Graph-Adaptive Horseshoe for Compositional Regression

Nel corpo umano, in particolare all'interno della bocca, trilioni di organismi microscopici vivono insieme in comunità complesse. Gli scienziati chiamano questa collezione microbioma. Quando i ricercatori studiano queste comunità, non contano il numero assoluto di batteri, perché quel numero cambia costantemente a seconda di quanta saliva o placca viene raccolta. Invece, misurano l'abbondanza relativa, ovvero la proporzione di ogni tipo di batterio rispetto all'intero gruppo. Questo crea un enigma matematico unico: se la proporzione di un tipo di batterio aumenta, le proporzioni di tutti gli altri devono diminuire per mantenere il totale al cento per cento. Questa interdipendenza rende difficile utilizzare strumenti statistici standard per scoprire quali batteri specifici siano legati a una condizione di salute. Per anni, gli scienziati hanno cercato di risolvere questo problema assumendo che i batteri strettamente correlati nell'albero evolutivo della vita si comportassero in modo simile. Hanno costruito modelli basati su questi alberi genealogici fissi, sperando che la vicinanza evolutiva potesse predire come i batteri interagiscono con la salute umana. Tuttavia, questa ipotesi spesso fallisce perché batteri che sono parenti distanti possono comunque agire in modo simile nel corpo umano, mentre parenti stretti possono avere effetti molto diversi.

Un team di ricercatori ha sviluppato un nuovo metodo per sbrogliare queste relazioni senza fare affidamento su assunzioni predefinite sugli alberi genealogici batterici. Hanno creato un sistema chiamato GRACE, che sta per Graph-Adaptive Horseshoe for Compositional Regression (Ferro di cavallo adattivo al grafo per la regressione composizionale). Invece di costringere i dati a conformarsi a una mappa statica di relazioni evolutive, questo nuovo approccio permette ai dati stessi di disegnare la mappa. I ricercatori hanno applicato questo metodo a uno studio su adulti a rischio di diabete ma che non avevano ancora sviluppato la malattia. Hanno analizzato campioni di placca sotto la linea gengivale per vedere quali batteri fossero associati all'insulino-resistenza, una condizione in cui il corpo fatica a regolare lo zucchero nel sangue. Utilizzando un modello flessibile e basato sull'apprendimento, il team ha scoperto che i batteri legati all'insulino-resistenza formavano gruppi basati sul loro effettivo effetto sul corpo, non solo sulla loro storia evolutiva.

I ricercatori hanno testato il loro nuovo metodo utilizzando dati simulati che imitavano la natura disordinosa e ricca di zeri dei veri campioni di microbioma. In questi test, hanno confrontato GRACE con i metodi esistenti che si basano su grafi fissi derivati da alberi filogenetici o schemi di co-occorrenza. I risultati hanno mostrato che quando i grafi fissi non corrispondevano alle vere relazioni biologiche, i vecchi metodi faticavano a trovare i batteri corretti o a ricostruire la rete di connessioni. GRACE, invece, si adattava ai dati. È riuscito a identificare i gruppi corretti di batteri e a recuperare la struttura sottostante delle loro relazioni, anche quando le assunzioni iniziali su come i batteri fossero correlati erano errate. Il metodo si è dimostto robusto anche quando i dati contenevano molti valori mancanti, un problema comune negli studi sul microbioma in cui alcuni batteri sono troppo rari per essere rilevati in ogni campione.

Quando il team ha applicato GRACE ai dati reali dello studio ORIGINS, che coinvolgeva 152 adulti, i risultati hanno offerto un quadro più chiaro del ruolo del microbioma orale nella salute metabolica. Il modello ha identificato batteri specifici associati all'insulino-resistenza, tra cui Tannerella forsythia e Selenomonas artemidis. Questi batteri sono noti per essere coinvolti nelle malattie gengivali, ma la nuova analisi ha mostrato come si raggruppassero in base al loro impatto condiviso sulla regolazione degli zuccheri nel sangue. Fondamentalmente, la rete di connessioni che GRACE ha costruito tra questi batteri appariva molto diversa dall'albero evolutivo tradizionale. I batteri che il modello ha raggruppato non erano necessariamente i parenti più stretti nell'albero della vita. Invece, erano raggruppati perché si muovevano nella stessa direzione rispetto all'esito di salute: alcuni batteri erano legati a una maggiore insulino-resistenza, mentre altri a una minore resistenza.

Lo studio ha anche rivelato che il modo in cui i batteri sono connessi nel corpo non è un semplice riflesso del loro passato evolutivo. I ricercatori hanno scoperto che la "distanza" tra i batteri in termini del loro effetto sull'insulino-resistenza non sempre corrispondeva alla loro distanza sull'albero evolutivo. Ad esempio, alcuni batteri evolutivamente vicini erano lontani nella loro relazione con la malattia, mentre altri parenti distanti agivano all'unisono. Ciò suggerisce che fare affidamento esclusivamente sugli alberi evolutivi per comprendere i dati del microbioma può portare i ricercatori a perdere connessioni importanti. Il nuovo metodo permette ai dati di parlare da soli, creando una mappa di relazioni guidata dall'effettivo esito di salute piuttosto che da una teoria preesistente.

I ricercatori hanno sottolineato che il grafo prodotto da GRACE non deve essere visto come una mappa delle interazioni fisiche tra i batteri, come chi mangia chi o chi aiuta chi a sopravvivere. È invece un riassunto di come diversi batteri si comportano in relazione a una specifica condizione di salute. È uno strumento di generazione di ipotesi che evidenzia quali gruppi di batteri condividono un'influenza comune sul corpo. Nel caso dello studio ORIGINS, il modello ha raggruppato i batteri in moduli che si allineavano con funzioni biologiche note, come quelle coinvolte nella malattia parodontale e nella disfunzione metabolica. Questo allineamento con la conoscenza medica esistente ha dato ai ricercatori la fiducia che il modello stesse catturando segnali biologici reali piuttosto che rumore casuale.

Uno dei punti di forza chiave di questo approccio è la sua capacità di gestire l'incertezza. Il modello non produce solo una risposta singola e rigida; fornisce un intervallo di possibilità e indica quanto è fiducioso in ogni connessione. Questo è particolarmente importante nei sistemi biologici complessi dove i dati possono essere scarsi e rumorosi. Permettendo alle connessioni tra i batteri di essere apprese dai dati, il metodo evita le trappole del forzare i dati in una scatola che potrebbe non essere adatta. I ricercatori hanno osservato che quando non erano sicuri sulle relazioni iniziali tra i batteri, l'uso di un'assunzione a priori più debole ha permesso al modello di apprendere la struttura direttamente dalle osservazioni, portando a risultati migliori.

L'applicazione di questo metodo ai dati del microbioma orale ha fornito una comprensione più sfumata del leg tramite la salute gengivale e il diabete. Lo studio ha confermato che certi batteri, come Tannerella forsythia, sono costantemente associati a livelli più elevati di insulino-resistenza. Ha inoltre evidenziato che questi batteri non agiscono in isolamento, ma fanno parte di una struttura comunitaria più ampia che influenza l'esito. Il modello ha mostrato che i batteri associati all'insulino-resistenza formavano cluster distinti, separati da quelli associati alla sana regolazione del glucosio. Questo livello di dettaglio aiuta i ricercatori a andare oltre il semplice elenco di quali batteri sono presenti e a iniziare a capire come la comunità nel suo complesso funzioni.

I ricercatori hanno concluso che, sebbene gli alberi evolutivi siano utili per comprendere la storia della vita, non sono sempre la guida migliore per comprendere come gli organismi interagiscono con la salute umana. I grafi fissi utilizzati negli studi precedenti spesso non riuscivano a catturare le vere relazioni che guidano gli esiti delle malattie. Sviluppando un metodo che si adatta ai dati, il team ha fornito un nuovo strumento ai ricercatori per esplorare il microbioma. Questo strumento può aiutare a identificare quali batteri sono veramente importanti per una specifica condizione e come si relazionano tra loro in quel contesto. I risultati suggeriscono che il futuro della ricerca sul microbioma risiede in approcci flessibili e guidati dagli esiti, che permettano ai dati di rivelare la propria struttura, piuttosto che costringerli a conformarsi a mappe preesistenti.

Lo studio ha anche affrontato le sfide pratiche del lavoro con i dati del microbioma, come la presenza di molti valori zero quando i batteri non vengono rilevati. Il nuovo metodo si è dimostrato stabile e accurato anche in queste condizioni difficili, superando altre tecniche che faticavano con il rumore. Questa robustezza lo rende un candidato promettente per futuri studi in cui la qualità dei dati potrebbe variare. I ricercatori intendono estendere il loro lavoro per modellare direttamente i conteggi grezzi dei batteri e per incorporare molteplici fonti di informazione di rete, il che potrebbe migliorare ulteriormente l'accuratezza e l'affidabilità dei risultati.

In definitiva, questo lavoro rappresenta un cambiamento nel modo in cui gli scienziati approcciano la complessità del microbioma. Si allontana dall'idea che esista una singola, fissa mappa di relazioni che si applichi a tutte le situazioni. Al contrario, abbraccia l'idea che le relazioni tra i batteri siano fluide e dipendano dal contesto specifico, come la condizione di salute oggetto di studio. Utilizzando un metodo che apprende queste relazioni dai dati, i ricercatori possono ottenere una comprensione più profonda e accurata del ruolo che il microbioma svolge nella salute umana. Lo studio del microbioma orale e del suo legame con il diabete è solo un esempio di come questo approccio possa essere applicato ad altre aree della medicina, potenzialmente svelando nuove intuizioni sulla complessa rete della vita dentro di noi.