Makšties mikrobiomas per sistemų biologijos objektyvą

Makšties mikrobiomas per sistemų biologijos objektyvą

Žmogaus organizmas yra sudėtinga kartu egzistuojančių mikrobiomų ekosistema, įskaitant esančias moterų žarnyne, odoje ir makštyje. Jie vaidina lemiamą vaidmenį sveikatai ir ligoms. Tačiau apie juos dar reikia daug sužinoti.

Neseniai internete paskelbtas naujas dokumentas Mikrobiologijos tendencijos Žurnale apžvelgiamas sistemų biologijos metodas tiriant makšties mikrobiomą (VMB), kuris padeda suprasti jo sudėtį ir funkciją, taip pat mechanizmus, kuriais jis sąveikauja su šeimininku.

Egzaminas: Naujos makšties mikrobiomo perspektyvos su sistemų biologija. Vaizdo kreditas: Design_Cells / Shutterstock

įžanga

VMB yra labai svarbus moterų vaisingumui, o sutrikimai gali būti susiję su nėštumo sutrikimais, ginekologinėmis ligomis, tokiomis kaip dubens uždegiminė liga (PID), ir daugybe infekcijų, pažeidžiančių moterų urogenitalinį ir reprodukcinį traktą. Be to, VMB gali padėti paveikti vaistų veiksmingumą moterims.

Tačiau VMB yra menkai suprantamas, neskaitant miglotos idėjos, kad Lactobacillus vyravimas yra susijęs su „gera“ būkle su vienalyte bendruomenės struktūra. Ir atvirkščiai, nepageidautina VMB būsena atsiranda, kai gausiau aptinkama įvairesnių rūšių.

Pastaroji neoptimali būklė dažnai siejama su bakterine vaginoze (BV), kuri pasireiškia vienai iš trijų moterų reprodukciniais metais ir gali turėti rimtų pasekmių jų vaisingumui. Todėl, norint suprasti tokių asociacijų kryptį ir mastą, reikia atlikti šios srities tyrimus.

Problema

Nors šioje srityje buvo atlikta daug tyrimų, sunku suprasti, kaip atrodo optimalus VMB dėl sudėtingos mikrobų ir kitų šeimininko veiksnių sąveikos. Tai reiškia, kad sveikas VMB gali labai skirtis priklausomai nuo moters ir skirtinguose to paties asmens gyvenimo ciklo momentuose.

Tokie pokyčiai įvyksta per kelias dienas, priešingai nei žarnyno, odos ir burnos mikrobiomų pokyčiai, kurie gali keistis per mėnesius ar net metus. Deja, dėl to skerspjūvio duomenys nėra reprezentatyvūs tiriant VMB sudėties, funkcijos ir ligų ryšį, todėl dauguma šių duomenų tampa mažiau naudingi, nei galėtų būti.

Čia vėlgi žmogaus VMB labai skiriasi nuo gyvūnų ir kultūra pagrįstų modelių. Pirmuoju atveju net nežmoginiai primatai neturi būdingų žmogaus makšties sąlygų, įskaitant rūgštinį pH ir Lactobacillus dominavimą.

Pastaruoju atveju kai kurie mikrobai yra neįtikėtinai atsparūs in vitro kultūrai, o skirtingos laboratorijos, priklausomai nuo terpės, naudoja skirtingas auginimo sąlygas. Dėl to augimo aplinka gali labai skirtis nuo žmogaus gimdos kaklelio ir makšties, o tai paneigtų tokių eksperimentų rezultatus.

Taigi klinikiniai mėginiai, iš kurių kultivuojama, identifikuojama ir įvertinama makšties mikroflora, yra pagrindinis informacijos apie žmogaus VMB šaltinis. Šią informaciją nuspalvina eksperimentiniai ir pagrindinio kompiuterio kintamieji, kuriems reikia sudėtingų statistinių koregavimų, kad būtų galima padaryti teisingą išvadą.

„Nors tai aktualu visoms mikrobiomų vietoms, [tai] ypač taikoma VMB, nes trūksta eksperimentinių modelių, leidžiančių tikrinti makšties mikrobiotą kontroliuojamomis sąlygomis.

Sprendimas

Tokią aklavietę galima išspręsti taikant sistemų biologijos metodą, kai kiekybinės analizės naudojamos svarbiems veiksniams, turintiems įtakos mikrobų bendruomenės elgsenai ir funkcijoms, išskirti. Todėl „sistemų biologijos metodų, taikomų kitiems mikrobiomams, naudojimas, taip pat naujų metodų kūrimas ir šių metodų taikymas VMB turės didelę įtaką moterų sveikatos gerinimui“.

Sistemų biologijos naudojimas gali išspręsti tokių sudėtingų ir daugelio išorinių ir vidinių interaktyvių tinklų iššūkius. Be to, atsižvelgiant į turimos informacijos tipą ir tyrimo tikslą, gali būti naudojami keli metodai.

Todėl statistiniai arba duomenimis pagrįsti metodai yra idealūs, kai gana naujoje studijų srityje gausu didelio našumo duomenų. Tai gali padėti suprasti, kurie mikrobų profiliai yra susiję su liga ar sveikata. Kadangi apie VMB mažai žinoma, iki šiol vyrauja duomenimis pagrįsti modeliai.

Ir atvirkščiai, hipotezėmis pagrįsti mechaniniai metodai yra geresni, kai apie sistemą jau žinoma daug arba bent jau yra pagrindiniai duomenys ir reikia suprasti priežasties ir pasekmės ryšių, kuriais grindžiama biologinė funkcija, mechanizmus. Be to, jie padeda apibrėžti intervalus, kuriuose gali atsirasti mikrobų sudėtis ir sąveika normaliomis ir nenormaliomis situacijomis.

Narkotikų atradimo elektroninė knyga

Populiariausių praėjusių metų interviu, straipsnių ir naujienų rinkinys. Atsisiųsti nemokamą kopiją

Kai kurie mechaniniai metodai apima masinio veikimo kinetikos arba populiacijos dinamikos modelius (pagrįstus diferencialinėmis lygtimis), genomo masto metabolinius modelius (GEM) ir agentais pagrįstus modelius (ABM).

Kas buvo pasiekta?

Sistemų biologijos metodas jau padėjo nustatyti ir suskirstyti į kategorijas bendruomenės būsenų tipus (CST), susijusius su sveikata, liga ar perėjimais tarp jų. Pirmiausia, apibrėžiant mikrobų gausą, jie integravo pacientų demografinius ir sveikatos duomenis, kad sudarytų hierarchines grupes. Be to, buvo sukurti kiti metodai, pavyzdžiui, artimiausio centroidų klasifikacija, siekiant įveikti būdingus duomenų rinkinio skirtumus naudojant ankstesnį metodą.

CST grupės padeda supaprastinti VMB sudėtį ir taip siūlo asociacijas su bendruomenės sudėtimi ir funkcija. Tačiau tai kainuoja nepaisant bendruomenės veiksnių, būdingų skirtingiems taksonams.

Daugiafunkciniai metodai galėtų būti integruoti į sistemų biologijos strategijas, pavyzdžiui, siekiant nustatyti asociacijas su skirtingų tipų bendruomenėmis ir specifinius metabolomikos, transkriptomikos ir metagenomikos profilius. Be to, naudojami atsitiktiniai miško modeliai ir kiti pažangūs mašininio mokymosi modeliai, padedantys atskirti VMB, kuriuose dominuoja įvairūs mikrobai, tokie kaip L. crispatus vs. L. iners arba Bifidobacteriaceae.

Įdomu tai, kad neuroninių tinklų modeliai parodė metabolomikos pranašumą tiksliai apibūdinant gimdos kaklelio aplinką, palyginti su VMB sudėtimi arba imunoproteomika. Integruotas šių strategijų taikymas galėtų padėti išsiaiškinti svarbius VMB būsenų veiksnius sveikatos ir ligų srityje.

Ypač svarbios gali būti įgytos žinios apie lytiniu keliu plintančių infekcijų (LPI) riziką, kai padažnėja „blogųjų“ mikrobų. Pavyzdžiui, atrodo, kad L. iners padidėjimas yra susijęs su didesne LPI rizika, o L. gasseri – su sveikata. Ir atvirkščiai, Gardnerella vaginalis ir Prevotella rūšys yra susijusios su chlamidijų infekcija.

Mechanistiniai modeliai apima techniką, vadinamą MIMOSA (Model-based Integration of Metabolite Observations and Species Abundances), kuri naudoja metabolinio tinklo modeliavimą, kad suprastų bendruomenės funkciją per savo genų turinį. Tai padėjo nustatyti Prevotella rūšis ir Atopobium vaginae kaip pagrindinius VMB moduliatorius, naudojant apskaičiuotą bendruomenės metabolito potencialo (CMP) balą. CMP rodo kiekvieno metabolito apyvartą tam tikroje bendruomenėje.

Panašiai genomo masto tinklo rekonstrukcijos (GENRE) galėtų padėti suprasti sudėtingų mikrobų vaidmenį VMB. Įprasta diferencialinė lygtis (ODE) pagrįsti modeliai naudojami tiriant, kaip vaistai gali paveikti VMB ir šios sistemos ekologiją, parodant, kaip sudėtis svyruoja veikiant įvairiems veiksniams.

Kas slypi ateityje?

Įvairiuose tyrimuose daugiausia dėmesio buvo skiriama žarnyno mikrobiomui, beveik 150 milijonų dolerių investuota į naujų tyrimo priemonių kūrimą ir standartizavimą. VMB mokslininkai jas gali panaudoti savo tikslams. Tai apima BURRITO, žiniatinklio įrankį, padedantį vizualizuoti mikrobiomų bendruomenę pagal santykinę gausą. Tai galėtų būti išplėsta, siekiant ištirti VMB metagenomiką, rodančią, kaip paciento simptomai yra susiję su CST.

Prižiūrimi mašininio mokymosi metodai, skirti geriau suprasti VMB, apima duomenų integravimo analizę, skirtą biologinių žymenų atradimui naudojant latentinius komponentus (DIABLO), kuri koreliacijos būdu integruoja omikos duomenų rinkinius, ir negausią reguliariąją generalizuotą kanoninę koreliacijos analizę (SRGCCA), naudojamą Krono ligai gydyti.

Norint įveikti apribojimus, atsiradusius dėl žinių apie funkcinę VMB klasifikaciją stokos, gali būti naudingos neprižiūrimos mokymosi strategijos, tokios kaip: B. daugiafunkcinė faktorių analizė (MOFA).

Daugelis ODE modelių taip pat gali būti naudojami remiantis generalizuotais Lotka-Volterra (gLV) modeliais. Tai apima žiniatinklio gLV, mikrobiomų dinaminių sistemų išvadų variklį, skirtą mikrobiomų laiko eilučių analizei (MDSINE) ir mokymosi sąveikų iš mikrobų laiko eilučių (LIMITS) metodą, taip pat naujesnius pritaikymus, tokius kaip kompozicinis Lotka-Volterra (cLV) ir „Biomasės įvertinimas su maksimizavimo analitikais ir EM modeliu“. nepriklauso nuo bendruomenės kultūrinio pajėgumo ar prieinamumo didelių išilginių duomenų rinkinių.

Naujesni metodai apima tokius algoritmus kaip pastovaus derlingumo lūkesčių sistema (conYE) ir MMinte, kurie imituoja medžiagų apykaitos ir bendruomenės augimo sąlygas, pagrįstas tankia rūšių sąveika. Tokie sudėtingi pritaikymai ir metodai galėtų padėti suprasti veiksnius, kurie formuoja dinamišką VMB sveikatos ir ligų srityje įvairiose populiacijose.

Nuoroda:

• Lee, CYet al. (2022). Neue Perspektiven in das vaginale Mikrobiom mit Systembiologie. Trends in der Mikrobiologie. https://doi.org/10.1016/j.tim.2022.09.011. https://www.sciencedirect.com/science/article/abs/pii/S0966842X22002578

.