Nuestros microbiomas, las comunidades complejas de microbios que viven en nosotros, alrededor de nosotros, están influenciados por nuestras dietas, hábitos, entornos y genes, y se sabe que cambian con la edad. A su vez, la composición de nuestros microbiomas,particularmente en el intestino, es bien reconocido por su influencia en nuestra salud. Por ejemplo, la composición del microbioma intestinal se ha relacionado con la enfermedad inflamatoria intestinal, la enfermedad autoinmune, la obesidad e incluso trastornos neurológicos, como el autismo.
Dada una muestra de microbioma hisopo de piel, boca o heces, los investigadores han demostrado que ahora pueden usar el aprendizaje automático para predecir la edad cronológica de una persona, con un grado variable de precisión. Las muestras de piel proporcionaron la predicción más precisa, estimando correctamente dentro deaproximadamente 3,8 años, en comparación con 4,5 años con una muestra oral y 11,5 años con una muestra fecal. Los tipos de microbios que viven en la cavidad oral o en el intestino de los jóvenes de 18 a 30 años tienden a ser más diversos yabundante que en microbiomas comparativos de adultos mayores 60 años de edad y mayores.
La herramienta predictiva, descrita en un artículo publicado el 11 de febrero de 2020 por mSystems , fue desarrollado como una colaboración entre investigadores de la Universidad de California en San Diego e IBM.
"Esta nueva capacidad de correlacionar microbios con la edad nos ayudará a avanzar en futuros estudios sobre el papel que juegan los microbios en el proceso de envejecimiento y las enfermedades relacionadas con la edad, y nos permitirá evaluar mejor las posibles intervenciones terapéuticas que se dirigen a los microbiomas", dijo el co-seniorautor Zhenjiang Zech Xu, PhD, quien en el momento del estudio era un investigador postdoctoral en el laboratorio de la Escuela de Medicina de la UC San Diego del coautor principal Rob Knight, PhD, profesor y director del Centro de Innovación de Microbiomas de la UC San Diego.
El objetivo final del equipo es crear modelos de aprendizaje automático similares para correlacionar el microbioma y las condiciones clínicas, como la inflamación en condiciones autoinmunes. Este enfoque podría algún día formar la base de una prueba no invasiva basada en microbioma que potencialmente ayude a los médicos a diagnosticar o evaluar mejor unriesgo de una persona de una enfermedad.
En un estudio de 2014, los investigadores de la Universidad de Washington compararon la "edad microbiana" - edad según lo predicho por el microbioma fecal - y la edad cronológica real en el contexto de los bebés desnutridos durante los primeros meses de vida. Los investigadores notaron que la diferencia entreLa edad cronológica y microbiana se asoció con el grado de madurez de desarrollo de los niños. En el nuevo estudio, los investigadores de la Universidad de California en San Diego llevaron esta idea un paso más allá para ver si esta asociación podría aplicarse a los adultos y qué tan bien se generalizó a otros sitios del cuerpo.
Según Xu, uno de los requisitos más importantes para un buen modelo estadístico es un gran tamaño de muestra y una población representativa. Para ello, los investigadores extrajeron los datos de secuenciación de microbiomas disponibles en las bases de datos públicas de varios proyectos de ciencia ciudadana, comoAmerican Gut Project, en el que los participantes envían por correo fecal, saliva o hisopos de piel, reciben sus lecturas de microbioma personalizadas y aportan sus datos anónimos a la comunidad científica.
El estudio se basó en un total de 4.434 muestras fecales de EE. UU. Y China, 2.550 muestras de saliva de EE. UU., Canadá, Reino Unido y Tanzania, y 1.975 muestras de piel de EE. UU. Y Reino Unido. Los participantes cuyos datos se utilizaron en el estudio variaronen edades de 18 a 90 años, con índices de masa corporal de 18.5 a 30, no tenían enfermedad inflamatoria intestinal o diabetes, y no habían usado antibióticos durante al menos un mes antes de la toma de muestras. El estudio también excluyó a embarazadas, hospitalizadas, discapacitadaso individuos críticamente enfermos.
"Esta fue la investigación más completa sobre microbioma y edad hasta la fecha", dijo el primer autor Shi Huang, PhD, investigador postdoctoral en el laboratorio de Knight y el Centro de Innovación de Microbiomas de la UC San Diego.
El equipo encontró diferencias específicas de género en los resultados del microbioma intestinal, pero no hubo diferencias entre hombres y mujeres en lo que respecta a los resultados del microbioma oral y de la piel. A pesar de la diversidad de microbios que viven en diferentes sitios en todo el cuerpo humano, tampoco hizo ninguna diferenciasi las muestras de piel se obtuvieron de la frente o de las manos, lo que significa que los futuros estudios de microbiomas de la piel pueden aumentar su poder estadístico al combinar sitios de recolección y géneros.
Una posible razón por la que los microbios que viven en nuestra piel cambian tan consistentemente a medida que envejecemos, según los investigadores, se debe a los cambios predecibles en la fisiología de la piel que todos experimentan, como la disminución de la producción de suero y el aumento de la sequedad.
"La precisión de nuestros resultados demuestra el potencial para aplicar el aprendizaje automático y las técnicas de inteligencia artificial para comprender mejor los microbiomas humanos", dijo el coautor Ho-Cheol Kim, PhD, director del programa del Programa de Inteligencia Artificial para una Vida Saludable, una colaboraciónentre IBM Research y UC San Diego bajo la red IBM AI Horizons Network. "La aplicación de esta tecnología a futuros estudios de microbiomas podría ayudar a revelar información más profunda sobre la correlación entre cómo los microbiomas influyen en nuestra salud general y una amplia gama de enfermedades y trastornos desde neurológicos hasta cardiovasculares ysalud inmune "
Según el coautor Yoshiki Vázquez-Baeza, PhD, director asociado de integración bioinformática en el Centro de Innovación de Microbiomas de UC San Diego, la predicción de la edad es un método particularmente atractivo para entrenar modelos predictivos porque los participantes no necesitan cumplir criterios especialespara convertirse en un donante de muestra, y evaluar la edad generalmente no requiere una visita a un hospital.
"Otros estudios que se centran en una condición particular, como la enfermedad inflamatoria intestinal, a menudo luchan por conseguir suficientes participantes que cumplan con los criterios del estudio y que estén dispuestos a participar para poder sacar conclusiones significativas", dijo Vázquez-Baeza"Pero aquí, la amplia aplicabilidad de la predicción de la edad nos permitió explorar los límites del modelado microbiano a una escala sin precedentes".
"Aprender a crear modelos precisos y robustos basados en microbiomas abrirá la puerta a una serie de aplicaciones biotecnológicas y nos ayudará a comprender mejor la relación de ciertas bacterias con resultados de interés", dijo Knight.
Divulgación: Amir Zarrinpar es cofundador y tiene participación accionaria en Tortuga Biosciences.
Fuente de la historia :
Materiales proporcionado por Universidad de California - San Diego . Original escrito por Heather Buschman, PhD. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :