x
x

Može li mikrobiota crijeva predvidjeti višestruki rizik od bolesti?

  18.03.2024.

U kojoj mjeri naša crijevna mikrobiota može predvidjeti rizik od razvoja bolesti? U slučaju multifaktorijalnih bolesti, bakterijske svojte same po sebi ne daju mnogo informacija, prema studiji provedenoj u Hospital das Clínicas Medicinskog fakulteta Sveučilišta u Sao Paulu (HCFMUSP), a objavljenoj u časopisu Gut Microbes . Situacija se, međutim, mijenja kada se uz ovaj element uzmu u obzir i druge varijable, uglavnom antropometrijski i prehrambeni čimbenici.

Može li mikrobiota crijeva predvidjeti višestruki rizik od bolesti?

Istraživači su procijenili 202 odrasle osobe, od kojih je 50 bilo zdravo. Ostala 152 sudionika rutinski su praćena u HCFMUSP-u za jedno od sljedećih stanja: dijabetes tipa 2, dijabetes tipa 1, upalna bolest crijeva (Crohnova bolest i ulcerozni kolitis), psorijaza, reumatoidni artritis i sistemski eritematozni lupus (SLE).

Sastav crijevne mikrobiote sudionika analiziran je sekvenciranjem gena 16S RNA iz uzoraka stolice. Osim toga, sve osobe uključene u istraživanje odgovarale su na pitanja vezana uz životne navike, rad crijeva, korištenje lijekova i prehrambene navike.

Na temelju tih podataka, autori su razvili prediktivne modele i procijenili učinkovitost svakog od njih. Modeli koji integriraju fenotipske varijable sa svojtama crijevne mikrobiote imali su veću sposobnost razlikovanja zdravih subjekata od onih s bilo kojom bolešću.

Općenito, nijedna mikrobna svojta nije imala značajan prediktivni kapacitet. Taksoni nisu pridonijeli više od 2% predviđanja, što se i očekivalo, s obzirom na multifaktorijalnu prirodu procijenjenih bolesti.

Kada su uzete u obzir samo mikrobne varijable, prediktivni model pokazao se loše za reumatoidni artritis (površina ispod krivulje [AUC], 54,19) i za SLE (AUC, 49,08) i dobar za dijabetes tipa 1 (AUC, 78,91) i dijabetes tipa 2 ( AUC, 72,65). Ali kada su fenotipske varijable integrirane u modele, potencijal predviđanja se povećao u sljedećim slučajevima: reumatoidni artritis (AUC, 88,03), SLE (AUC, 98,4), dijabetes tipa 1 (AUC, 86,19) i dijabetes tipa 2 (AUC, 96.96).

Za dijabetes tipa 1, poboljšanje prediktivne sposobnosti uglavnom je bilo povezano s uključivanjem informacija o potrošnji hranjivih tvari, posebno folata, kolesterola, cinka, magnezija i proteina. Ovi su podaci također bili osobito važni za poboljšanje izvedbe modela predviđanja za reumatoidni artritis i SLE. Za dijabetes tipa 2, BMI je najviše pridonio prediktivnoj moći modela.

Crijevna mikrobiota trenutno se povezuje sa svim bolestima, a posebno s pretilošću, dijabetesom tipa 2 i upalnim bolestima crijeva. Sa smanjenjem troškova sekvenciranja, proučavanje ovih odnosa postalo je snažnije.

Istraživači su zaključili da je još uvijek potrebno procijeniti mnogo podataka prije nego što se razvije sustav umjetne inteligencije za predviđanje rizika od razvoja bolesti. Osobito u slučaju crijevne mikrobiote, svaki eksperiment koji identificira "marker" zapravo identificira "kandidata" kojeg je potrebno testirati, izmjeriti i procijeniti prije nego što se uključi kao klinički alat.