Assosiasjonsanalyse av kardiovaskulære og nervesystemsykdommer og tarmmikrobiom basert på multiomics Big Data og relaterte applikasjoner

Et mikrobielt økosystem er et komplekst fellesskap av interagerende bakterier. Den potensielle rollen til tarmfloraen for menneskers helse har vakt stor oppmerksomhet. Ubalanser i tarmmikrobiomet har vært involvert i en rekke kroniske sykdommer. Hjerte- og karsykdommer (CVDs) er den ledende årsaken til sykelighet over hele verden og påvirkes av både genetiske og miljømessige faktorer. Nylige fremskritt har gitt vitenskapelig bevis for at hjerte- og karsykdommer også kan tilskrives tarmmikrobiota. I mange litteraturer har vi funnet komplekse interaksjoner mellom mikroorganismer, deres metabolitter og potensielle innvirkninger på utvikling og progresjon av hjerte- og karsykdommer. Bruk av tarmflora i behandling av hjerte- og karsykdommer er den nyeste forskningsretningen. Tarmmikrober vil sannsynligvis bli brukt i klinisk behandling av kardiovaskulære sykdommer i nær fremtid.

Tarmfloraen spiller en viktig rolle i menneskers helse og sykdomstransformasjon. Det deltar ikke bare i mange fysiologiske prosesser til verten, men påvirker også funksjonen til sentralnervesystemet (CNS) gjennom aktiviteten til mikrobiota - tarm - hjerneaksen, som kan være nært knyttet til nevrotransmitter, immun, endokrine og metabolitt veier. Når tarmfloraen er dysfunksjonell, kan det påvirke forekomst og utvikling av CNS-sykdommer som cerebral iskemi, Parkinsons sykdom, Alzheimers sykdom, multippel sklerose, leverencefalopati og psykiske lidelser. Fekal mikrobiell transplantasjon, treningstrening, akupunktur og massasje og andre terapier kan forbedre tarmfloraforstyrrelser, og forventes å bli effektive tiltak for å behandle og forebygge enkelte nervesystemsykdommer.

1. Emnevalgsgrunnlag Basert på elektrokardiogram, blodprøve eller B-ultrasonografi og andre undersøkelsesmetoder, kombinert med kliniske manifestasjoner, vil pasienter som av profesjonelle leger bedømmes som oppfyller inklusjonskriteriene til denne eksperimentelle protokollen, inkluderes i studiekohorten for studien.
2. Dosevalg/administrasjonsplan/dosejusteringsgrunnlag Denne studien innebar ikke intervensjonsforsøk, og det var ingen dosevalg/doseregime/dosejustering.
3. Grunnlag for destinasjonsvalg Dette eksperimentet er ikke et intervensjonseksperiment, så endepunktet for dette eksperimentet velges etter at forsøkspersonene er diagnostisert med relaterte sykdommer eller kontrollgruppen, og endepunktet tas etter fullført prøvetaking.
4. Risiko- og nyttegrunnlag For pasienter med spesifikke kardiovaskulære og cerebrovaskulære sykdommer er fordelene med denne studien langt større enn risikoene. Dette eksperimentet vil samle fekale prøver in vitro, som er en ikke-invasiv prøvesamling, som ikke vil forårsake traumer for pasienter og har høy sikkerhet. Dette prosjektet vil også samle inn perifere blodprøver fra pasienter for studier. Prosessen med å ta blodprøver kan innebære smerte og andre reaksjoner, men operasjonene som er involvert i denne studien er alle utført av erfarne sykepleiere og sykepleiere for å minimere slike risikoer.

Dette eksperimentet skal bidra til forskning på kardiovaskulære og nervesystemrelaterte sykdommer. Ved å belyse den molekylære mekanismen til tarmmikroorganismer som regulerer kardiovaskulære og nervesystemsykdommer, kan sykdomsrelaterte gener og biomarkører bli funnet, fremme nøyaktig diagnose av sykdommer, gi mål for nøyaktig behandling og forebygging av sykdommer, og gi målrettet regulering av strukturen og metabolittsammensetning av mikroorganismer. Forebygging og behandling av relaterte sykdommer.

Forskningsinnhold

1. Testpopulasjon Dette prosjektet planlegger å bruke multi-omics big data (vertsgenom, transkriptom, metabolom, metagenomiske og metabetomiske data), kombinert med hjerte- og karsykdomskohort (idiopatisk ventrikkeltakykardi, restenose etter koronararteriestentingskade) og nervesystemsykdomskohort (carotis). åreforkalkning, Moyamoya sykdom), og bruke maskinlæring for å integrere data fra forskjellige omics. Å dykke dypere inn i mekanismene for hjerte- og karsykdommer og rollen til tarmmikrober i den. Hele prosessen forventes å involvere nesten 500 sekvenseringsobjekter, forskjellige omics-data (totalt titusenvis av prøver), og gi totalt hundrevis av terabyte med omics-data.
2. Beregning av prøvestørrelse Gjennom litteraturforskning og klinisk big data-analyse kan pålitelige konklusjoner oppnås med en eksperimentell kohort på mer enn 200 personer og en kontrollkohort. Så de eksperimentelle dataene ble valgt fra en sykdomskohort på 250 personer og en kontrollkohort på 240 personer.
3. Spesifikt forskningsinnhold For det første må data, inkludert blod- og avføringsprøver, samles inn fra kohorter av pasienter med kardiovaskulære og nevrologiske sykdommer og fra friske mennesker. Basert på mengden data i publiserte artikler og de statistiske justeringsresultatene fra studien, forventes en estimert sykdomskohort på 250 personer og en frisk kontrollkohort på 240 personer. Samtidig ble detaljert prøveinformasjon (inkludert fysiske undersøkelsesdata og fenotypiske data som diettdata) registrert slik at multi-omics-data kunne kombineres for å få innsikt i faktorer som påvirker hjerte- og karsykdommer.

For det andre ble genomet og transkriptomet til de innsamlede blodprøvene sekvensert. For fekale prøver ble metagenomisk sekvensering og metometabolisk og proteomisk sekvensering utført.

For det tredje, for multi-omics databehandling, utføres databehandling av sekvenserte gener, transkripsjoner, metagenomer og metabetomer, og kombinert med sykdomskohort velges nøkkelgener som potensielt kan forårsake tilsvarende sykdommer og tilsvarende mikrobielle data.

For det fjerde, for dataanalysetrinnet, basert på kohorten av kardiovaskulære sykdommer og nevrologiske sykdommer, utføres assosiasjonsanalysen av disse kandidatvertgenene og -bakteriene ved å bruke maskinlæringsmetoder, og konstruksjon og tolkning av relevante veier utføres i kombinasjon med tidligere studier. Mekanismer og veier øker til anerkjennelse av mønstre for konstruksjon av prediktive modeller for tidlig sykdomsforebygging og sykdomsdiagnose.