El aprendizaje automático revela el impacto de la carga microbiana en la salud y las enfermedades intestinales

La carga microbiana es un factor importante, pero a menudo pasado por alto, a la hora de comprender la relación entre el microbioma intestinal y diversas enfermedades. Los investigadores del grupo de Peer Bork, PhD, en EMBL Heidelberg han desarrollado un modelo de aprendizaje automático que estima la carga microbiana, una medida de la densidad de los microbios en el intestino, sin procedimientos experimentales adicionales, lo que potencialmente permite a los científicos analizar los cambios en el microbioma. forma de hacer las cosas.

El estudio destaca la importancia de la carga microbiana, a diferencia de la composición microbiana utilizada con más frecuencia, como métrica en la investigación del microbioma. publicado en papel habitación El título es "La carga microbiana fecal es un determinante importante de la variación del microbioma intestinal y un vínculo con las asociaciones de enfermedades.,

Si bien la investigación sobre microbiomas normalmente se centra en la composición microbiana,La diversidad proporcional de bacterias, virus y otros microorganismos dentro de una muestra (la cantidad total de microbios) puede proporcionar una visión diferente de los datos del microbioma. Los enfoques de investigación de composición han proporcionado información sobre cómo se asocian microbios específicos con ciertas enfermedades, pero las cantidades totales de esos mismos microbios pueden tener diferentes asociaciones o efectos sobre las enfermedades.

"Queríamos desarrollar un nuevo método que no requiriera ningún método experimental adicional para cuantificar la carga microbiana", dijo el primer autor Suguru Nishijima, PhD. habitación informeEste nuevo modelo permite a los investigadores estimar la carga microbiana basándose únicamente en datos de composición microbiana, evitando los desafíos de los métodos experimentales costosos y que consumen mucho tiempo para medir la carga microbiana directamente.

"Tuvimos acceso a grandes conjuntos de datos con composición microbiana y datos de carga microbiana medidos experimentalmente", dijo Nishijima. Queríamos ver si podíamos usarlos para entrenar modelos de aprendizaje automático para predecir la carga microbiana dada únicamente la composición microbiana.

Para construir y validar sus modelos de aprendizaje automático, los investigadores utilizaron datos de dos proyectos a gran escala financiados por la UE: los consorcios Galaxy/MicroBliver y MetaCardis, que incluían datos de más de 3.700 personas. Cuando se probó en un conjunto de datos diferente, el modelo predijo con éxito y precisión la carga microbiana. Luego aplicaron este modelo a un conjunto de datos mucho más grande, que incluía a más de 27.000 personas de 159 estudios en 45 países.

"Es importante destacar que muchas especies microbianas que antes se pensaba que estaban asociadas con enfermedades se explicaban más claramente por la variación en la carga microbiana", dijo Nishijima.

El análisis reveló nuevos conocimientos sobre las variaciones de la densidad microbiana resultantes de diversos factores además de las enfermedades. Los medicamentos pueden tener efectos significativos sobre la carga microbiana. La carga microbiana fluctúa debido al malestar digestivo: la diarrea y el estreñimiento pueden reducir o aumentar la carga microbiana, respectivamente. Además, los factores demográficos, como la edad y el sexo, pueden influir en la carga microbiana. Los jóvenes tienen cargas microbianas más bajas que las personas mayores y las mujeres tienen cargas microbianas más altas que los hombres, aunque esto puede estar relacionado con el estreñimiento, ya que las mujeres reportan estreñimiento con más frecuencia que los hombres.

“Estos hallazgos sugieren que los cambios en la carga microbiana, más que la enfermedad, pueden ser los que impulsan los cambios en el microbioma de los pacientes. Sin embargo, algunas asociaciones entre enfermedades y microbiomas persistieron, y esto sugiere que son realmente fuertes". Nishijima concluyó: "Esto resalta la importancia de incluir la carga microbiana en los estudios de asociación de microbiomas para evitar falsos positivos o falsos negativos".

El modelo de aprendizaje automático desarrollado por Nishijima y sus colegas es el primer modelo que predice la carga microbiana a partir de datos de composición. Se espera que este nuevo modelo, que está disponible para uso gratuito de otros investigadores, tenga usos adicionales más allá de los estudios preliminares del microbioma intestinal.

Bork, director del EMBL Heidelberg, compartió sus pensamientos sobre las implicaciones más amplias de este modelo: “Nuestros océanos, suelos y ríos están llenos de microbios, y comprender estos microorganismos ayudará a preservar la salud de nuestro planeta. ganado. Este estudio nos muestra que la carga microbiana es una medida importante que debe tenerse en cuenta en este tipo de estudios. Por tanto, trabajaremos para trasladar el conocimiento sobre el microbioma intestinal a otros hábitats.