Mikrobiombasert diagnoseverktøy for screening av tykktarmskreft (GUILTI) (GUILTI)

Kolorektal kreft (CRC) er den 3. vanligste kreftformen og den 2. vanligste årsaken til kreftdødsfall på verdensbasis, med nesten 2 millioner nye tilfeller og en million dødsfall i 2020. I de siste tiårene har et populasjonsbasert screeningprogram for gjennomsnittlig risikopopulasjoner etablert seg som en effektiv strategi for å redusere både forekomst og dødelighet av CRC gjennom tidlig oppdagelse av kreft. Den fekale immunkjemiske testingen (FIT), referansediagnoseverktøyet i de fleste land, har fortsatt et suboptimalt diagnostisk utbytte, med både ubesvarte adenomer og, hovedsakelig, unødvendige koloskopier. Av disse grunner har identifisering av nye, ikke-invasive biomarkører de siste årene vært absolutt fortaler innen CRC. En stor mengde bevis viser at endringer i tarmmikrobiomet og berikelsen av spesifikke taxa (f. Fusobacterium nucleatum, Parvimonas micra og andre) er involvert i patogenesen til CRC. Videre har nyere studier, inkludert metagenomiske metaanalyser fra vår gruppe, oppdaget vanlige mikrobielle signaturer som er i stand til reproduserbart å skille mellom pasienter med CRC og friske kontroller. Basert på dette beviset har internasjonale retningslinjer nylig tatt til orde for utnyttelse av mikrobiombaserte biomarkører for screening av CRC i klinisk praksis, men slike studier er ennå ikke tilgjengelige.

Hovedmålet er å utvikle et tarmmikrobiombasert diagnostisk verktøy for identifisering av CRC og avanserte kolorektale adenomer.

De sekundære målene er:

• Å assosiere FIT med kliniske og koloskopiske utfall
• Å karakterisere tarmmikrobiom hos påmeldte pasienter
• Å assosiere mikrobiomsignaturer med kliniske og koloskopiske utfall. Dette er en observasjonsprospektiv multisenterstudie, der pasienter vil bli valgt blant de som er registrert i det nasjonale screeningprogrammet for kolorektal kreft (CRC) og blant som refererer til alle sentrene som er involvert i denne studien for screening av koloskopi. Pasienter med alle inklusjonskriteriene og ingen av eksklusjonskriteriene (detaljert i den spesifikke delen av denne nettsiden) vil bli vurdert for denne studien. N=1202 pasienter vil bli registrert, basert på beregning av prøvestørrelse og inkludert en valideringsgruppe. N=911 pasienter vil være nødvendig, og vi vil legge til 91 pasienter for å dekke 10 % potensielt frafall og 200 pasienter som valideringsgruppe (20 % av studiekohorten). Pasienter som er registrert i denne valideringskohorten vil ha de samme eksklusjons- og inklusjonskriteriene som andre pasienter og vil gjennomgå de samme studieprosedyrene. Ved baseline vil alle påmeldte pasienter gi en fekal prøve (samlet ved hjelp av en buffer for genombevaring) innen 2 uker fra registrering og vil bli lagret ved -80 °C ved hvert klinisk senter og tildelt avidentifiserte IDer. Videre vil demografiske, kliniske egenskaper og laboratoriedata bli registrert.

For alle registrerte pasienter vil klinikere registrere følgende data:

• Kjent historie om CRC;
• komorbiditeter;
• Legemiddelinntak;
• Gastrointestinale (GI) og alarmsymptomer (jernmangelanemi, hematochezia, uforklarlig vekttap, magesmerter, plutselig endring i avføringsvaner);
• Kostholdsvaner;
• Røyking og alkoholforbruk;
• BMI (kroppsmasseindeks);
• Kvantitative FIT-data;
• Informasjon om tidligere FIT og/eller koloskopier og/eller virtuelle koloskopier.

Alle registrerte pasienter vil gjennomgå en koloskopi innen 4 uker fra positiv FIT, etter koloskopi endoskopiske egenskaper (størrelse, sted, form basert på Paris-klassen.) og histopatologiske kjennetegn ved påviste lesjoner vil bli samlet inn. Avanserte kolorektale adenomer vil bli definert som adenomer større enn eller lik 10 mm, og/eller med villøse komponenter høyere enn eller lik 25 %, og/eller høygradig dysplasi. Dessuten vil pasienter med diagnosen CRC også gjennomgå en total -kropps-CT-skanning for å stadie sykdommen og vil bli henvist til en onkologisk vei i klinisk praksis, og følgende data vil bli samlet inn: tilstedeværelse av lymfeknute metastaser og organmetastaser, TNM (Tumor-Node-Metastasis) klasse..Innrulleringsfasen vil vare i 48 måneder.På slutten av innrulleringsfasen vil etterforskerne utføre mikrobiomanalysen, og etterforskerne vil kombinere klinisk, endoskopisk og mikrobielle data gjennom statistiske og maskinlæringsalgoritmer for å identifisere spesifikke mikrobielle biomarkører assosiert med CRC og avansert kolorektal adenomer, for å utvikle et nytt diagnostisk verktøy, basert på et skåringssystem.

Studieresultater er detaljert i den spesifikke delen av denne nettsiden. Mikrobiomanalyse vil bli utført med haglesekvenseringsteknikker. For å få et panel av mikrobielle arter som hovedsakelig er assosiert med CRC og avanserte kolorektale adenomer, vil etterforskerne utnytte maskinlæringsapplikasjoner, for eksempel ved å bruke de allment vedtatte Random Forest-algoritmene, samt metaanalytiske tilnærminger som integrerer vår store kohort med tidligere publiserte metagenomiske kohorter. Et definert panel av mikrobielle arter som hovedsakelig er assosiert med CRC og avanserte kolorektale adenomer, vil gi en omfattende risikoscore basert på mikrobiomfunksjoner, med to spesifikke mål, for å forbedre nøyaktighetstestingen av FIT-diagnoseverktøyet og være lett å tolke av klinikere. innsamlede kliniske data vil bli statistisk kombinert for å rangere mikrobielle egenskaper fra mest til minst assosiert.

Disse rangeringene vil bli utnyttet til å evaluere en mikrobiomprofil fra et nytt individ, og for å rapportere hvor mange av de definerte artene i det forrige panelet som finnes, og dermed knyttet til CRC og avanserte kolorektale adenomer. Assosiasjoner mellom identifiserte arter og produsenter av interesse vil bli estimert gjennom robuste statistiske analysemetoder, slik som delvis korrelasjon eller lineær modellering. Deretter vil assosiasjonene bli rangert og sammenlignet på tvers av markører for samme art, og gi en prioritert poengsum for hver art. Spesiell oppmerksomhet vil bli viet til å identifisere potensielle forvirrende markører som er kjent for å være assosiert med forskjeller i mikrobiomsammensetning, for eksempel alder, som i stedet bør brukes som kovariater i den statistiske modelleringen. I tillegg til statistisk modellering, vil assosiasjoner mellom arter og markører også bli evaluert via ML-tilnærminger, spesielt de som gir karakteristika for inndatafunksjonene (arter, i vårt tilfelle), som kan brukes til å rangere artene på tvers av de forskjellige markørene ( f.eks. Random Forest, LASSO, etc). Kontinuerlige variabler vil bli rapportert som gjennomsnitt ± standardavvik eller som median og interkvartilt område (IQR), og kategoriske variabler ble oppsummert som frekvens og prosent. Sammenligninger av variabler vil bli gjort ved t-test (eller Mann-Whitney/Kruskal-Wallis), Chi-square-test eller Fishers eksakte test, etter behov. En p-verdi <0,05 vil bli vurdert for å indikere statistisk signifikans. Logistiske regresjonsmodeller vil bli utført for å identifisere tilstedeværelsen av variabler uavhengig assosiert med utfall. Variabler vurdert i modellene ble valgt gjennom trinnvis modellvalg og styrt av klinisk relevans. Alle statistiske analyser ble utført ved bruk av SPSS v. 28.0 for Macintosh (SPSS Inc., Chicago, USA).

Etterforskerne vil bruke et rammeverk for maskinlæring (ML) basert på scikit-learn Python-pakken ved å bruke en kryssvalideringstilnærming med 100 bootstrap-iterasjoner og en 80/20 tilfeldig oppdeling i trenings- og testfolder. Klassifisering og regresjon ML algoritmer vil bli trent på både mikrobiom artsnivå taksonomiske relative mengder og funksjonelle potensielle profiler. Taksonomiske forekomster på artsnivå vil bli estimert av MetaPhlAn 4 (ved hjelp av de nyeste databasene som er tilgjengelige, for tiden kalt Oct22) og normalisert ved å bruke arcsin-sqrt-transformasjonen for komposisjonsdata. Funksjonelle potensielle profiler vil bli estimert ved å bruke den nyeste HUManN 4-versjonen, og etterforskerne vil vurdere både overflodsestimater av enkeltmikrobielle genfamilier og av metabolske veier. Delvis korrelasjon mellom arter og markører vil bli beregnet ved hjelp av Spearman-indeksen, for å unngå skjevheter på grunn av uteliggere verdier og korrigert for kovariater, som kjønn, alder og kroppsmasseindeks, kjent for å ha en innvirkning på mikrobiomsammensetningen. Partielle korrelasjonsverdier vil bli korrigert ved å bruke Benjamini-Hochberg-prosedyren for falsk oppdagelsesrate.