由于評估的主觀性以及缺乏精確的診斷方法和具體指標，全球老齡化人口中神經認知障礙（NCD）的發病率不斷上升，為此，制定個性化的診斷策略已經成為迫切需求。
2024年1月19日，澳門大學趙勇華團隊，在Microbiome雜志在線發表了題為“The fusion of multi-omics profile and multimodal EEG data contributes to the personalized diagnostic strategy for neurocognitive disorders”的文章，作者利用多種組學方法和腦電圖數據，建立了機器學習模型，提供了一個準確率為92.69%NCD判斷模型。
糞便、尿液、海馬體
腦電圖、宏基因組、蛋白質組、代謝組
1.腦電圖功率譜和微狀態分析
對入組的兩組研究對象進行統計，除年齡和認知評分外，無顯著差異（表1）。對腦電圖結果進行分析，結果表明，NCDs組與NA組相比，相對PSD顯著下降（圖2），并且此趨勢與年齡相關。另外，NCDs組與NA組相比，微狀態特征也有明顯不同（表2），表現出微狀態A覆蓋率下降，持續時間減少，且不同微狀態之間的過渡也出現明顯差異（圖3）。
表1 研究對象的人口特征及神經認知分數
圖2正常衰老（NA）與NCDs的腦電圖功率譜和微狀態分析
表2 NA和NCDs的微狀態特性統計
圖3 NA和NCDs的微狀態特性統計
2.差異腸道微生物組成和途徑預測
在門分類學排名中，在兩個組的腸道微生物群中檢測到的主要分類群是Bacteroidetes、Firmicutes、Actinobacteria和Proteobacteria，總共占總相對豐度的98%（圖4A）。前20個門的熱圖，基于其相對豐度，顯示與正常衰老隊列相比，NCDs組中Kiritimatiellaeota和Lentisphaerae顯著下降（圖4B）。分析顯示，NCDs組的門類和物種水平的多樣性指數顯著下降（圖4C）。與正常衰老組相比，NCDs組的Firmicutes/Bacteroidetes（F/B）比率有所增加，但這一變化沒有達到統計學意義（圖4D）。物種成分的主成分分析（PCA）和主坐標分析（PCoA）的結果表明，正常衰老組和NCDs組之間存在可觀察到的聚類和可識別的趨勢，這意味著腸道微生物組的生物異常與非傳染性疾病有關（圖4E）。
對宏基因組數據進一步分析，結果顯示，兩組之間特有的OTU（圖5A），以及前10的微生物豐度及系統發育分布，并定位了NCDs組特有的7個物種級細菌（圖5B、C、D）。通路分析結果顯示，與正常衰老組相比，NCDs的芳香氨基酸生物合成途徑以及TCA循環相關途徑明顯下降（圖5E）。
圖4 NA和NCDs的腸道微生物群分析
圖5 物種層面腸道微生物成分的顯著變化以及相關的預測性細菌功能概況
3.差異的尿液外泌體蛋白
對尿液里的外泌體進行分離鑒定后，對外泌體蛋白進行檢測，共定性到3306種，定量2712種（圖6A），并對其其亞細胞定位（圖6B）。PLS-DA結果顯示，兩組之間蛋白質分布存在差異（圖6C）。對差異蛋白進行分析，與NA組相比，得到上下調蛋白分別為57和30種（圖6D）。對差異蛋白進行功能分析，結果表明，其主要參與氨基酸運輸和代謝，與宏基因組結果一致（圖6E、F），另外一些炎癥、腫瘤、精神類等疾病相關的通路也在NCDs組富集（圖6G）。
圖6 尿液外泌體的蛋白質組學分析
4.差異的糞便代謝物
對糞便的代謝物進行檢測，PLS-DA結果顯示，兩組明顯分離（圖7A、B），對差異代謝物進行篩選和聚類（圖7C、D），利用VIP值進行篩選，發現與NA組相比，NCDs組的一些氨基酸和羥基脂肪酸顯著減少，并對其進行功能分析，結果顯示煙酸鹽和煙酰胺代謝、L-色氨酸生物合成、泛酸鹽和輔酶A生物合成、葉酸生物合成、不飽和脂肪酸的生物合成、檸檬酸循環、丙酮酸代謝和硫胺素代謝與非傳染性疾病有關（圖7F）。
圖7 糞便的代謝組學分析
5.FMT小鼠驗證
為了調查腸道微生物群改變對認知功能的潛在影響，在偽無菌小鼠模型中進行了FMT實驗。并對小鼠進行行為學觀察，實驗結果表明，NCDs的FMT損害了老年小鼠的空間學習和記憶（圖8）。
通過在不同時間點收集和分析糞便顆粒，評估了FMT對腸道微生物群的影響。兩種主要細菌門Firmicutes和Bacteroidetes的豐度在抗生素治療后2周內顯著減少，表明腸道微生物群大量耗盡（圖9A）。PCA分析顯示抗生素干預前后獲得的樣本之間存在明顯分離（圖9B）。此外物種層面細菌群落的多樣性分析顯示，NCDs-FMT小鼠的α-多樣性指數顯著下降（圖9C）。Venn圖顯示，兩組間的OTU（圖9D）。NCDs細菌生物標志物的鑒定表明，Ruminococcus gnavus、Enterocloster bolteae和Lachnoclostridium sp.YL 32是LEfSe分析確定的七個物種級細菌生物標志物中的三個。Ruminococcus gnavus和Lachnoclostridium sp.YL32的相對豐度在小鼠中顯著增加，與種群樣本一致。最初通過宏基因組測序預測的代謝途徑，包括芳香氨基酸的生物合成和TCA周期，根據小鼠的血清和海馬代謝組學結果得到了驗證。檸檬酸、富馬酸、琥珀酸、氧戊二酸、丙酮酸和色氨酸的相對含量都發生了顯著變化（圖9F，G）。值得注意的是，血清中檸檬酸的相對含量顯著增加，但在海馬體中顯著減少。
圖8 FMT小鼠的行為學分析
圖9 FMT小鼠的糞便宏基因分析與血清海馬體代謝分析
6.機器學習分類
SVM用于構建機器學習模型，根據不同數據集中獲得特征，對正常衰老和NCDs組進行分類（表3和圖10）。在單一組學和不同數據集之間的組合中，得到不同的預測準確率。最終，多組學方法的準確率達到92.69%。隨著組學來源的增加，使用相同數量的特征，模型的性能逐漸提高。
表3 不同組學的機器學習性能
圖10 不同組學的機器學習性能
這項研究中對正常老齡化老年人和NCDs患者的腦電圖、微生物、蛋白質組和代謝組學數據進行了綜合分析。結果表明腦電圖功率譜密度（PSD）下降。其次確定了芳香氨基酸和三羧酸循環生物合成的干擾。這些干擾與特定微生物水平的增加有關，包括Ruminococcus gnavus、Enterocloster bolteae和Lachnoclostridium sp。YL 32。此外，還發現特定代謝物的水平下降，如L-色氨酸、L-谷氨酸、γ-氨基丁酸（GABA）和FAHFA。這些發現共同為NCDs疾病病理生理學的潛在特征提供了見解。此外，它表明機器學習模型的應用大大提高了參與者中NCDs的區分程度。因此，多組學概況和腦電圖數據的融合為個性化診斷帶來了特別的希望。
更多推薦：
文獻解讀：
排版：野凌
審核：三黍生物企宣部
