Kluczowe wnioski:

  • Badanie przeanalizowało 680 próbek kału za pomocą zintegrowanego profilowania optycznego, elektrochemicznego, akustycznego i spektralnego.
  • Algorytmy uczenia maszynowego zidentyfikowały siedem głównych profili metabolicznych jelit oraz 26 podprofilów.
  • Model osiągnął 81,7% dokładności w przypisywaniu próbek do odpowiednich kategorii metabolicznych.
  • Profile te łączą się z różnym stopniem różnorodności mikrobiomu i stanami funkcjonalnymi organizmu.

Nowoczesne badania nad mikrobiomem jelitowym coraz częściej sięgają po zaawansowane metody analizy fizykochemicznej kału. Dzięki nim można uzyskać szerszy obraz stanu metabolicznego organizmu bez konieczności stosowania skomplikowanych procedur diagnostycznych. Przedstawione wyniki pokazują, jak wielowymiarowe pomiary pomagają uporządkować różnorodne stany jelitowe w czytelne grupy.

Jak przeprowadzono badanie

Analizie poddano 680 próbek kału pochodzących od uczestników badania. Zastosowano kompaktową platformę drukowaną w technologii 3D, która umożliwiała równoczesne pomiary optyczne, elektrochemiczne, akustyczne, magnetyczne oraz spektralne. Takie podejście pozwoliło na uzyskanie wielowymiarowego obrazu właściwości fizykochemicznych każdej próbki.

Zastosowane techniki pomiarowe

Pomiary obejmowały zarówno właściwości optyczne i spektralne, jak i parametry elektrochemiczne oraz akustyczne. Wszystkie dane zebrano w ujednolicony sposób, co ułatwiło późniejszą analizę statystyczną. Dzięki temu możliwe stało się wykrycie powtarzalnych wzorców w dużych zbiorach próbek.

Główne wyniki analizy

Analiza wielowymiarowa wyjaśniła 78,4% uporządkowanej zmienności w danych. Optymalizacja klastrów pozwoliła wyróżnić siedem głównych grup oraz 26 podgrup strukturalnych. Poszczególne profile odzwierciedlają różne dominujące procesy metaboliczne, takie jak proteoliza, sacharoliza czy obecność barwników.

  • Profil normobiotyczny charakteryzuje się wysoką różnorodnością i niskim poziomem dysbiozy.
  • Profil sacharolityczny wykazuje kwaśne środowisko i wysoką różnorodność mikrobiologiczną.
  • Profil proteolityczny wiąże się z zasadowym odczynem oraz podwyższonym poziomem fenoli i amoniaku.

Skuteczność modelu uczenia maszynowego

Nadzorowana warstwa modelu osiągnęła 81,7% dokładności w powtarzalnej walidacji krzyżowej. Wartość makro F1-score wyniosła 0,799, co potwierdza dobrą powtarzalność przypisań. W obrębie kohorty aż 84,1% próbek zostało prawidłowo przypisanych do odpowiednich podgrup.

Sprawdź również:  Wpływ leczenia myo-inozytolem na poziom asprosinu w surowicy krwi ciężarnych kobiet

Związek z mikrobiomem i markerami laboratoryjnymi

Profilowanie 16S rRNA oraz markerów laboratoryjnych potwierdziło strukturę uzyskaną metodami fizykochemicznymi. Profil bogaty w barwniki cechował się wysoką dysbiozą i obniżoną różnorodnością. Z kolei profile związane z żółcią wykazywały wzbogacenie funkcjonalne w określone szlaki metaboliczne.

Metoda ta stanowi ujednolicony sposób profilowania matrycy kałowej i odzwierciedla stany funkcjonalne wspierane przez mikrobiom. Nie zastępuje ona jednak samodzielnych testów diagnostycznych i wymaga dalszych badań klinicznych.

Źródło: Oryginalny artykuł