Rak jelita grubego: Mikrobiom może przewidywać ryzyko i pomagać w postawieniu wczesnej diagnozy.

Mikrobiom jelitowy może przewidywać indywidualne ryzyko rozwoju raka jelita grubego i może stać się prawdziwym wczesnym wskaźnikiem zdrowia, podstawą nieinwazyjnych i spersonalizowanych testów przesiewowych. Zostało to wykazane we wspólnym badaniu Uniwersytetu w Bari Aldo Moro, Międzyuczelnianego Wydziału Fizyki i Wydziału Nauk o Glebie, Roślinach i Żywności, Uniwersytetu we Florencji oraz Narodowego Instytutu Fizyki Jądrowej (INFN). Badanie, będące częścią projektu finansowanego przez Narodową Radę Badań Naukowych (NRRP), jest koordynowane przez profesor Uniwersytetu w Bari Sabinę Tangaro i zostało opublikowane w Gut Microbes, wiodącym międzynarodowym czasopiśmie poświęconym badaniom nad mikrobiomem jelitowym. Praca przedstawia – zgodnie z komunikatem prasowym – innowacyjne i spersonalizowane podejście do wczesnej diagnostyki raka jelita grubego, oparte na wykorzystaniu wyjaśnialnej sztucznej inteligencji (XAI) do analizy profili mikrobiomu jelitowego. Autorami badania są fizycy, lekarze i biolodzy, którzy połączyli swoją wiedzę specjalistyczną, aby opracować innowacyjne i transparentne podejście do wczesnej diagnostyki.

Zacznijmy od założenia: rak jelita grubego (CRC) jest drugą najczęstszą przyczyną zgonów z powodu nowotworów na świecie . Aby to ustalić, obecny standard diagnostyczny obejmuje kolonoskopię – badanie inwazyjne o ograniczonym zastosowaniu w populacji ogólnej. Dlatego pilnie potrzebne jest opracowanie alternatywnych, nieinwazyjnych i skutecznych metod wczesnej identyfikacji osób z grupy ryzyka.

Rak jelita grubego rozwija się w ściśle określonej sekwencji ewolucyjnej – od zdrowego nabłonka, przez gruczolak, po raka inwazyjnego – ale mechanizmy molekularne leżące u podstaw tego rozwoju są nadal w dużej mierze nieznane. Coraz liczniejsze badania nad mikrobiomem jelitowym sugerują, że niektóre gatunki bakterii obecne w jelicie mogą odgrywać kluczową rolę w powstawaniu i progresji raka jelita grubego, wpływając na stan zapalny, odpowiedź immunologiczną i metabolizm komórkowy.

Badanie, opracowane przez Uniwersytety w Bari i Florencji we współpracy z Narodowym Instytutem Fizyki Jądrowej (INFN), wykorzystało sztuczną inteligencję, którą można wyjaśnić (XAI) do analizy danych sekwencjonowania genetycznego z próbek kału pobranych od 453 pacjentów, w celu identyfikacji biomarkerów mikrobiologicznych predykcyjnych obecności gruczolaków lub guzów. Model wykazał doskonałą skuteczność, precyzyjnie identyfikując osoby z grupy ryzyka , nawet w niezależnej grupie pacjentów włoskich, gdzie osiągnął 89% skuteczność w identyfikowaniu przypadków rzeczywiście zagrożonych, minimalizując fałszywe alarmy. Dzięki metodzie, którą można wyjaśnić, udało się również zidentyfikować najistotniejsze gatunki bakterii, takie jak Fusobacterium i Peptostreptococcus (związane ze zwiększonym ryzykiem) oraz grupa Eubacterium eligens (związana ze zmniejszonym ryzykiem).

Oprócz przewidywania ryzyka, sztuczna inteligencja – jak opisano w oświadczeniu – umożliwiła odkrycie ukrytych powiązań między bakteriami. Jednym z najbardziej innowacyjnych aspektów badania było wykorzystanie wartości interakcji SHAP, które pozwoliło naukowcom wyjść poza identyfikację pojedynczych bakterii i przeanalizować interakcje między rodzajami drobnoustrojów oraz ich łączny wpływ na ryzyko zachorowania na raka. Mikrobiom zinterpretowano zatem jako złożoną sieć, w której mikroorganizmy mogą działać synergistycznie lub antagonistycznie. Analiza zidentyfikowała podgrupy pacjentów z gruczolakiem o profilach bakteryjnych podobnych do obserwowanych u pacjentów z rakiem, co sugeruje istnienie stanów przejściowych drobnoustrojów potencjalnie wykrywalnych przed klinicznym pojawieniem się guza.

W szczególności, w tych podgrupach o wyższym ryzyku wyłoniły się centralne rodzaje bakterii (węzły), które wydają się odgrywać kluczową rolę w sieci mikrobiologicznej: w niektórych przypadkach Peptostreptococcus stanowił najbardziej połączony węzeł, silnie oddziałując z Fusobacterium, Parvimonas i Porphyromonas; w innych w centrum sieci dominowała Fusobacterium, z udziałem innych rodzajów, takich jak Lachnospiraceae UCG-010. Te powtarzające się konfiguracje mikrobiologiczne, a nie izolowana obecność pojedynczych bakterii, wydają się być powiązane z najwyższymi profilami ryzyka, torując drogę do oceny ryzyka opartej na dynamice ekosystemu mikrobiologicznego, a nie na pojedynczych markerach. Dzięki zastosowaniu wyjaśnialnej sztucznej inteligencji, niniejsza praca oferuje model predykcyjny, który jest nie tylko skuteczny, ale także przejrzysty i interpretowalny, co zachęca do jego potencjalnej integracji z praktyką kliniczną w celu poprawy spersonalizowanej profilaktyki raka jelita grubego.

„To badanie uczy nas, że nie wystarczy wiedzieć, jakie bakterie są obecne: musimy zrozumieć, jak na siebie wpływają. To sieć mikrobiologiczna robi różnicę” – wyjaśniają koordynatorka projektu Sabina Tangaro i Amedeo Amedei (Uniwersytet Florencki). „XAI pozwala nam zrozumieć mikrobiom jako złożony system, ale z narzędziami dostępnymi dla klinicystów”.