Gut口腔微生物可以预测直肠癌

本文转载自“态昌基因”,已获授权。

CommunitystructureModularity

文献解读

实验设计

Result1：基于UWF矩阵的群落结构差异（PERMANOVA）

Result2：ROC诊断模型

Result：网络分析

Result：口腔微生物与非结肠癌疾病结语

CommunitystructureModularity

咦！这不是群落结构吗？小编你放错标题了！额，还真没有！这是网络分析中涉及到的“群落（社区）结构”，与我们提到的微生物群落结构压根不是一个东西。还记得我们之前网络教程中提到的模块性吗？其实都是一个东西啦！在对网络的研究中，如计算机和信息网络、社交网络和生物网络等，发现普遍存在着许多不同的特征，包括小世界属性、重尾度（pow-law定律）分布和集群等。另一个共同的特征是社区结构。如果网络的节点可以很容易地组合成(可能重叠的)节点集，使得每一组节点在内部都紧密相连，那么网络就具有了社区结构。网络自然地划分为内部连接较为密集的节点组（module）以及组之间连接稀疏的节点组。如果节点对都是同一个社区的成员，那么它们更有可能被连接起来。

各个社区还阐明了网络所代表的系统的功能，因为社区通常对应于系统的功能单元。例如，在代谢网络中，那些循环或代谢通路形成相应的功能组；蛋白质相互作用网络中，群落对应于生物细胞内具有类似功能的蛋白质。通过研究网络中的这些子结构，可以更加深入了解网络功能和拓扑是如何相互影响的，也有助于我们找到网络中的关键结构。那么对于微生态领域的网络分析的模块社区有什么作用呢？请大家自行脑补！注：随机网络不具备社区结构。

文献解读

本期，小编就一篇来自读者私信的文献做网络分析的讲解，Areyouready！Go！

“口腔微生物可以预测CRC（结直肠癌）”，哇哦！很有吸引力的标题，不是吗？Gut出品，是哗众取宠？还是煞有此事！来吧，各位看官，请拭目以待吧！

Duang！duang！Duang！

微生物可以预测多种疾病，最引人注目的是幽门螺杆菌和胃癌以及胃淋巴瘤关联的病例。

当前对于诊断结直肠癌的病例，最有效的方法是“侵入式”——探镜检测，以及一些相对温和的体外诊断方法：粪便免疫试验和便血测试——针对早起病变具有低敏感性且可靠性较低。

契机：早期研究发现结直肠癌患者的粪便或结肠粘膜的微生物群发生较大的改变。研究发现微生物的菌群结构与良性结肠息肉相关（对照与CRC的中间体），这意味着微生物类群能够作为潜在的标志物预测癌症的风险发生。

画外音：如果早发现，不就可以早治疗或者早干预，以此癌症不就杜绝了吗？

发展：后来研究员通过研究发现粪便微生物可以作为CRC的诊断手段，尤其再辅以常规检测方法，简直不要太美好

希望：既然粪便微生物可以作为标识物，那如果是身体其他部位的菌群呢？会不会也可以作为替代呢？果然，有研究报道口腔内细菌的分布与口腔癌、食管癌和胰腺癌有关。而在与CRC患者的口腔菌群比较后发现，健康口腔菌群又有显著的变化，那么我们是不是可以“拿来主义”，将口腔微生物作为诊断CRC的标识物呢？想想还有点小激动呢？别急，任何一种方法若要用于临床实践都需要大量的验证实验…可怜的生物医学汪，咱们再为全人类做贡献啊！

先给大伙开开眼：

本研究开发了一种使用口腔和粪便微生物类群的分类器，尤其适用于检测结直肠息肉，其具有较高的特异性和敏感性；此外，研究表明口腔细菌网络早在结肠患病前就已经形成，并且可以被检测到。

CRC和健康组织中，口腔微生物网络和结肠粘膜表面微生物具有极高的相似性；

结肠中口腔源病原菌的丰度与毛螺菌属的丰度呈负相关。虽然口腔微生物能预测CRC，但这并非意味着口腔微生物能预测结肠粘膜的类群。

毛螺菌科能有效的防治致病性口腔源细菌的侵染，可能是通过饮食习惯来调节。另外结肠口腔细菌过度生长不是CRC独有的，而且还与一些病有关。

实验设计Result1：基于UWF矩阵的群落结构差异（PERMANOVA），CRC个体的口腔菌群与息肉样本和健康样本具有显著的差异。

这是啥不用我再强调了吧！

Result2：ROC诊断模型，口腔和粪便微生物是CRC检测的潜在工具

注：FPR,false-positiverate（1－特异性Specificity）;TPR,true-positiverate（灵敏度Sensitivity）.控制FPR为特定值（0.0），用于评价各个诊断方法的灵敏度。ROC曲线评价统计量计算。ROC曲线下的面积值在1.0和0.之间。在AUC0.的情况下，AUC越接近于1，说明诊断效果越好。AUC在0.～0.7时有较低准确性，AUC在0.7～0.9时有一定准确性，AUC在0.9以上时有较高准确性。AUC=0.时，说明诊断方法完全不起作用，无诊断价值。

结果：诊断模型评价：CombinationTPR＞口腔样本TPR＞粪便样本TPR；受试对象评价：息肉AUC＞CRCAUC;模型特异性评价：口腔微生物TPR＞粪便微生物TPR。总结：我们用于诊断CRC的模型仅仅靠口腔细菌或粪便细菌是不够的，研究中将两者结合起来却将诊断CRC的敏感度提高到76%（息肉88%），这不得不说是技术的进步。

先验模型：

思考：诊断模型的准确性离不开极具特异性的类群，如何能从组间找出差异仅靠一种方法略有偏颇，本研究作者使用了基于机器学习的随机森林分类模型，并辅以LASSO的统计学方法交叉验证，全集训练，10倍交叉验证等手段，最终确定了用于诊断模型的OTUs。这充分说明检验的必要性，任何高效的数据都是经过千锤百炼，严谨才是数据的本质。这点希望做RF和统计的同学多多注意。有兴趣的同学可以仔细阅读文献中的方法！

Result：网络分析，口腔菌群网络在结肠粘膜中被检测到，并且在CRC中极为丰富。

本研究

转载请注明：http://www.pindaod.com/drks/7182.html