嚢胞性線維症気道における微生物生態学的シグネチャは、最大1年前に病原体の出現と多剤耐性を予測する

科学分野:

• 微生物学
• 計算生物学
• ゲノミクス

背景:

• 嚢胞性線維症（CF）における慢性感染症は微生物叢の変化によって引き起こされますが、早期検出マーカーが不足しています。
• 既存の気道微生物叢解析方法は、疾患進行を捉える上で限界があります。
• タイムリーな介入のためには、CF感染症の生態学的ダイナミクスを理解することが重要です。

研究 の 目的:

• 嚢胞性線維症患者における慢性感染症の早期予測のための高度な計算フレームワークを開発すること。
• 予測精度を向上させるために、分類学的および機能的な微生物叢データを統合すること。
• 病原体定着、抗生物質耐性、および差し迫った感染症を示す微生物シグネチャを特定すること。

主な方法:

• 分類学的および機能的なメタゲノムデータを系統発生と機能のクラスター（COPFs）に統合するオートエンコーダーベースのフレームワークを開発しました。
• 緑膿菌の定着と多剤耐性を予測するために、COPFsを使用した勾配ブースト型ランダムフォレストを利用しました。
• アスペルギルス・フミガトゥスの存在を検出するために、真核生物マーカーを組み込みました。
• 広範なグローバルCFメタゲノムデータセットでモデルを検証しました。

主要な成果:

• COPFsフレームワークは、従来の微生物叢遷移解析手法を大幅に上回りました。
• モデルは、臨床検出の最大1年前に緑膿菌の定着と多剤耐性を正確に予測しました。
• 培養陰性期間でも持続的なアスペルギルス・フミガトゥスシグネチャが特定されました。
• 多様なグローバルCFデータセット全体でP. aeruginosaの状態を予測する精度は94％に達しました。

結論:

• メタゲノミクスとディープラーニングの統合は、CF慢性感染症のための強力な予測フレームワークを提供します。
• このフレームワークは、疾患進行を駆動する保存された微生物生態学的および代謝的メカニズムを明らかにします。
• このアプローチは、メタゲノミクスを慢性CF感染症のプロアクティブ管理のためのツールに変えます。
• このモデルは、異なるプラットフォームや地理的な場所全体で普遍的な有用性を示しています。