Using data science for medical decision making case: role of gut microbiome in multiple sclerosis.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

On yıl önce, mikrobiyom veri sıralama tekniklerindeki gelişmeler, mikrobiyomun araştırılmasını ve konak organizmayla olan ilişkisini başlattı. Takip eden büyük miktarda verinin analizi için sofistike biyoinformatik ve veri bilimi araçlarının geliştirilmesi. O zamandan beri, mikrobiyomun insan bağırsak sisteminde yaşayan bir mikroorganizma ağı olarak tanımlandığı analiz edilen bağırsak mikrobiyom verileri, bağırsak bağırsağı sendromu - IBS, kolorektal kanser, diyabet, obezite ve metabolik sendrom gibi çeşitli koşullarla ve son zamanlarda Parkinson ve Alzheimer hastalıklarının incelenmesiyle ilişkilendirilmiştir. Bu makale, multipl skleroz tanısı konmuş bireylerin mikrobiyal verileri ile kamuya açık veriler üzerinde veri bilimi tekniklerinden yararlanarak olmayanların mikrobiyal verileri arasındaki farklılıkların anlaşılmasını sağlamayı amaçlamaktadır.MetodlarBu çalışma, 16s rRNA dizileme tekniği ile elde edilen örnekleri kullanarak, bir otoimmün merkezi sinir sistemi hastalığı olan multipl skleroz (MS) ve bağırsak mikrobiyal topluluk bileşimi arasındaki ilişkiyi inceler. Üç bağımsız çalışma (Jangi et al, Nat Commun 7:1-11, 2016), (Miyake et al, PLoS ONE 10:0137429, 2015), (McDonald et al, Msystems 3:0031-18, 2018) sırasında sıralanmış üç farklı MS örneği seti kullandık ve bu yaklaşım sonuçlarımızı güçlendiriyor. Analiz edilen diziler sağlıklı kontrolden ve MS dizi gruplarındandı. (Jangi et al, Nat Commun 7:1-11, 2016) veri kümesi örneklerinden alınan istatistiksel olarak anlamlı bakteri kümesi ve istatistiksel olarak anlamlı tahmin fonksiyonları Random Forest sınıflandırıcı geliştirmek için kullanılmıştır. Toplamda, iki kritere dayanan 8 model: bakteri bolluğu (altı taksonomik seviyede) ve tahmin fonksiyonları (iki seviyede) inşa edildi ve değerlendirildi. Bunlar, farklı taksonomi seviyelerinde taksonomi bolluğunun kullanılmasının yanı sıra, farklı hiyerarşik KEGG yollarında öngörücü fonksiyon analizi içerir.SonuçlarSınıflandırma modelinin en yüksek doğruluğu, taksonomi cinsi seviyesinde (76.82%) ve üçüncü hiyerarşik seviye KEGG yollarında (70.95%) elde edilmiştir. İkinci veri kümesinin 18 MS örneği (Miyake et al, PLOS ONE 10:0137429, 2015) ve 18 kendi kendine bildirilen sağlıklı örnek (McDonald et al, Msystems 3:0031-18, 2018) geliştirilmiş sınıflandırma modelini doğrulamak için kullanıldı. Bu adımın önemi, modelin belirli bir veri kümesi için fazla eğitilmediğini, ancak diğer bağımsız veri kümelerinde de kullanılabileceğini göstermektir. Yine, her iki veri kümesinin birleştirilmesi için en yüksek sınıflandırma modeli doğruluğu, cins düzeyinde taksonomi (70.98%) ve üçüncü hiyerarşik düzeyde KEGG yollarında (67.24%) elde edildi. Bağımsız setin doğruluğu çok alakalı kaldı.Sonuçlarımız, geliştirilen sınıflandırma modelinin bağırsak mikrobiyom örneklerini toplayarak ve analiz ederek MS durumunun varlığını veya yokluğunu önermek için kullanılabilecek iyi bir araç sağladığını göstermektedir. Modelin doğruluğu, daha yüksek takson çözünürlüğüne (yani av tüfeği metagenomik dizilimine) izin veren sıralama yöntemleri kullanılarak daha da artırılabilir.

Özgün kaynak özetini okuyun

BackgroundA decade ago, the advancements in the microbiome data sequencing techniques initiated the development of research of the microbiome and its relationship with the host organism. The development of sophisticated bioinformatics and data science tools for the analysis of large amounts of data followed. Since then, the analyzed gut microbiome data, where microbiome is defined as a network of microorganisms inhabiting the human intestinal system, has been associated with several conditions such as irritable bowel syndrome - IBS, colorectal cancer, diabetes, obesity, and metabolic syndrome, and lately in the study of Parkinson's and Alzheimer's diseases as well. This paper aims to provide an understanding of differences between microbial data of individuals who have been diagnosed with multiple sclerosis and those who were not by exploiting data science techniques on publicly available data.MethodsThis study examines the relationship between multiple sclerosis (MS), an autoimmune central nervous system disease, and gut microbial community composition, using the samples acquired by 16s rRNA sequencing technique. We have used three different sets of MS samples sequenced during three independent studies (Jangi et al, Nat Commun 7:1-11, 2016), (Miyake et al, PLoS ONE 10:0137429, 2015), (McDonald et al, Msystems 3:00031-18, 2018) and this approach strengthens our results. Analyzed sequences were from healthy control and MS groups of sequences. The extracted set of statistically significant bacteria from the (Jangi et al, Nat Commun 7:1-11, 2016) dataset samples and their statistically significant predictive functions were used to develop a Random Forest classifier. In total, 8 models based on two criteria: bacteria abundance (at six taxonomic levels) and predictive functions (at two levels), were constructed and evaluated. These include using taxa abundances at different taxonomy levels as well as predictive function analysis at different hierarchical levels of KEGG pathways.ResultsThe highest accuracy of the classification model was obtained at the genus level of taxonomy (76.82%) and the third hierarchical level of KEGG pathways (70.95%). The second dataset's 18 MS samples (Miyake et al, PLoS ONE 10:0137429, 2015) and 18 self-reported healthy samples from the (McDonald et al, Msystems 3:00031-18, 2018) dataset were used to validate the developed classification model. The significance of this step is to show that the model is not overtrained for a specific dataset but can also be used on other independent datasets. Again, the highest classification model accuracy for both validating datasets combined was obtained at the genus level of taxonomy (70.98%) and third hierarchical level of KEGG pathways (67.24%). The accuracy of the independent set remained very relevant.ConclusionsOur results demonstrate that the developed classification model provides a good tool that can be used to suggest the presence or absence of MS condition by collecting and analyzing gut microbiome samples. The accuracy of the model can be further increased by using sequencing methods that allow higher taxa resolution (i.e. shotgun metagenomic sequencing).

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.