肺部微生物群的特征和可解释的预测建模在社区获得的严重肺炎中对葡萄糖皮质激素反应的预测

科学领域:

• 微生物学 微生物学
• 肺部病理学 肺部病理学
• 计算生物学 计算生物学

背景情况:

• 系统性皮质糖类药物 (SG) 用于严重的社区获得性肺炎 (SCAP),但有效性不一致.
• 在SCAP中SG的可变效率背后的机制仍然不清楚.
• 了解SG对肺微生物群的影响至关重要.

研究的目的:

• 为了研究SG对空气通风SCAP患者下呼吸道微生物群的纵向影响.
• 识别能够预测治疗成功和患者生存的微生物生物标志物.
• 探索基于微生物组的机器学习模型在分层SCAP治疗反应方面的潜力.

主要方法:

• 从200名接受皮素治疗的SCAP患者的下呼吸道样本的纵向16SrRNA扩增和元基因组测序.
• 微生物组数据与临床变量集成,使用可重复的生物信息工作流.
• 使用微生物特征预测患者结果的随机森林模型的开发和验证.

主要成果:

• 在GS和对照组之间没有观察到基线微生物组差异.
• 到第7天,幸存者显示了Actinobacteria和Gammaproteobacteria的丰富,而非幸存者增加了Alphaproteobacteria和Campylobacteria.
• 一个两种特征的微生物模型 (Bacilli和Alphaproteobacteria) 在预测结果方面取得了高准确性 (AUROC=0.89),超过了临床得分.

结论:

• 在SCAP患者中,SG疗法显著重塑肺微生物组.
• 微生物指纹可以准确预测治疗成功和患者存活率.
• 微生物意识机器学习为SCAP中精确的皮质类固醇管理提供了一个有希望的方法.