagetest zal zijn, d.w.z. voordat gegevens beschikbaar zijn voor analyse. Deze methodologie zal naar verwachting gelijktijdige analyse mogelijk maken van algehele verschillen in metabolietniveaus tussen behandelingen en verschillen in tijdprofielen, waardoor ook informatie wordt verkregen over de meest geschikte tijdstippen om monsters te trekken voor een effectieve voorspelling van metabotype x.