İnsan dışkısı metagenomik zaman serisi verilerini kullanarak büyüme aşaması tahmini

Dışkıdan boylamsal numune alma, insan bağırsağının ekolojik dinamikleri hakkında önemli bilgiler sağlamıştır. 1,2. Akıllı tuvaletler gibi teknolojilerin mümkün kıldığı klinik deneyler için bağırsak mikrobiyomunun uzun vadeli izlenmesine olan ilgi giderek artıyor. 3,4. Bununla birlikte, bu dinamiklerin yorumlanması, bağırsaktaki popülasyon dinamikleri (dakikadan saate zaman ölçeklerinde meydana gelen) ile insan dışkısının numune alma zaman çizelgeleri (günde yaklaşık bir kez) arasındaki yeterince takdir edilmeyen kopukluk nedeniyle endişe verici olmuştur.

Sezgisel olarak, bağırsak mikrobiyal zaman serisi verilerindeki bolluk dalgalanmaları mikrobiyal popülasyonların büyümesi veya ölümüyle orantılı olsaydı, bu deltaların (Tn+1 – TN) her örnekleme aralığında temel bollukla pozitif olarak ilişkili olacaktır (TN) net büyüme durumunda ve net ölüm durumlarında negatif korelasyona sahiptir. Bununla birlikte, bu ilişkilerin tüm taksonlarda, sağlıklı yetişkinlerden örneklenen tüm bağırsak mikrobiyomu zaman serilerinde eşit şekilde negatif olduğunu gözlemledik; bu, ortalamaya göre regresyon (yani, sabit bir dağılımdan rastgele örnekleme) ile en tutarlı olanıdır. Genel olarak, nüfus artışı/ölüm süreçlerinin, insan dışkısındaki kararlı durum bolluğundaki günlük dalgalanmalardan doğru bir şekilde çıkarsanamayacağını iddia ediyoruz.

Daha sonra bakteriyel popülasyon dinamiklerini metagenomik zaman serilerinden çıkarmanın alternatif yollarını bulmaya çalıştık. Bu sorunun üstesinden gelmek için bağırsak mikrobiyomu zaman serilerinde bol miktarda bulunan taksonlar için anlık mikrobiyal replikasyon oranlarını (yani tepeden çukura oranlar veya PTR’ler) hesapladık. 5bolluk zaman serisiyle eşleştirdiğimiz. Günlüğü kullandık2(PTR) etkili bakteri popülasyonu büyüme oranlarının vekilleri olarak. Aynı bağırsak bakteri taksonu için logaritmik bakteriler arasında bir dizi pozitif, negatif ve boş ilişki gözlemledik.2(PTR) ve donörler arasındaki ortalanmış log oranı (CLR) bolluğu, ortalamaya göre regresyonla tutarlı değildi. Bu modeller karmaşıktı ve daha karmaşık bir yorum gerektiriyordu.

Memeli bağırsakları sürekli akış sistemleridir. Taksonlar kalın bağırsakta değişen büyüme oranları, taşıma kapasiteleri ve kararlı durum popülasyon büyüklükleriyle büyür ve dışkı örneklemesi sırasında farklı büyüme aşamalarında olabilirler. Örneğin, takson 1-3’ün dinamiklerine bakın. Günlük dışkı koleksiyonları bollukta farklılıklar gösterir, ancak dışkı örneklemesi bağırsaktaki iç popülasyon dinamiklerinin son noktasını yakaladığından bu varyasyon muhtemelen bağırsaktaki iç büyüme dinamiklerini yansıtmaz. Örnekleme sırasında takson 1-3’ün yakalanan günlük bollukları, ortalama bolluk etrafında bazı teknik ve biyolojik gürültülerle dalgalanmaktadır (μ).

Loglar arasında gözlemlenen ilişkileri daha iyi anlamak ve yorumlamak için bir modelleme yaklaşımı benimsedik.2(PTR) ve bolluk. Lojistik büyüme denklemi (LGE), sigmoidal bir eğri ile sonuçlanan, kendi kendini sınırlayan büyümenin klasik bir modelidir. Bu eğrinin zamana göre birinci türevi bolluktaki değişimi (yani efektif büyüme oranını) verir. Ampirik verilerde (sLGE) görmeyi beklediğimiz teknik ve biyolojik gürültüyü hesaba katmak için LGE’ye stokastik bir terim ekledik. Büyüme eğrisindeki ana bölgeleri gösteren 4 büyüme aşamasını (yani hızlanma, orta kayıt, yavaşlama ve sabit) tanımladık. Simülasyon üzerine, birinci türev (etkili büyüme oranı) ile nüfus bolluğu eğrileri arasındaki korelasyonun hızlanma aşamasında pozitif ve yavaşlama aşamasında negatif olduğunu, büyüme oranları ve bollukların ise log ortası ve durağan aşamalarda ilişkili olmadığını gözlemledik. Birçok zaman noktasında düzenli bir sıklıkta örneklenen bağırsak bakteri popülasyonlarının varsayılan büyüme aşamalarını belirlemek için bu gözlemlerden yararlandık.

Model tahminlerimizi kopya kullanarak değerlendirdik E. coli popülasyonlar büyüme eğrileri boyunca yüksek zamansal çözünürlükte örneklendi. Metagenomik av tüfeği dizilimi gerçekleştirdik, log elde ettik2(PTR) ve bolluk değerleri E. coli. Log arasındaki ilişkileri bulduk.2(PTR)’ler ve bolluklar, sLGE bulgularımızla eşleşecek şekilde hızlanma ve yavaşlama aşamalarında sırasıyla anlamlı derecede pozitif ve negatif korelasyon gösterdi. Ayrıca log değerleri arasında istatistiksel bir anlamlılık bulamadık.2(PTR) ve bolluk E. coli beklendiği gibi orta log veya durağan aşamadaki numuneler, ancak orta log aşamasındaki örneklerin ortalama bir log’a sahip olduğunu gözlemledik2(PTR) sabit fazdakilerden ~3,5 kat daha fazladır. Bu fark, in vitro olarak yetiştirilen çok sayıda farklı bağırsak bakterisi türünde orta log ve sabit fazlar arasında açıkça ayrım yaptı. Genel olarak bu sonuç, sabit fazdaki (yani hareketsiz, büyümeyen) taksonları tanımlamak için kullanılabilecek daha düşük bir PTR eşiği önermemize olanak sağladı. 5Bu, yerinde büyüme aşamalarını belirleme yeteneğimizi daha da geliştirdi.

Son olarak, bol miktarda bulunan bitkilere varsayılan yerinde büyüme aşamalarını atamak için yeni büyüme aşaması çıkarım yaklaşımımızı kullandık.Sağlıklı insan donörlerden alınan dört metagenomik zaman serisinde mevcut olan nsal’ler. Ortalama loglu taksonlar için2(PTR’ler) ampirik sabit faz eşiğinin üzerinde, log arasında önemli ölçüde pozitif ilişkiler2(PTR’ler) ve CLR bollukları muhtemelen hızlanma aşamasını gösterir ve önemli ölçüde negatif ilişkiler muhtemelen yavaşlama aşamasını gösterir. Ayrıca, PTR eşiğimizi kullanarak varsayılan orta-log ve sabit aşamaları ayırt edebildik. Kayıt göstermeyen taksonlar2(PTR’ler)/CLR korelasyonu olan ve durağanlık eşiğinin üzerinde PTR değerlerine sahip olan taksonlar, orta log aşaması için güçlü adaylardı, ancak bu taksonlar aynı zamanda hızlanma veya yavaşlama aşamasında da olabilir (yani, korelasyonu tespit etme konusunda yetersiz kaldık). Bu nedenle bu taksonlar ‘durağan olmayan’ olarak etiketlendi.

Bulgularımız, insan dışkısı mikrobiyomu zaman serisi verilerinin istatistiksel analizlerini ve mekanik modellemesini iyileştirmeye yönelik yeni bir yol sağlıyor. Ek olarak, bu çalışma bağırsakların genom ölçeğinde metabolik modellemesinin daha doğru olmasını sağlayabilir. Tüm organizmaların sabit durumda katlanarak büyüdüğünü varsayan mikrobiyom toplulukları (örneğin, topluluk modelleri, muhtemelen kolonik metabolizmaya çok fazla katkıda bulunmadıkları için muhtemelen sabit fazda olan taksonları hariç tutabilir). Umarız bizim yerinde Büyüme aşaması tahmin yaklaşımı, insan sağlığından tarıma ve endüstriyel biyoreaktör tasarımına kadar çeşitli alanlarda mikrobiyom araştırmalarını ilerletmek için yararlı olacaktır.

Referanslar

  1. Hou, K. ve ark. Sağlıkta ve hastalıklarda mikrobiyota. Sinyal İletimi Hedefi 7135 (2022).
  2. Fan, Y. & Pedersen, O. İnsan metabolik sağlığı ve hastalığında bağırsak mikrobiyotası. Nat. Rev. Mikrobiyol. 1955–71 (2021).
  3. Park, S.-M. ve ark. Dışkı analizi yoluyla kişiselleştirilmiş sağlık takibi için monte edilebilir bir tuvalet sistemi. Nat Biomed Müh 4624–635 (2020).
  4. Ge, TJ ve ark. Hassas sağlık için akıllı tuvaletlerle pasif izleme. Bilim. Çeviri Med. 15eabk3489 (2023).
  5. Korem, T. ve ark. Tek metagenomik örneklerden elde edilen sağlık ve hastalıkta bağırsak mikrobiyotasının büyüme dinamikleri. Bilim 3491101–1106 (2015).

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir