掃碼聯(lián)系客服
頂刊：真菌和細菌協(xié)同診斷CRC
真菌：微生物界的老選手，轉(zhuǎn)化為臨床診斷新秀
真菌是尚未得到充分研究的病原體，形成宿主的免疫并感染免疫功能低下的人，包括癌癥患者。
先前研究表明[1]，在多種癌型中發(fā)現(xiàn)了真菌，包括胃腸道和肺部腫瘤等。另外，有助于食管癌和胰腺癌的發(fā)生。
多界微生物個性化思路
立即掃碼上車
在2022年Cancer Discovery雜志上的一篇綜述中提到，腫瘤組織中存在代謝活性、免疫活性、細胞內(nèi)和癌癥類型特異性的細菌和病毒群落，這些群落被納入更新的癌癥“hallmarks”。這些細菌影響癌癥治療。
真菌是否有上述類似的作用，是否應該被包括在癌癥“hallmarks”多態(tài)微生物群落中尚不清楚，這就推動了泛癌真菌群落的表征。
真菌和細菌之間存在共生和拮抗關(guān)系，進一步促進了對它們在腫瘤中的相互作用的研究。發(fā)表在Nature Microbiology雜志中的文章Muti-kingdom microbiota analyses identify bacterial-fungal interaction and biomarkers of colorectal cancer across cohorts（IF：30.96）表明，將真菌和細菌的信息結(jié)合起來可提供對結(jié)直腸癌（CRC）的協(xié)同診斷性能。
該項研究分析了8個國家/地區(qū)CRC隊列中1368個樣本的宏基因組數(shù)據(jù)，鑒定出20個古菌、27個細菌、20個真菌和21個病毒物種可分別用于CRC的單界診斷模型，但基于16個多界標志物（11個細菌、4個真菌和1個古菌）的診斷模型準確性最佳（AUROC=0.83），并在3個獨立隊列中驗證，生態(tài)網(wǎng)絡的Co-abundance分析揭示了CRC中的細菌和真菌物種間的關(guān)聯(lián)，宏基因組功能分析表明，CRC中D-氨基酸代謝和丁酸酯代謝增加，基于功能基因的診斷模型準確性高（AUROC=0.86）。
下面看一下具體研究內(nèi)容吧~
CRC相關(guān)的四界微生物物種的綜合分析
1.收集8個CRC隊列中1368個樣本的宏基因組數(shù)據(jù)，隊列包括FRA、GER、AUS、USA、ITA、CHN、CHN_SH、JPN。
2.通過Shannon指數(shù)評估CRC患者和健康對照組的α多樣性變化。CRC患者的微生物α多樣性下降。β多樣性不僅與疾病狀態(tài)相關(guān)，在不同隊列間也存在差異。
3.不同的微生物種類在不同的隊列中差異很大，但存在一些物種具有一致的變化，比如細菌Alistipes onderdonkii，Parvimonas micra 和Gemella morbillorum，真菌Aspergillus rambellii，Trichophyton mentagrophytes。然而，古菌和病毒在不同隊列中顯示出大量的差異，沒有一致的差異物種。
圖1
二、單界微生物標記物用于CRC診斷
1.鑒定出20種真菌，27種細菌，20種古細菌和21種病毒作為重要特征。
2.基于上述每個單界特征，構(gòu)建五重交叉驗證隨機森林模型。細菌模型在所有隊列中顯示出最強的CRC檢測能力，AUROC平均得分為0.80，范圍為0.73至0.85。真菌模型平均AUROC值為0.77。基于古菌（AUROC=0.74）和病毒（AUROC=0.73）的模型診斷能力相對較差。
3.上述模型診斷能力在不同的地理隊列中顯示出很大的差異，表明這些CRC患者有不同的腸道微生物組特征，很可能是由于飲食差異。
4.為了評估上述特征是否可以普遍應用于CRC診斷并克服地理異質(zhì)性，作者進行了隊列間轉(zhuǎn)移分析和leave-one-cohort-out (LOCO)分析。與交叉驗證模型相比，基于隊列間轉(zhuǎn)移分析的受試者工作特征曲線下面積（AUROC）評分略有降低。而LOCO的AUROC值較隊列間轉(zhuǎn)移分析的AUROC值有所增加。總的來說，結(jié)果證明來自不同界的微生物標記物特征為不同人群的CRC診斷提供了無偏倚的預測能力。
圖2
三、組合多界微生物特征提高預測性能
1.與單界診斷模型相比，雙界特征的AUROC值有所改善，范圍在0.75到0.83之間。其中，結(jié)合細菌與古菌的交叉驗證模型平均AUROC值為0.83，高于任何一個單界預測模型。結(jié)合細菌和真菌的模型平均AUROC值也達到了0.83。
2.除了古菌-真菌-病毒模型平均AUROC值為0.79，其它三界模型平均AUROC值都達到了0.83。結(jié)果表明組合三界微生物特征構(gòu)建模型，其預測性能并沒有得到改進。
3.基于四界微生物特征構(gòu)建的模型平均AUROC值為0.84，略有改善。四界模型共具有41個特征，包括細菌標記13個，真菌標記5個，古菌標記1個，病毒標記1個。大多數(shù)可預測的信息來源于細菌和真菌maker。因此，多界模型并沒有進一步提高診斷模型的性能。
圖3
四、識別多界微生物基本特征，確定最小面板
1.基于四界微生物特征構(gòu)建的模型對CRC診斷最有效，因此需要確定其基本特征。
2.細菌種類G. morbillorum、P. micra、Ruminococcus bicirculans、R. nestiinalis和F. nucleatum對四界模型預測價值的貢獻排在前5位 和第7位。
3.真菌種類A. rambellii,、Sistotremastrum suecicum、T. islandicus 和 A. niger被鑒定為是重要的特征（分別是第4、第6、第8和第13位）。
4.3個古菌種Pyrobaculum arsenaticum、Nitrosotalea devanaterra和Pyrobaculum neutrophilum分別排在第12、23和27位。
5.基于前16個特征構(gòu)建的模型平均AUROC值為0.83，在各單一隊列中表現(xiàn)出良好的診斷性能（在獨立隊列中得到驗證）。
數(shù)據(jù)表明，來自細菌、真菌和古菌的至少16個特征組可作為CRC早期及晚期診斷工具。
五、CRC與對照組間多界Co-abundance分析
1.基于不同物種豐度的Co-abundance分析顯示，CRC患者的生態(tài)網(wǎng)絡比對照組更復雜。除了界內(nèi)種間的緊密聯(lián)系外，界外種間，特別是細菌界和真菌界之間也存在著密切的聯(lián)系。對照組網(wǎng)絡包含112個物種的273個共豐度相關(guān)，CRC網(wǎng)絡包含120個物種的360個共豐度相關(guān)。
圖4
六、CRC微生物功能改變
1.共鑒定出1053個KO差異基因，其中612個KO基因在CRC患者中比對照組豐度增加。
2.共鑒定出49個差異通路，其中26條通路在CRC患者中比對照組顯著上調(diào)，23條通路下調(diào)。與碳水化合物代謝有關(guān)的途徑，如丁酸、抗壞血酸和赤氨酸代謝，在CRC患者中增加。而D -精氨酸和D-鳥氨酸的代謝也增強了。
3.研究與增強D -精氨酸、D -鳥氨酸和丁酸鹽代謝相關(guān)的關(guān)鍵基因，結(jié)果發(fā)現(xiàn)，與對照組相比，CRC組在丁酸鹽代謝中bdhA/B的豐度，以及D -精氨酸、D -鳥氨酸代謝中oraE，oraS 的豐度均顯著提高。
4.基于175個EggNOG基因的模型具有最佳的CRC預測精度，平均交叉驗證AUROC為0.86。
上述數(shù)據(jù)支持了微生物群介導的CRC功能發(fā)生改變的觀點。
圖5
該項研究是迄今為止在結(jié)直腸癌患者中樣本量最大、最全面的基于宏基因組測序的微生物組分析，不僅系統(tǒng)的探索了CRC相關(guān)的微生物，包括細菌、真菌、病毒和古菌，還構(gòu)建了診斷模型。盡管微生物診斷模型具有挑戰(zhàn)性，但該研究證實了結(jié)合多界微生物特征比單一水平模型表現(xiàn)出更優(yōu)越的診斷性能。
目前已有多種癌型的微生物公開數(shù)據(jù)，包括TCGA 32種癌型瘤內(nèi)微生物測序數(shù)據(jù)，可以充分挖掘其中的價值，進行特定癌型診斷、預后微生物標志物的篩選鑒定，單界多界微生物標志物、微生物特征聯(lián)合臨床變量診斷等多種思路可選擇，如果大家對該領(lǐng)域感興趣的話，趕緊掃碼咨詢吧~
多界微生物個性化思路
立即掃碼上車
[1] Pan-cancer analyses reveal cancer-type-specifific fungal ecologies and bacteriome interactions
