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

Il tumore del colon-retto è una delle principali cause di morte in tutto il mondo, spesso perché viene scoperto troppo tardi perché il trattamento sia pienamente efficace. Gli attuali metodi di screening, come i test che cercano tracce di sangue occulto nelle feci, sono utili ma imperfetti; possono mancare i primi segni della malattia o segnalare persone sane per procedure di follow-up non necessarie e invasive. Negli ultimi anni, gli scienziati hanno rivolto la loro attenzione ai trilioni di minuscoli organismi che vivono nei nostri intestini, noti come microbioma. Queste comunità microbiche lasciano firme chimiche distinte che cambiano quando si sviluppano tumori o formazioni precancerose. La speranza è che, analizzando questi modelli microbici, i medici possano identificare gli individui ad alto rischio con maggiore precisione rispetto ai soli esami del sangue. Tuttavia, trasformare questi segnali biologici in uno strumento medico affidabile è un compito pieno di difficoltà. I dati sono disordinati, il numero di persone sane supera di gran lunga quello di coloro che hanno il cancro e il modo in cui i ricercatori elaborano i dati può cambiare drasticamente i risultati, rendendo difficile capire quali metodi funzionino realmente.

Per navigare in questa complessità, un team di ricercatori dell'Università di Leeds ha sviluppato un nuovo strumento open-source chiamato CrcBiomeScreen. Invece di proporre semplicemente un unico metodo "migliore" per prevedere il cancro, hanno costruito un framework flessibile che consente agli scienziati di testare diverse strategie fianco a fianco per vedere quali resistano alla prova della realtà. Hanno utilizzato questo sistema per analizzare campioni di feci di oltre 2.200 persone coinvolte in un programma di screening reale nel Regno Unito, oltre a nove altri dataset indipendenti provenienti da tutto il mondo. Il loro obiettivo era scoprire quali passaggi specifici nell'analisi — come i dati vengono puliti, come vengono contati i diversi tipi di batteri e come i modelli informatici gestiscono il fatto che i casi di cancro siano rari — portino alle previsioni più accurate e affidabili.

I ricercatori hanno scoperto che le scelte effettuate prima ancora che il computer inizi l'apprendimento sono critiche. Hanno testato diversi modi per normalizzare i dati, un processo che regola le differenze nella quantità di materiale genetico raccolto da ciascun campione. Hanno scoperto che un metodo specifico chiamato GMPR, che tiene conto del modo unico in cui le comunità microbiche sono strutturate, produceva costantemente risultati migliori rispetto ai metodi più vecchi e semplici. Hanno anche esaminato se importasse includere batteri che non sono mai stati coltivati con successo in laboratorio, spesso etichettati come "non coltivati". Lo studio ha dimostato che mantenere questi misteriosi batteri non coltivati nell'analisi non ha danneggiato le prestazioni del modello e potrebbe anzi preservare indizi preziosi sulla malattia che altrimenti andrebbero perduti. Inoltre, hanno determinato che osservare i batteri a livello di genere — una categoria ampia che raggruppa specie correlate — forniva il miglior equilibrio. Questo livello di dettaglio era abbastanza specifico da essere biologicamente significativo, ma abbastanza ampio da essere riconosciuto in modo coerente tra diversi laboratori e tecnologie di sequenziamento.

Un ostacolo importante nello screening del cancro è il forte squilibrio tra le persone sane e quelle affette dalla malattia. In un programma di screening reale, per ogni persona con il cancro, ci sono centinaia o migliaia di individui sani. Se un modello informatico viene addestrato su un dataset che contiene troppi casi di cancro, potrebbe funzionare bene in laboratorio ma fallire miseramente quando applicato alla popolazione generale. Il team ha simulato questo estremo squilibrio creando scenari di test in cui i controlli sani superavano di gran lunga i casi di cancro. Hanno scoperto che una tecnica chiamata pesatura delle classi (class weighting) era essenziale. Questo approccio dice al computer di prestare un'attenzione extra ai rari casi di cancro durante l'addestramento, rendendo effettivamente il modello più sensibile alla malattia senza perdere la capacità di identificare correttamente le persone sane. Con l'applicazione di questa pesatura, il modello ha mantenuto la sua capacità di individuare i casi di cancro riducendo significativamente il numero di persone sane erroneamente segnalate come malate. Questo miglioramento della precisione è vitale per lo screening, poiché aiuta a evitare colonscopie non necessarie e l'ansia che esse causano.

I ricercatori hanno poi testato quanto bene questi modelli funzionassero spostandoli dal dataset del Regno Unito a popolazioni completamente diverse di altri nove paesi. È qui che la scelta dell'algoritmo informatico ha fatto una differenza sorprendente. Un tipo di modello, noto come Random Forest, si è dimostrato molto costante e affidabile, performando bene anche quando i dati di addestramento erano limitati o le popolazioni molto diverse. Un altro tipo, chiamato XGBoost, è stato più potente quando addestrato su dataset ampi e diversificati, raggiungendo un'accuratezza superiore in quelle specifiche condizioni, ma mostrando maggiore variabilità quando i dati erano più piccoli. Lo studio suggerisce che non esiste un singolo algoritmo "magico" che funzioni meglio in ogni situazione. Al contrario, il miglior approccio dipende dalle dimensioni e dalla natura dei dati disponibili.

In definitiva, il valore di CrcBiomeScreen risiede nella sua trasparenza e flessibilità. Non costringe i ricercatori a utilizzare un metodo unico e rigido. Al contrario, fornisce un modo strutturato per confrontare diverse opzioni, garantendo che lo strumento finale scelto sia quello che funziona meglio per il dataset specifico in questione. Dimostrando che l'attenzione meticolosa all'elaborazione dei dati, l'inclusione dei batteri non coltivati e l'uso della pesatura delle classi possono migliorare significativamente le prestazioni, lo studio offre una tabella di marcia per lo sviluppo di strumenti di screening basati sul microbioma più affidabili. Sebbene questi modelli non siano ancora pronti per sostituire i test esistenti, rappresentano un passo significativo verso un futuro in cui un semplice esame delle feci potrebbe identificare con maggiore accuratezza chi ha bisogno di cure mediche urgenti, aiutando a cogliere il tumore del colon-retto in fase precoce e a salvare più vite.