基于对食物的生理反应鉴定 IBS 代谢型

目前的研究是探索性的，主要目的是通过推导 OMIC 数据模式（代谢组学和肠道微生物群数据）并将其与报告的 IBS 症状严重程度相关联，从而发现并关联不同的受试者代谢类型，这些代谢类型反映了 IBS 患者对特定食物成分的耐受性/不耐受性通过主要终点变量，即 IBS-SSS。 由于研究人员没有估计多变量 OMIC 数据（代谢组学和细菌 RNA 的 16S rRNA 分析）的变化，因此无法进行足够的功率计算。 尽管已经发布了一些倡议，但对于如何最好地执行这些 OMIC 设计的功率分析（因此也缺乏工具）缺乏共识。 在非靶向代谢组学中，功效分析尤其困难，其中变量的数量不是先验确定的，存在很强的多重共线性，并且不能假设变量对效应大小有相同的功效。 此外，由于关于 IBS 的代谢组学研究少得惊人，而且完全缺乏公开可用的信息，因此缺乏关于 IBS x 饮食相互作用的相关非靶向代谢组学和微生物群研究材料，从中可以估计相关参数，例如多变量效应大小和方差估计原始数据。 然而，之前在有或没有腹泻型 IBS 的儿童中观察到代谢组的显着差异（每组 n = 22）。 食用高或低 FODMAP 饮食的 IBS 患者的个体代谢物也显示出系统差异（每次治疗 n≈20）。

在这项研究中，将执行交叉设计，与并行设计相比，这将增加功率。 此外，参与者将根据 IBS 亚型（即 腹泻、便秘混合）。 然而，研究人员不会事先知道材料中将存在多少 IBS 代谢型或代谢型之间的定量分布。 因此，将招募 120 名参与者，以便能够观察饮食治疗之间的显着差异，前提是假设可以识别大约 4±1 种代谢型，并且代谢型之间的分布大致相等（每种代谢型≥20 人）。 此外，在这些条件下，120 名参与者的选择将允许 20% 从研究中退出，这是根据我们以前的营养干预经验得出的高估计值。 该研究材料的一个重要的次要结果是，它将有机会在未来的 OMICs 研究中用于功率计算，在这些研究中，临床参数和 OMICs 测量的影响大小是不确定的。

IBS 代谢型的发现 代谢型的鉴定将主要使用多变量数据分析技术进行。 在初始分析期间，分子表型数据（代谢组学和微生物群）将使用无监督主成分分析 (PCA) 和聚类技术进行分析，以研究数据是否自聚合成有意义的聚类。 为了调整个体之间的差异并关注干预的效果，将执行个体方差划分（有时称为方差分析）。 集群将与记录的 IBS/临床数据（IBS-SSS，肠排空日记）相关联，以检查新出现的集群是否包含与 IBS 症状相关的功能信息。 此外，很可能不同的簇在血浆和粪便代谢组学和粪便微生物群中没有相似的反映。 为了研究不同的聚类在多大程度上与不同的组学模块相关联，一系列将变异性细分为共同和不同成分的技术将应用于无监督分析。

在第二行无监督分析中，将对与 IBS/临床数据聚合的分子表型进行 PCA 和聚类分析，这将有可能直接影响聚类，而不是事后研究相关性。 同样，将可变性细分为共同和不同的组成部分将用于检查集群如何反映在不同的数据块中。

最后，监督分析将使用内部开发的偏最小二乘法 (PLS) 和随机森林 (RF) 技术将分子表型数据（自变量）与 IBS/临床数据（因变量）直接相关联。 这些内部技术专门用于识别最相关的自变量集，以描述与相关数据（提交的手稿）的协变性。 IBS/临床数据既可以用作连续多变量，也可以直接通过将观察值转换为聚类来使用。 为了检查集群和 IBS/临床数据如何反映在不同的组学模块中，将应用新开发的程序来寻找监督分析中的共同和不同成分（提交的手稿）。

这三种方法的进步代表了多变量分析中监督程度的提高。 在所有分析之后，来自 PCA 的新兴集群和来自 PLS 和 RF 分析的聚类分析和多变量预测将使用生物信息学工具进一步分析，这些工具适用于提供有意义的生物学解释，目的是确认集群和代谢类型之间的对应关系。

代谢型的快速诊断测试 确定代谢型后，将对混合麸质/FODMAP 暴露进行多变量预测分析，以确定代谢型的预测生物标志物。 这些模型将与上述类似，基于内部 PLS 和 RF 程序，使用代谢组学数据作为自变量，并将每个个体的代谢型分类作为因变量。

血浆代谢曲线将在暴露后最多 4 小时内定期分析，并且将采用两种不同的方法来解决代谢曲线的时间趋势：在第一种方法中，时间曲线将转换为每次测量的曲线下面积通过数值积分的代谢物特征。 然后，这些值将直接用作独立变量，以指示代谢类型对暴露后代谢物水平的整体反映。 然而，这种直接方法将无法考虑代谢类型之间时间趋势的潜在差异。 因此，与监督学习连字符的方差划分将用于研究代谢型 x 时间相互作用。 这种方法将需要多变量分析的方法开发，目前正在 R Landbergs 研究小组进行，预计将在 2018 年准备好并进行 beta 测试，即在数据可用于分析之前。 该方法预计允许同时分析处理之间代谢物水平的总体差异以及时间分布的差异，从而还提供有关抽取样本以有效预测代谢型 x 的最合适时间点的信息。