CrcBiomeScreen: a reproducible workflow for class imbalance and cross-cohort generalisability in colorectal cancer microbiome prediction

Kolorektales Karzinom ist eine der führenden Todesursachen weltweit, oft weil es zu spät für eine voll wirksame Behandlung entdeckt wird. Aktuelle Screening-Methoden, wie etwa Tests, die nach verborgenem Blut im Stuhl suchen, sind zwar hilfreich, aber unvollkommen; sie können frühe Anzeichen einer Erkrankung übersehen oder gesunde Menschen für unnötige und invasive Folgeuntersuchungen alarmieren. In den letzten Jahren hat die Wissenschaft ihre Aufmerksamkeit auf die Billionen winziger Organismen gerichtet, die in unserem Darm leben, bekannt als Mikrobiom. Diese mikrobiellen Gemeinschaften hinterlassen deutliche chemische Signaturen, die sich verändern, wenn Krebs oder Vorstufen von Krebswucherungen entstehen. Die Hoffnung ist, dass Ärzte durch die Analyse dieser mikrobiellen Muster Hochrisikopatienten genauer identifizieren könnten als durch Bluttests allein. Die Umwandlung dieser biologischen Signale in ein zuverlässiges medizinisches Werkzeug ist jedoch mit Schwierigkeiten verbunden. Die Daten sind unordentlich, die Anzahl gesunder Menschen übersteigt die der Krebspatienten bei weitem, und die Art und Weise, wie Forscher die Daten verarbeiten, kann die Ergebnisse drastisch verändern, was es schwierig macht zu wissen, welche Methoden tatsächlich funktionieren.

Um diese Komplexität zu bewältigen, entwickelte ein Forscherteam der University of Leeds ein neues, Open-Source-Tool namens CrcBiomeScreen. Anstatt lediglich eine einzige „beste“ Methode zur Vorhersage von Krebs vorzuschlagen, bauten sie ein flexibles Framework, das es Wissenschaftlern ermöglicht, verschiedene Strategien nebeneinander zu testen, um zu sehen, welche unter Druck standhalten. Sie nutzten dieses System, um Stuhlproben von über 2.200 Personen zu analysieren, die an einem realen Screening-Programm im Vereinigten Königreich teilnahmen, sowie an neun weiteren unabhängigen Datensätzen aus der ganzen Welt. Ihr Ziel war es herauszufinden, welche spezifischen Schritte in der Analyse – wie die Daten bereinigt werden, wie die verschiedenen Arten von Bakterien gezählt werden und wie die Computermodelle mit der Tatsache umgehen, dass Krebsfälle selten sind – zu den genauesten und zuverlässigsten Vorhersagen führen.

Die Forscher entdeckten, dass die Entscheidungen, die getroffen werden, noch bevor der Computer überhaupt mit dem Lernen beginnt, entscheidend sind. Sie testeten verschiedene Wege, die Daten zu normalisieren, ein Prozess, der Unterschiede in der Menge des gesammelten genetischen Materials in jeder Probe ausgleicht. Sie fanden heraus, dass eine spezifische Methode namens GMPR, die die einzigartige Struktur mikrobieller Gemeinschaften berücksichtigt, konsistent bessere Ergebnisse lieferte als ältere, einfachere Methoden. Sie untersuchten auch, ob es einen Unterschied macht, Bakterien einzubeziehen, die noch nie erfolgreich im Labor kultiviert werden konnten und oft als „unkultiviert“ bezeichnet werden. Die Studie zeigte, dass das Beibehalten dieser mysteriösen, unkultivierten Bakterien in der Analyse die Leistung des Modells nicht beeinträchtigte und tatsächlich wertvolle Hinweise auf die Krankheit bewahren könnte, die andernfalls verloren gingen. Darüber hinaus stellten sie fest, dass die Betrachtung der Bakterien auf der Gattungsebene – einer breiten Kategorie, die verwandte Arten zusammenfasst – das beste Gleichgewicht bot. Diese Detailtiefe war spezifisch genug, um biologisch bedeutsam zu sein, aber breit genug, um in verschiedenen Laboren und mit verschiedenen Sequenzierungstechnologien konsistent erkannt zu werden.

Ein großes Hindernis beim Krebs-Screening ist das massive Ungleichgewicht zwischen gesunden Menschen und denjenigen mit der Krankheit. In einem realen Screening-Programm gibt es für jede Person mit Krebs hunderte oder tausende gesunde Individuen. Wenn ein Computermodell auf einem Datensatz trainiert wird, der zu viele Krebsfälle enthält, kann es im Labor gut abschneiden, aber in der Anwendung auf die Allgemeinbevölkerung kläglich versagen. Das Team simulierte dieses extreme Ungleichgewicht, indem es Test-Szenarien erstellte, in denen die gesunden Kontrollgruppen die Krebsfälle bei weitem übertrafen. Sie fanden heraus, dass eine Technik namens Klassengewichtung (class weighting) essenziell war. Dieser Ansatz weist den Computer an, den seltenen Krebsfällen während des Trainings besondere Aufmerksamkeit zu schenken, was das Modell effektiv sensibler für die Krankheit macht, ohne die Fähigkeit zu verlieren, gesunde Menschen korrekt zu identifizieren. Durch die Anwendung dieser Gewichtung konnte das Modell seine Fähigkeit, Krebsfälle zu erkennen, beibehalten und gleichzeitig die Anzahl der gesunden Menschen, die fälschlicherweise als krank markiert wurden, signifikant reduzieren. Diese Verbesserung der Präzision ist für das Screening von entscheidender Bedeutung, da sie hilft, unnötige Darmspiegelungen und die damit verbundene Angst zu vermeiden.

Die Forscher testeten anschließend, wie gut diese Modelle funktionierten, wenn sie vom UK-Datensatz auf völlig andere Populationen aus neun anderen Ländern übertragen wurden. Hier machte die Wahl des Computer-Algorithmus einen überraschenden Unterschied. Ein Typ von Modellen, bekannt als Random Forest, erwies sich als sehr stabil und zuverlässig und zeigte eine konsistent gute Leistung, selbst wenn die Trainingsdaten begrenzt waren oder die Populationen sehr unterschiedlich waren. Ein anderer Typ, genannt XGBoost, war leistungsfähiger, wenn er mit großen, vielfältigen Datensätzen trainiert wurde, erreichte in diesen spezifischen Bedingungen eine höhere Genauigkeit, zeigte jedoch eine größere Variabilität, wenn die Daten kleiner waren. Die Studie legt nahe, dass es keinen einzelnen „Wunderalgorithmus“ gibt, der in jeder Situation am besten funktioniert. Stattdessen hängt der beste Ansatz von der Größe und der Natur der verfügbaren Daten ab.

Letztendlich liegt der Wert von CrcBiomeScreen in seiner Transparenz und Flexibilität. Es zwingt Forscher nicht dazu, eine einzige, starre Methode anzuwenden. Stattdessen bietet es einen strukturierten Weg, um verschiedene Optionen zu vergleichen und sicherzustellen, dass das gewählte Endwerkzeug jenes ist, das am besten zum jeweiligen Datensatz passt. Durch die Demonstration, dass eine sorgfältige Aufmerksamkeit bei der Datenverarbeitung, der Einschluss unkultivierter Bakterien und die Verwendung von Klassengewichtung die Leistung signifikant verbessern können, bietet die Studie eine Roadmap für die Entwicklung zuverlässigerer mikrobiom-basierter Screening-Tools. Obwohl diese Modelle noch nicht bereit sind, bestehende Tests zu ersetzen, stellen sie einen bedeutenden Schritt in Richtung einer Zukunft dar, in der ein einfacher Stuhltest genauer identifizieren könnte, wer dringende medizinische Hilfe benötigt, um so kolorektalen Krebs früher zu entdecken und mehr Leben zu retten.