Mikrobiomi terveyden ja sairauden mittarina

Ihmisillä on havaittu, että terveiden ja sairaiden yksilöiden mikrobiomit eroavat toisistaan. Esimerkiksi tyypin 2 diabetesta tai tulehduksellista suolistosairautta sairastavien ihmisten suolistosta on löydetty poikkeavia bakteeriyhteisöjä. Uudet sekvensointimenetelmät mahdollistavat mikrobiomin kattavan tarkastelun ja sitä kautta myös yksittäisten biomarkkereiden tunnistamisen. Biomarkkerilla tarkoitetaan tekijää tai ominaisuutta, joka ilmentää biologisen tilan muutosta. Täten muutos mikrobiomin koostumuksessa tai yksittäisten mikrobien runsaudessa voi viitata sairauden todennäköiseen puhkeamiseen tai olla merkkinä sen etenemisestä.

 

Olisi tärkeää pystyä tunnistamaan mikrobiomin koostumusta ja toimintaa sääteleviä tekijöitä. Tämä voisi tarjota lääketieteelle merkittäviä sovelluksia sekä ihmisten että hevosten sairauksien ennaltaehkäisyyn ja hoitoon. Tulevaisuudessa voitaisiin kehittää mikrobiomiin perustuvia diagnostisia menetelmiä, jotka selvittävät miten mikro-organismien väliset vuorovaikutukset hyödyntävät hyvinvointia. Esimerkiksi ihmisillä Gut Microbiome Health Index (GMHI) on biologisesti tulkittavissa oleva matemaattinen funktio, jolla voidaan ennustaa todennäköisyys sairastumiselle käyttämällä 50 avainmikrobilajia, joita esiintyy terveessä suolistossa (Gupta ym. 2020). Toisessa tuoreessa tutkimuksessa Microbial Risk Score (MRS) kutistaa yksilöiden mikrobiomien lajirunsaudet riskipisteytykseksi, jota voidaan käyttää ennustamaan sairastumisalttiutta (Wang ym. 2022). Tällaisilla menetelmillä pystytään ennustamaan luotettavasti ihmisen alttiutta suolistotulehdukselle. Vaikka nämä tutkimustulokset ovatkin lupaavia, on mikrobiomianalyysien hyödynnys käytännössä vielä lapsenkengissä.

 

Myös koneoppimisen menetelmiä voidaan hyödyntää mikrobiomin analysoinnissa. Random forest –menetelmässä luodaan päätöspuita, joissa jokaisessa käytetään osajoukkoa alkuperäisestä aineistosta. Päätöspuut yhdistetään ja näiden yhdistelmästä muodostuu ennuste. Menetelmää on käytetty laajasti erilaisissa luokittelutehtävissä. Random forest -menetelmää on käytetty ihmisen tulehduksellisen suolistosairauden (inflammatory bowel disease; IBD) tunnistamiseen ulostenäytteistä jopa 92 % sensitiivisyydellä (Papa ym. 2012). Ayoub ym. (2022) käyttivät myös hyvällä menestyksellä koneoppimismenetelmiä ennustaessaan ulostenäytteistä paksusuolen tulehdusta sairastuneilta hevosilta. He myös totesivat, että tiettyjen mikrobien esiintyminen ja niiden määrä ulosteessa voi olla yhteydessä IBD:n vakavuuteen ja ennusteeseen.

​

Herkkyys (sensitivity) ja tarkkuus (specificity) ovat mittareita, joita käytetään arvioimaan luokittelumallin, esimerkiksi random forest –menetelmän suorituskykyä ja ne kertovat, miten hyvin malli tunnistaa positiiviset ja negatiiviset tapaukset. Hyvä random forest –malli pyrkii saavuttamaan korkean herkkyyden ja tarkkuuden. Tällöin malli tunnistaa mahdollisimman monta todellista positiivista tai negatiivista tapausta ja mahdollisimman vähän väärin positiivisia tai negatiivisia tapauksia. Visiomme on, että kehitämme mikrobiomianalyysiä erottelemaan toisistaan korkean ja matalan IBD-riskin hevoset. Näin ensisijaiset tutkimukset voitaisiin tulevaisuudessa kohdistaa entistä tehokkaammin.

​

Gupta VK ym. 2020 A predictive index for health status using species-level gut microbiome profiling. Nature Communications 11: 4635.

Wang C ym. 2022 Microbial risk score for capturing microbial characteristics, integrating multi-omics data, and predicting disease risk. Microbiome 10: 121.

Ayoub C ym. 2022 Fecal microbiota of horses with colitis and its association with laminitis and survival during hospitalization. Journal of Veterinary Internal Medicine 36: 6.

Papa E ym. 2012 Non-Invasive Mapping of the Gastrointestinal Microbiota Identifies Children with Inflammatory Bowel Disease. PLoS ONE 7: e39242.