Продольное исследование показывает, что различные профили микробиома кишечника во время острой инфекции SARS-CoV-2 могут предсказать длительный риск заражения COVID-19, предлагая понимание кластеров симптомов и потенциальных биомаркеров.
Изучать: Сигнатуры кишечного микробиома во время острой инфекции предсказывают затяжное течение COVID. Изображение предоставлено: Драгана Гордич/Shutterstock.com
В недавнем предварительном исследовании, опубликованном на bioRxiv*группа исследователей исследовала прогностическую роль состава микробиома кишечника во время острого заражения коронавирусом тяжелого острого респираторного синдрома 2 (SARS-CoV-2) в развитии продолжительной коронавирусной болезни (Long COVID) (LC) и его связь с клиническими переменными и кластеры симптомов.
Фон
ЦП поражает 10–30% негоспитализированных лиц, инфицированных SARS-CoV-2, что приводит к значительной заболеваемости, потерям рабочей силы и экономическим последствиям в размере 3,7 триллионов долларов США.
Симптомы охватывают сердечно-сосудистые, желудочно-кишечные, когнитивные и неврологические проблемы, напоминающие миалгический энцефаломиелит и другие постинфекционные синдромы. Предлагаемые механизмы включают иммунную дисрегуляцию, нейровоспаление, персистенцию вируса и нарушения коагуляции, при этом появляются новые данные, указывающие на участие микробиома кишечника в патогенезе ЦП.
Текущие исследования сосредоточены на госпитализированных пациентах, ограничивая возможность обобщения более легкими случаями. Необходимы дальнейшие исследования для изучения предикторов, основанных на микробиоме, в амбулаторных группах пациентов, что позволит проводить целенаправленную диагностику и терапию гетерогенного и сложного проявления ЦП.
Об исследовании
Исследование было одобрено Институциональным наблюдательным советом клиники Мэйо, в нем приняли участие взрослые в возрасте 18 лет и старше, прошедшие тестирование на SARS-CoV-2 в клиниках Мэйо в Миннесоте, Флориде и Аризоне с октября 2020 года по сентябрь 2021 года. Участники были идентифицированы с помощью электронных средств. обзоры медицинских карт (EHR), отфильтрованные по графикам тестирования на SARS-CoV-2.
С лицами, имеющими право на участие, связались по электронной почте, и было получено информированное согласие. Из 1061 первоначально набранного участника 242 были исключены из-за неполных данных, неудачного секвенирования или других проблем. Последняя когорта включала 799 участников (380 SARS-CoV-2-положительных и 419 SARS-CoV-2-отрицательных), предоставивших 947 образцов стула.
Образцы стула собирали в двух временных точках: через 0–2 недели и через 3–5 недель после тестирования. Образцы отправлялись в замороженных гелевых упаковках ночной курьерской службой и хранились при температуре -80°C для последующих анализов. Микробную дезоксирибонуклеиновую кислоту (ДНК) экстрагировали с помощью наборов Qiagen и проводили метагеномное секвенирование с целью 8 миллионов чтений на образец.
Таксономическое профилирование проводилось с использованием Kraken2, а функциональное профилирование – с использованием Единой сети метаболического анализа проекта микробиома человека (HUMANN3).
Уровни кальпротектина в кале измеряли с помощью иммуноферментного анализа (ELISA), а рибонуклеиновую кислоту (РНК) SARS-CoV-2 определяли с помощью количественной полимеразной цепной реакции с обратной транскрипцией (RT-qPCR).
Клинические данные, включая демографические данные, сопутствующие заболевания, принимаемые лекарства и персистенцию симптомов, были извлечены из электронных медицинских записей.
Модели машинного обучения, включающие микробиомные и клинические данные, использовались для прогнозирования ЦП и выявления кластеров симптомов, что давало ценную информацию о гетерогенности состояния.
Результаты исследования
Участники были разделены на три группы для анализа: LC, не-LC (SARS-CoV-2-положительный без LC) и SARS-CoV-2-отрицательный. Исходные характеристики выявили значительные различия между этими группами. Участниками LC были преимущественно женщины, и у них было больше исходных сопутствующих заболеваний по сравнению с участниками, не входившими в группу LC.
Группа, не инфицированная SARS-CoV-2, была старше, с более высоким уровнем использования антибиотиков и вакцинации. Эти переменные были скорректированы в последующих анализах.
Во время острой инфекции разнообразие кишечного микробиома значительно различалось между группами. Альфа-разнообразие было ниже у участников с положительным результатом на SARS-CoV-2 (LC и не-LC), чем у участников с отрицательным результатом на SARS-CoV-2.
Анализ бета-разнообразия выявил различные микробные составы в группах, при этом пациенты с ЦП демонстрировали уникальные профили микробиома во время острой инфекции.
Специфические бактериальные таксоны, в том числе Фаэкалимонас и влажныйбыли повышены у пациентов с LC, в то время как другие таксоны преобладали у пациентов без LC и отрицательных участников. Эти результаты показывают, что состав микробиома кишечника во время острой инфекции является потенциальным предиктором ЦП.
Временной анализ изменений микробиома кишечника между острой и постострой фазами выявил значительную индивидуальную изменчивость, но не выявил различий на уровне когорты, что позволяет предположить, что временные изменения не способствуют развитию ЦП.
Однако модели машинного обучения продемонстрировали, что данные микробиома во время острой инфекции в сочетании с клиническими переменными позволяют предсказать ЦП с высокой точностью. Микробные предикторы, включая виды семейства Lachnospiraceae, существенно повлияли на эффективность модели.
Анализ симптомов показал, что ЦП включает в себя гетерогенные клинические проявления. Усталость была наиболее распространенным симптомом, за ней следовали одышка и кашель.
Кластерный анализ выявил четыре субфенотипа ЦП на основе сочетаемости симптомов: желудочно-кишечные и сенсорные, скелетно-мышечные и нервно-психические, сердечно-легочные и только утомляемость.
В каждом кластере наблюдались уникальные микробные ассоциации, при этом желудочно-кишечные и сенсорные кластеры демонстрировали наиболее выраженные микробные изменения. Примечательно, что в этом кластере значительно обогатились таксоны, например, из семейств Lachnospiraceae и Erysipelotrichaceae.
Выводы
Подводя итог, можно сказать, что это исследование продемонстрировало, что у лиц с SARS-CoV-2, у которых позже развился ЦП, наблюдались различные профили микробиома кишечника во время острой инфекции. Хотя предыдущие исследования связывали кишечный микробиом с исходами COVID-19, лишь немногие исследования изучали его прогностический потенциал для ЦП, особенно в амбулаторных когортах.
Используя модели машинного обучения, в том числе искусственные нейронные сети и логистическую регрессию, это исследование показало, что одни только данные микробиома предсказывают ЦП более точно, чем клинические переменные, такие как тяжесть заболевания, пол и статус вакцинации.
Ключевые микробные вкладчики включали виды из семейства Lachnospiraceae, такие как Эубактерия и Агатобактерияи Превотелла виды Эти результаты подчеркивают потенциал кишечного микробиома как диагностического инструмента для выявления риска ЦП, что позволяет проводить персонализированные вмешательства.
#Микробиом #кишечника #во #время #острой #инфекции #предсказывает #риск #длительного #течения #COVID