NPJ PD|北京大学袁俊亮/赵荣生团队基于新型网络算法构建帕金森病相关肠道菌群预测模型

学术   2024-11-06 00:01   上海  

【神经科学前沿技术培训系列】详见文末


撰文赵  喆

审阅︱袁俊亮,赵荣生

责编︱王思珍


帕金森病Parkinson’s Disease, PD)是发病率、致残率、死亡率增长最快的神经退行性疾病,目前尚缺乏早期诊断的可靠生物标志物。近年来,大量证据显示肠道微生物与PD发病密切相关,提示肠道菌群有望成为PD早期诊断的生物标志物[1]然而,由于饮食、药物和方法学等因素影响,不同研究间发现的PD相关差异菌不完全一致[2]导致目前PD诊断仍缺乏经济而有效的肠道菌群生物标志物。因此,不同研究间的批次效应校正在整合肠道菌群数据中至关重要。但是,目前考虑批次效应的综合分析研究有限2022年,赵方庆团队在Nat Comput Sci杂志首次发表的NetMoss算法能够整合多个队列的肠道微生物组数据并减少批次效应,更准确地捕捉关键肠道菌[3]因此,作者猜想应用该新型网络算法整合分析肠道微生物组数据能够捕捉到高效区分PD患者和健康对照的肠道菌。


近期,北京大学第六医院神经内科袁俊亮和北京大学第三医院药学部赵荣生团队在npj Parkinson’s disease发表了题为“Microbial biomarker discovery in Parkinson’s disease through a network-based approach”的文章,大规模整合分析了PD相关肠道菌群数据,深入探究其与PD之间的相关性;并利用新型网络算法挖掘潜在的微生物标志物、开发稳健的PD发病预测模型,为PD的筛查和早期诊断提供新思路和新方法。(拓展阅读:袁俊亮课题组往期进展,详见“逻辑神经科学”报道(点击阅读)Cell Death Discov︱阴赪宏/袁俊亮/曾扬合作揭示NTRK1敲低诱导小鼠认知障碍和海马神经元损伤的机制
 


研究人员通过检索所有已发布的包含原始16S rRNA基因测序数据和患者信息的人类粪便样本研究,共纳入了来自荷兰、芬兰、中国、日本和德国的5项研究的616S rRNA基因测序数据集,共分析了550PD456例健康对照(Healthy controlHC)的粪便样本(图1


1 研究设计示意图

首先,研究人员简单整合6个数据集,对PDHC组的微生物组成进行了分析和比较。肠道微生物组的α多样性在这两组之间表现出统计学显著差异Shannon指数,P = 0.0014(图2aSimpson指数,P = 0.00162b。通过多变量方差分析(PERMANOVA)方法比较了β多样性,结果显示微生物组成在不同研究之间或组间存在显著差异(均P = 0.0012c。这些结果表明,不同研究间的差异大于病例对照组间的差异,提示研究因素是整合微生物数据集时的重要混杂因素。研究还展示了不同数据集中的PDHC组在各级分类水平的肠道微生物组成情况,以及显著差异微生物的进化关系(图2d-e这部分研究结果突出了PD患者的独特肠道微生物特征,提示肠道微生物可能作为PD诊断的生物标志物。


2 PD患者的肠道微生物组成改变

研究者在属水平上进一步对相对丰度进行差异分析,揭示了PD患者肠道微生物群组成显著的失调。在所有6个数据集中,PD患者中32个菌属的相对丰度发生了显著变化FDR < 0.05Wilcoxon秩和检验3a。一些已知的丁酸盐生成菌(如FaecalibacteriumRoseburiaCoprococcus_2)在PD群体中显著减少。丁酸盐是一种由肠道微生物产生的短链脂肪酸(SCFA),具有抗炎作用,这表明这些属可能与PD中的抗炎机制有关(图3a。随后,研究人员在各个数据集中分别对这些改变的属进行差异分析。一些菌属(如OscillibacterAkkermansiaUBA1819BarnesiellaParabacteroidesErysipelatoclostridium等)在所有研究中均表现出PD患者的相对丰度一致升高(图3a。然而,对于其他一些属,不同研究中相对丰度的变化趋势不一致,例如FaecalibacteriumFaecalitaleaFournierellaCoprococcus_2(图3a这部分结果表明,不同研究间发现的PD相关差异菌属不完全一致。


考虑到不同研究间肠道微生物特征的差异,研究人员应用了新型网络整合算法——NetMoss来消除批次效应并识别潜在的PD微生物标志物。在整合6个微生物组测序数据集时,使用NetMoss包计算每个菌属的NetMoss评分(图3b,并捕捉到35个潜在的PD微生物生物标志物(NetMoss评分 > 0.6)。为了进一步分析细菌分类群之间的关联,研究人员分别在PD组和HC组中构建了网络。结果显示PD组和HC组之间存在不同的关键菌属及网络结构(图3c


3 基于网络算法NetMoss识别菌属水平的肠道微生物标志物

研究人员通过整合6PD数据集,采用10折交叉验证法构建了区分PDHC样本的随机森林模型。基于NetMoss确定的35个核心菌属,得到了一个高性能的分类模型(准确率=0.842AUC=0.9094a。鉴于实际诊断过程中的成本,有必要通过减少特征数量来优化分类模型。为了确定所需的最少特征数量,研究者应用了递归特征消除(Recursive feature eliminationRFE)方法。结果表明从10个特征开始,模型的准确性维持在相对较高的水平(图4b。接着,研究者通过计算35个核心菌属的MeanDecreaseGini评分,量化各特征对模型的贡献。随后依次选择MeanDecreaseGini评分高的菌属来构建随机森林模型,发现前11个菌属构建的模型具有相对高的预测准确性和最少的特征数量(图4c。该优化的PD分类模型在训练集(准确率=1AUC=1)和测试集(准确率=0.802AUC=0.8644d中均表现出高性能。该分类模型包含AlistipesBlautiaButyricicoccusErysipelatoclostridiumFaecalibacteriumFamily XIII AD3011 groupFamily XIII UCG-001LachnoclostridiumLachnospiraceae FCS020 groupLachnospiraceae UCG-004Ruminococcaceae UCG-002作为预测因子。研究者收集了6PD患者和6例匹配的HC对照个体的粪便样本,进行宏基因组分析,发现PD患者中BlautiaP < 0.014eLachnoclostridiumP < 0.054fFaecalibacterium(图4g的相对丰度下降。验证了这些菌属在分类模型中的关键作用。


4 构建基于肠道微生物的PD分类模型


研究人员进一步利用Reporter Score算法探究了PD患者肠道微生物功能的潜在变化。PD组共富集了33条京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and GenomesKEGG)通路。其中,神经退行性病变-多种疾病(Pathways of neurodegeneration-multiple diseases帕金森病(Parkinson disease是两个在PD组中丰度显著增加的重要通路,提示肠道微生物组的改变可能参与PD的发病(图5a。此外,代谢通路(Metabolic pathways也在PD患者肠道微生物中富集(图5a,表明代谢通路的紊乱可能是PD发病的潜在机制。一些与PD相关的代谢途径,包括硫辛酸代谢(图5b、甘油磷脂代谢(图5c等在PD中升高。为了确定上述分类模型中的关键菌属对这些潜在改变功能通路的影响,基于KEGG通路丰度和菌属相对丰度进行了Spearman相关性分析。结果发现,BlautiaButyricicoccusErysipelatoclostridiumFaecalibacteriumLachnoclostridium的丰度与帕金森病和硫辛酸代谢通路显著相关。此外,BlautiaErysipelatoclostridiumAlistipesLachnoclostridium属与甘油磷脂代谢显著相关(图5d这部分研究提示,肠道微生物可能通过调节代谢通路参与PD发病,而PD分类模型中的菌属可能是影响这些通路的关键微生物。

 
5 PD患者肠道微生物的功能改变


文章结论与讨论,启发与展望

综上所述,本研究首次利用网络整合分析算法,实现对PD相关大规模肠道菌群数据的高效整合与疾病诊断微生物标志物的精准识别,不仅对PD的早期诊治和预防有深远意义,还有望为PD的发病机制提供新线索。然而,地理因素、饮食习惯和药物使用等其他因素可能引入偏倚,这在未来的研究中应予以考虑。在该诊断模型能够实际应用之前,进行大规模前瞻性临床研究以验证和进一步优化是至关重要的。


原文链接:https://www.nature.com/articles/s41531-024-00802-2
 
第一作者:赵喆(左);通讯作者:赵荣生(中);通讯作者:袁俊亮(右)

图片来自课题组

第一作者:赵喆2022年博士毕业于北京协和医学院(清华大学医学部),现就职于北京大学第三医院。曾获得博士研究生国家奖学金、北京市优秀毕业生、北京协和医学院优秀毕业生校长奖等多项荣誉称号。


主要研究方向为:肠道菌群及其代谢产物在疾病中的作用及机制、炎症免疫相关疾病的细胞和分子机制研究及药物作用靶标发现。主持国自然青年基金1项、北京大学临床医学+X青年专项1项、北京大学扬帆计划青年培育基金1项、北京大学第三医院临床重点项目(人才类)1项。目前以独立第一作者身份在Acta Pharm Sin BMicrobiomeBrain Behavior and Immunity等国内外知名期刊发表SCI文章12篇,其中单篇文章引用量236,被评为Web of Science高被引文章,获得第十七届北京青年优秀科技论文奖;现任AME期刊、International Journal of Microbiology and Biotechnology期刊、《药物流行病学》杂志青年编委。


北京大学第三医院药学部主任赵荣生主任药师、北京大学第六医院神经内科主任袁俊亮主任医师为论文的共同通讯作者。

 
通讯作者:赵荣生,二级教授、主任药师,博导,任北京大学第三医院工会主席,药剂部主任;英国曼彻斯特大学荣誉教授,北京大学药学院药事管理与临床药学系副主任。主要学术兼职:国家药典委员会委员、国家卫生健康委药事管理与药物治疗学委员会委员、中国药学会医院药学专委会、循证药学专委会副主委、中国医院协会药事专委会副主委、北京医学会临床药学分会候任主委、北京药学会医院药学专委会主委;AJHP(中文版)主编、《中国药房》主编。


主要研就方向:循证药学、临床药物治疗评价、治疗药物监测和个体化治疗,主持国家自然科学基金、科技部国家科技重大专项、科技部国家重点研发计划、北京市科委专项重点课题等35余项;发表论文220余篇(其中ESI高被引论文3篇,首都前沿学术成果2篇);出版著作20余部;获国家发明专利10项,科研成果转化1000余万元。


通讯作者:袁俊亮,医学博士,哈佛大学医学院博士后,主任医师,副教授,博士生导师,北京大学第六医院神经内科主任,国家临床重点专科(神经内科)学科带头人。担任中华医学会精神医学分会精神神经协作组组长,中华医学会精神医学分会精准医学协作组副组长,中华医学会神经病学分会神经生化学组委员,中国医师协会神经内科分会神经心理和情感障碍委员,中国卒中学会血管性认知障碍分会委员/脑小血管病分会委员/青年理事会理事,中国微循环学会神经变性病专委会青年委员会主任委员等学术任职。


主要研究方向为神经系统变性病,认知障碍相关疾病,运动障碍相关疾病和睡眠障碍等。主持国自然基金三项、科技创新2030“脑科学与类脑研究重大项目子课题、北京大学首届临床科学家项目等课题。第一/通讯作者在Bioact MaterCell Death DiscovNPJ Parkinson disease等杂志发表SCI论文47篇,引用次数超过1300次,H指数21i10指数36。担任多家SCI杂志编委,作为副主编或者编委参编图书8部,授权国家专利4项。


本研究的资助包括:国家自然科学基金(8207155222376006)、中国科学院基金(JCTD-2021-06)、北京大学临床科学家培养计划(BMU2023PYJH018)、北京大学临床医学+X 青年专项(PKU2023LCXQ015)、北京大学第三医院临床重点项目(BYSY2022053)。



转载须知“逻辑神经科学”特邀稿件,且作者授权发布;本内容著作权归作者和“逻辑神经科学”共同所有;欢迎个人转发分享,未经授权禁止转载,违者必究。

     


     
【神经科学前沿技术培训系列】

【光遗传学与遗传编码钙探针和神经递质探针工作原理及应用】【在体成像技术在神经科学研究的基础与应用】(第九期)。时间 待定(周六至周一);地点 南京

【脑片膜片钳记录系统的操作和应用】(第六期)。时间 2024126-8;地点 南通

【神经科学前沿技术整合:当在体电生理邂逅光遗传】(第一期),时间 2024119-11(周六至周一);地点 南京

全国前沿组织透明化与三维成像理论和技能培训班(第二期),时间 待定;地点 武汉

【疾病研究与动物行为学系列】

阿尔兹海默症最新研究进展和热点与动物行为学实验设计思路和数据分析(第二期。时间 待定,地点 线上

“理论知识,操作技能,科研思维”
报名方式:15108204441(电话)Wang_Sizhen(微信)
(点击标题阅读全文)

逻辑神经科学”微信群:文献学习

扫码添加微信,并备注:逻辑-文献-姓名-单位-研究领域-学位/职称
(注:不按要求格式备注,则不通过好友申请)
     
参考文献
[1] TANSEY M G, WALLINGS R L, HOUSER M C, et al. Inflammation and immune dysfunction in Parkinson disease[J]. Nat Rev Immunol, 2022, 22(11): 657-673.

[2] TAN A H, LIM S Y, LANG A E. The microbiome-gut-brain axis in Parkinson disease - from basic research to the clinic[J]. Nat Rev Neurol, 2022, 18(8): 476-495.

[3] XIAO L, ZHANG F, ZHAO F. Large-scale microbiome data integration enables robust biomarker identification[J]. Nature Computational Science, 2022, 2(5): 307-316.


编辑︱王思珍
本文完



逻辑神经科学
以逻辑之学术思维,探索神经科学奥秘;汇百家争鸣,促求真明理。
 最新文章