Utilizarea inteligenței artificiale pentru a îmbunătăți succesul transplanturilor de microbiotă fecală
Un nou cadru de inteligență artificială, numit MOZAIC, ar putea ajuta medicii să potrivească mai precis donatorii și receptorii pentru transplanturi fecale, sporind succesul tratamentului prin predicția modului în care microbiomurile intestinale se vor adapta după terapie.
Un studiu recent publicat în Cell Reports a investigat dacă potrivirea donator-receptor a microbiomului intestinal, realizată cu ajutorul MOZAIC, poate îmbunătăți eficacitatea clinică a transplantului de microbiotă fecală (FMT) prin optimizarea convergenței microbiomului post-FMT și prin predicția rezultatelor pacienților.
Transplantul de microbiotă fecală (FMT) este o terapie bine stabilită pentru infecția recurentă cu Clostridioides difficile (CDI) și este evaluat pentru alte tulburări gastrointestinale și metabolice. FMT restabilește diversitatea microbiană intestinală și funcția metabolică, inversând efectele disbiozei și susținând homeostazia intestinală.
Cu toate acestea, rezultatele FMT variază între receptori. Deși majoritatea optimizărilor s-au concentrat pe selecția donatorilor, factorii specifici receptorului sunt din ce în ce mai recunoscuți ca determinanți majori ai engraftării și răspunsului terapeutic. Diferențele în rezultatele obținute de receptori transplantați de la același donator subliniază importanța integrării rezilienței receptorului în strategiile FMT.
Interacțiunea microbiană donator-receptor influențează critic rezultatele FMT, însă modelele computaționale actuale nu au capacitatea de a surprinde pe deplin dinamica microbiană complexă și variabilitatea răspunsului între indivizi. Aplicațiile de învățare automată (ML) au încercat să prezică profilurile microbiomului receptor post-FMT și răspunsurile clinice, dar limitările modelului împiedică integrarea cuprinzătoare a interacțiunilor bidirecționale dintre donatori și receptori. Este nevoie de cadre computaționale îmbunătățite pentru a realiza potrivirea precisă a donator-receptor și pentru a îmbunătăți eficacitatea FMT.
Studiul actual a analizat sistematic 515 evenimente FMT provenite din 30 de seturi de date diverse, incluzând 24 de seturi de date publice și 6 interne, acoperind 3 voluntari sănătoși și 12 indicații de boală. Dintre acestea, 94 de metagenome din 44 de FMT-uri au fost recent colectate în intern.
Cercetătorii au efectuat profilări taxonomice extinse ale comunităților bacteriene, fungice, virale și arheale, precum și analize funcționale ale căilor metabolice și familiilor de gene.
Pipelines avansate de bioinformatică au fost utilizate pentru a interpreta datele metagenomice, asigurând o viziune multidimensională asupra microbiomului intestinal înainte și după FMT. Analiza a ținut cont de variabilele confuzionale, ajustând în mod special pentru tipul de boală, vârsta pacienților, sexul și orice tratamente antibiotice anterioare.
Având în vedere heterogenitatea și complexitatea schimbărilor microbiene observate în diverse boli și medii pacient, studiul a dezvoltat MOZAIC, un cadru avansat de învățare profundă special conceput pentru potrivirea donator-receptor FMT. Spre deosebire de abordările convenționale care se bazează pe metrici ecologice simple sau caracteristici izolate, MOZAIC procesează întreaga gamă de date taxonomice și funcționale atât de la donator, cât și de la receptor.
Arhitectura sa cuprinde cinci blocuri computaționale neuronale interconectate, fiecare fiind proiectat să extragă și să proceseze datele compoziționale, cum ar fi speciile microbiene și abundențele căilor și informații despre familiile de gene funcționale, în paralel. Straturile ulterioare ale rețelei integrează aceste caracteristici pentru a identifica modelele latente de compatibilitate și complementaritate unice pentru fiecare pereche donator-receptor.
Modelul integrează strategii avansate de ML, inclusiv regularizare, dropout și ajustarea dinamică a ratei de învățare, pentru a asigura predicții robuste și generalizabile. Folosind acest design sofisticat, MOZAIC poate prezice cu mai multă acuratețe care perechi donator-receptor vor atinge convergența microbiomului după FMT, un rezultat strâns legat de succesul clinic, depășind modelele tradiționale de învățare automată în performanța predictivă.
Cu toate acestea, autorii au observat că MOZAIC rămâne un sistem de învățare profundă relativ „cutie neagră” ale cărui procese de decizie nu sunt încă ușor interpretabile în termeni de taxa microbiene specifice sau căi.
Receptorii care au prezentat îmbunătățiri clinice după FMT au arătat o schimbare pronunțată a microbiomului lor către profile asemănătoare cu cele ale donatorului, în special în ceea ce privește compoziția bacteriană și funcțiile metabolice. Pe de altă parte, non-răspunsătorii au prezentat o convergență minimă, păstrând trăsături distincte ale microbiomului. Astfel, succesul FMT este strâns legat de faptul că microbiomul receptor devine mai similar cu cel al donatorului, atât taxonomic, cât și funcțional.
O distanță ecologică mai mare între microbiomurile receptorului și donatorului a crescut probabilitatea de convergență post-FMT. Această distanță mai mare poate crea mai multe oportunități pentru microbii derivați de la donator să se stabilească.
Este demn de menționat că diversitatea microbiomei donatorului nu a prezis succesul convergenței. În schimb, receptorii cu o diversitate microbiană de bază mai scăzută, care reflectă un mediu intestinal mai disbiotic sau mai puțin rezilient, au fost mai susceptibili la colonizare și restructurare de către microbii donatorului. Totuși, această asociere s-a slăbit după ajustarea pentru tipul de boală și alte variabile confuzionale. Efectul a fost cel mai puternic în cohortele CDI, colitei ulcerative și sindromului intestinului iritabil.
Aceste concluzii subliniază importanța ecologiei de bază a receptorului și a complementarității donator-receptor în integrarea de succes a microbiomului după FMT.
Modelele ML tradiționale bazate pe metrici ecologice standard au realizat doar o acuratețe moderată în prezicerea convergenței post-FMT, indicând că aceste măsuri nu surprind pe deplin dinamica complexă dintre donator și receptor sau modelele de schimbare microbiană specifice bolii, extrem de heterogene. În contrast, MOZAIC a avut performanțe superioare, obținând o arie medie sub curbă (AUC) de aproximativ 0.88 în prezicerea convergenței microbiomului, cu rate de acuratețe și recuperare depășind 0.80.
În analize retrospective ale setului de date de testare independent, predicțiile de potrivire donator-receptor ale MOZAIC au atins o acuratețe de 78.7 % în prezicerea rezultatelor clinice. Performanța sa robustă a persistat chiar și în cazul în care definițiile convergenței microbiomului au fost variate, subliniind adaptabilitatea sa.
Analiza caracteristicilor a arătat că integrarea datelor microbiomului atât de la donator, cât și de la receptor a fost esențială pentru o predicție optimă, deoarece modelele care utilizau o singură
