系统生物学视角下的阴道微生物组

系统生物学视角下的阴道微生物组

人体有机体是一个由共存微生物群组成的复杂生态系统，包括女性肠道、皮肤和阴道中的微生物群。 这些在健康和疾病中发挥着至关重要的作用。 然而，关于它们还有很多东西需要了解。

最近在线发表的一篇新论文 微生物学趋势 该杂志回顾了研究阴道微生物组 (VMB) 的系统生物学方法，这有助于了解其组成和功能，以及它与宿主相互作用的机制。

考试： 系统生物学对阴道微生物组的新视角 。 图片来源：Design_Cells / Shutterstock

介绍

VMB 对女性生育能力至关重要，其疾病可能与妊娠疾病、盆腔炎 (PID) 等妇科疾病以及影响女性泌尿生殖道和生殖道的多种感染有关。 此外，VMB 可能有助于影响女性的药物有效性。

然而，人们对 VMB 知之甚少，除了一个模糊的想法，即乳酸菌的优势与具有同质群落结构的“良好”状况相关。 相反，当更丰富的物种被识别出来时，VMB 就会出现不良状态。

后一种不理想的状况通常与细菌性阴道病 (BV) 有关，三分之一的女性在育龄期间会发生细菌性阴道病，可能会对她们的生育能力产生严重后果。 因此，需要在这一领域进行研究，以了解这种关联的方向和程度。

问题

尽管在这一领域已经进行了许多研究，但由于微生物和其他宿主因素之间复杂的相互作用，很难理解最佳的 VMB 是什么样子。 这意味着健康的 VMB 因女性而异，并且在同一个人生命周期的不同阶段也可能存在显着差异。

这种变化在几天内就会发生，而肠道、皮肤和口腔微生物组中观察到的变化要慢得多，这些变化可能需要数月甚至数年的时间。 不幸的是，这使得横截面数据对于研究 VMB 组成、功能和疾病之间的关联来说非常不具有代表性，从而使这些数据中的大部分变得不太有用。

在这方面，人类的 VMB 与动物和基于培养的模型的 VMB 存在显着差异。 在前一种情况下，即使是非人类灵长类动物也没有表现出人类阴道的特征条件，包括酸性 pH 值和乳酸菌优势。

在后一种情况下，一些微生物对体外培养具有难以置信的抵抗力，而不同的实验室根据培养基使用不同的培养条件。 这可能会使生长环境与人类子宫颈和阴道的生长环境非常不同，这将使此类实验的结果无效。

因此，培养、鉴定和量化阴道微生物群的临床样本构成了人类 VMB 信息的主要来源。 该信息由实验变量和宿主变量着色，需要复杂的统计调整才能得出有效的结论。

“虽然与所有微生物组位点相关，但[这]特别适用于 VMB，因为缺乏允许在受控条件下询问阴道微生物群的实验模型。”

解决方案

这种僵局可以通过系统生物学方法来解决，其中定量分析用于提取影响微生物群落行为和功能的重要因素。 因此，“将系统生物学技术应用于其他微生物组，以及新技术的开发并将这些方法应用于VMB，将对改善女性健康产生重大影响。”

系统生物学的使用可以解决这种复杂且多个外部和内部交互网络的挑战。 此外，根据可用信息的类型和研究的目标，可以使用多种方法。

因此，当相对较新的研究领域中高通量数据丰富时，统计或数据驱动的方法是理想的选择。 这可以帮助提供有关哪些微生物特征与疾病或健康相关的线索。 由于人们对 VMB 知之甚少，数据驱动模型迄今为止一直盛行。

相反，当人们对系统有很多了解或至少有基本数据可用并且需要了解生物功能背后的因果关系机制时，基于假设的机械方法会更好。 此外，它们还有助于确定正常和异常情况下微生物组成和相互作用可能发生的范围。

药物发现电子书

去年热门采访、文章和新闻的汇编。 下载免费副本

一些机械方法包括质量作用动力学或群体动力学模型（基于微分方程）、基因组规模代谢模型（GEM）和基于代理的模型（ABM）。

取得了什么成果？

系统生物学方法已经帮助识别和分类与健康、疾病或两者之间过渡相关的社区状态类型（CST）。 他们首先根据微生物丰度进行定义，整合患者人口统计和健康数据以形成分层聚类组。 此外，还开发了其他方法（例如最近质心分类）来克服以前方法中数据集的固有变化。

CST 分组有助于简化 VMB 组成，从而表明与群落组成和功能的关联。 然而，这是以忽视不同类群特有的群落因素为代价的。

多组学方法可以整合到系统生物学策略中，例如识别不同类型群落和特定代谢组学、转录组学和宏基因组学概况的关联。 此外，随机森林模型和其他先进的机器学习模型正在投入运行，以帮助区分以不同微生物为主的 VMB，例如卷曲乳杆菌与惰性乳杆菌或双歧杆菌。

有趣的是，神经网络模型已经证明，与 VMB 组成或免疫蛋白质组学相比，代谢组学在准确描述宫颈阴道环境方面具有优越性。 这些策略的综合应用有助于梳理出 VMB 状态在健康和疾病方面的重要驱动因素。

随着“坏”微生物频率的增加，获得有关性传播感染 (STI) 风险的知识可能尤其重要。 例如，惰性乳杆菌的增加似乎与性传播感染的较高风险相关，而加氏乳杆菌则与健康相关。 相反，阴道加德纳菌和普氏菌属与衣原体感染有关。

机制模型包括称为 MIMOSA（基于模型的代谢物观测和物种丰度整合）的技术，该技术使用代谢网络模型通过其基因内容来了解​​群落功能。 这有助于使用计算的基于群落的代谢潜力 (CMP) 评分确定普雷沃菌属物种和 Atopobium v​​aginae 作为 VMB 的关键调节剂。 CMP 显示给定群落每种代谢物的周转率。

同样，基因组规模的网络重建（GENRE）可以帮助理解复杂微生物在 VMB 中的作用。 基于常微分方程 (ODE) 的模型用于研究药物如何影响 VMB 和该系统的生态，显示药物在暴露于各种因素后如何波动。

未来是什么？

各种研究都集中在肠道微生物组上，已投资近 1.5 亿美元用于开发和标准化其研究的新工具。 VMB 研究人员可以将它们用于自己的目的。 其中包括 BURRITO，一种网络工具，可帮助通过相对丰度可视化微生物群落。 这可以扩展到研究 VMB 宏基因组学，显示患者症状与 CST 的关系。

更好地理解 VMB 的监督机器学习方法包括使用潜在组件进行生物标志物发现的数据集成分析 (DIABLO)，它通过相关性集成组学数据集，以及用于克罗恩病的稀疏正则广义典型相关分析 (SRGCCA)。

为了克服由于缺乏 VMB 功能分类知识而造成的限制，无监督学习策略可能很有用，例如： B. 多组学因素分析 (MOFA)。

许多 ODE 模型也可以基于广义 Lotka-Volterra (gLV) 模型使用。 其中包括 web-gLV、用于微生物组时间序列分析的微生物动力系统推理引擎 (MDSINE) 和微生物时间序列学习交互 (LIMITS) 方法，以及最近的改编，例如组合 Lotka-Volterra (cLV) 和“期望最大化的生物量估计和模型推理”算法 (BEEM)，这些算法不依赖于社区或社区的文化能力 大型纵向数据集的可用性。

较新的方法包括恒定产量预期框架 (conYE) 和 MMinte 等算法，它们根据物种之间的密集相互作用来模拟新陈代谢和群落生长的条件。 这种复杂的适应和方法可以帮助理解影响不同人群健康和疾病动态 VMB 的因素。

参考：

• 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

。