Avaliação do potencial preditivo da microbiota intestinal associada a características fenotípicas para identificação de doenças multifatoriais

• Ano de defesa: 2023
• Autor(a) principal: Candian, Danielle Cristina Fonseca
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: 16S rRNA; Árvores de Decisões; Decision Trees; Diseases; Enfermidades; Gut microbiota; Microbiota intestinal; Modelos de predição; Prediction models; Reproducibility of Results; Reprodutibilidade dos Resultados
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/5/5168/tde-22082023-142604/

Introdução: A microbiota intestinal (MI) é um complexo conjunto de microrganismos, tão singular que tem sido comparado com a impressão digital do indivíduo. Em consideração com as variadas funções fisiológicas e patofisiológicas da MI, pesquisadores têm estudado, nas últimas duas décadas, a sua participação em diversos estados de doença, tendo em vista oportunidades de previsão e tratamento das distintas enfermidades. Entretanto, a baixa concordância entre estes estudos faz com que a real participação da MI na predição de doenças multifatoriais permaneça pouco esclarecida. Objetivo: Estabelecer modelos preditivos que integrem variáveis fenotípicas com táxons da microbiota intestinal para distinguir indivíduos sadios e enfermos. Metodologia: Indivíduos saudáveis e enfermos (202), provenientes da casuística de um estudo maior (VALIDYS), foram avaliados quanto a variáveis fenotípicas e composição da MI por meio de sequenciamento do gene 16S rRNA. As informações sobre características fenotípicas foram coletadas por meio de história clínica, consumo alimentar (três registros alimentares de 24h) e composição corpórea (bioimpedância elétrica). Os resultados da MI foram expressos em variantes de sequência de amplicon (ASVs). Diferenças na abundância de táxons bacterianos entre os grupos foram avaliadas por DESeq2 para a pré-seleção de táxons para compor modelos preditivos. A MI também foi testada por comparação geral entre todos os grupos, para obter o maior número de táxons relevantes que pudessem compor os modelos. A criação de modelos preditivos deu-se, a priori, para cada conjunto de dados quantitativos, qualitativos, e abundância de gêneros da microbiota. Toda a etapa de modelagem foi implementada em ambiente R com o algoritmo Random Forest. A performance de cada modelo foi avaliada pela sensibilidade e especificidade usando o conjunto de dados de teste. Resultados: 50 indivíduos sadios e 152 enfermos (portadores de doença de Crohn, retocolite ulcerativa, psoríase em placas, artrite reumatoide, lúpus eritematoso sistêmico, diabetes tipo 1 e tipo 2) compuseram a amostra. Diferenças das características fenotípicas foram identificadas entre os grupos e aquelas com relevância estatística foram pré-selecionadas para compor o modelo integrativo final. Diferenças ecológicas gerais da MI foram observadas apenas para o subgrupo de doença inflamatória intestinal. Foram selecionados 52 táxons bacterianos e todas as variáveis pré-selecionadas foram filtradas por Random Forest, aplicando 50 modelos, para identificar as 10 variáveis mais importantes em pelo menos 50% dos modelos. A avaliação da performance preditiva dos modelos deu-se pelas curvas ROC, criadas para mostrar a capacidade global dos modelos em preverem uma determinada doença. A análise do desempenho, entre os modelos para todas as doenças, apontou as melhores performances quando os dados microbianos e fenotípicos foram integrados. Conclusão: Nas condições da presente pesquisa conclui-se que existem marcadores taxonômicos pontuais que apresentaram abundância relativa diferente entre os grupos avaliados, porém isso não os torna, isoladamente, marcadores com potencial preditivo. O uso de reamostragens (bootstrap) deve ser uma ferramenta utilizada para minimizar o efeito da grande variabilidade observada entre estudos de MI e favorecer a reprodutibilidade dos resultados obtidos. Coletivamente, nossos dados sugerem que a utilização de marcadores microbianos isoladamente é pouco capaz de prever um desfecho de saúde. A adição de características fenotípicas com os resultados da composição da MI em um modelo preditivo integrado aumenta a capacidade de previsão de desfechos de saúde