Graph-Adaptive Horseshoe for Compositional Regression

In het menselijk lichaam, met name in de mond, leven triljoenen microscopische organismen samen in complexe gemeenschappen. Wetenschappers noemen deze collectie het microbioom. Wanneer onderzoekers deze gemeenschappen bestuderen, tellen ze niet het absolute aantal bacteriën, omdat dat aantal constant verandert afhankelijk van de hoeveelheid speeksel of tandplak die wordt verzameld. In plaats daarvan meten ze de relatieve abundantie, of de proportie van elk type bacterie in verhouding tot de hele groep. Dit creëert een uniek wiskundig puzzelstuk: als de proportie van één type bacterie omhoog gaat, moeten de proporties van alle anderen omlaag gaan om het totaal op honderd procent te houden. Deze onderlinge afhankelijkheid maakt het moeilijk om standaard statistische hulpmiddelen te gebruiken om uit te zoeken welke specifieke bacterie aan een gezondheidstoestand is gekoppeld. Jarenlang hebben wetenschappers geprobeerd dit op te lossen door ervan uit te gaan dat bacteriën die nauw aan elkaar verwant zijn op de evolutionaire stamboom van het leven, ook vergelijkbaar zouden gedragen. Ze bouwden modellen gebaseerd op deze vaste stambomen, in de hoop dat evolutionaire nabijheid de interactie van bacteriën met de menselijke gezondheid zou kunnen voorspellen. Echter, deze aanname faalt vaak omdat bacteriën die verre verwanten zijn nog steeds hetzelfde kunnen doen in het menselijk lichaam, terwijl nauwe verwanten juist zeer verschillende effecten kunnen hebben.

Een team van onderzoekers heeft een nieuwe methode ontwikkeld om deze relaties te ontwarren zonder te vertrouwen op vooraf bepaalde aannames over bacteriële stambomen. Ze creëerden een systeem genaamd GRACE, wat staat voor Graph-Adaptive Horseshoe for Compositional Regression. In plaats van de data te dwingen om in een statische kaart van evolutionaire relaties te passen, laat deze nieuwe aanpak de data zelf de kaart tekenen. De onderzoekers pasten deze methode toe op een studie naar volwassenen die een risico liepen op diabetes, maar de ziekte nog niet hadden ontwikkeld. Ze analyseerden monsters van tandplak onder de tandvleeslijn om te zien welke bacteriën geassocieerd waren met insulineresistentie, een conditie waarbij het lichaam moeite heeft met het reguleren van de bloedsuikerspiegel. Door gebruik te maken van een flexibel, lerend model, ontdekten het team dat de bacteriën die gekoppeld zijn aan insulineresistentie groepen vormden op basis van hun werkelijke effect op het lichaam, en niet alleen op basis van hun evolutionaire geschiedenis.

De onderzoekers testten hun nieuwe methode met gesimuleerde data die de rommelige, met nullen gevulde aard van echte microbioommonsters nabootsten. In deze tests vergeleken ze GRACE met bestaande methoden die vertrouwen op vaste grafen afgeleid van fylogenetische bomen of co-occurrence patronen. De resultaten toonden aan dat wanneer de vaste grafen niet overeenkwamen met de ware biologische relaties, de oudere methoden moeite hadden om de juiste bacteriën te vinden of het netwerk van verbindingen te reconstrueren. GRACE paste zich echter aan de data aan. Het identificeerde succesvol de juiste groepen bacteriën en herstelde de onderliggende structuur van hun relaties, zelfs wanneer de initiële aannames over hoe de bacteriën met elkaar verwant waren, onjuist waren. De methode bleek robuust, zelfs wanneer de data veel ontbrekende waarden bevatten, een veelvoorkomend probleem in microbioomstudies waarbij sommige bacteriën te zeldzaam zijn om in elke sample gedetecteerd te worden.

Toen het team GRACE toepaste op de echte data van de ORIGINS-studie, die deelnam aan met 152 volwassenen, boden de bevindingen een duidelijker beeld van de rol van het orale microbioom in de metabole gezondheid. Het model identificeerde specifieke bacteriën die geassocieerd zijn met insulineresistentie, waaronder Tannerella forsythia en Selenomonas artemidis. Deze bacteriën staan bekend om hun betrokkenheid bij tandvleesziekte, maar de nieuwe analyse toonde aan hoe zij samen clusterden op basis van hun gedeelde impact op de bloedsuikerregulatie. Cruciaal is dat het netwerk van verbindingen dat GRACE tussen deze bacteriën opbouwde, er heel anders uitzag dan de traditionele evolutionaire boom. De bacteriën die het model bij elkaar bracht, waren niet noodzakelijkerwijs de dichtst verwante in de stamboom van het leven. In plaats daarvan werden ze gegroepeerd omdat ze in dezelfde richting bewogen met betrekking tot de gezondheidsuitkomst: sommige bacteriën waren gelinkt aan een hogere insulineresistentie, terwijl andere gelinkt waren aan een lagere resistentie.

De studie onthulde ook dat de manier waarop bacteriën in het lichaam met elkaar verbonden zijn, geen eenvoudige reflectie is van hun evolutionaire verleden. De onderzoekers ontdekten dat de "afstand" tussen bacteriën in termen van hun effect op insulineresistentie niet altijd overeenkwam met hun afstand op de evolutionaire stamboom. Zo waren sommige bacteriën die evolutionair dicht bij elkaar stonden, ver uit elkaar in hun relatie tot de ziekte, terwijl anderen die verre verwanten waren, in unisono handelden. Dit suggereert dat het uitsluitend vertrouwen op evolutionaire bomen om microbioomdata te begrijpen, ertoe kan leiden dat onderzoekers belangrijke connecties missen. De nieuwe methode laat de data voor zichzelf spreken, waardoor een kaart van relaties ontstaat die wordt gedreven door de werkelijke gezondheidsuitkomst in plaats van door een vooraf bestaande theorie.

De onderzoekers benadrukten dat de graf die GRACE produceert niet moet worden beschouwd als een kaart van fysieke interacties tussen bacteriën, zoals wie de ander opeet of wie de ander helpt te overleven. In plaats daarvan is het een hypothese-genererend instrument dat de nadruk legt op welke groepen bacteriën een gemeenschappelijke invloed op het lichaam delen. In het geval van de ORIGINS-studie groepeerde het model bacteriën in modules die overeenkwamen met bekende biologische functies, zoals die betrokken bij parodontale ziekte en metabole dysfunctie. Deze afstemming met bestaande medische kennis gaf de onderzoekers het vertrouwen dat het model werkelijke biologische signalen vastlegde in plaats van willekeurige ruis.

Een van de belangrijkste sterktes van deze aanpak is het vermogen om met onzekerheid om te gaan. Het model produceert niet slechts één rigide antwoord; het biedt een reeks mogelijkheden en geeft aan hoe zeker het is over elke verbinding. Dit is bijzonder belangrijk in complexe biologische systemen waar data schaars en ruizig kunnen zijn. Door de verbindingen tussen bacteriën te laten leren van de data, vermijdt de methode de valkuilen van het dwingen van de data in een hokje dat er niet bij past. De onderzoekers merkten op dat wanneer zij onzeker waren over de initiële relaties tussen bacteriën, het gebruik van een zwakkere 'prior assumption' ervoor zorgde dat het model de structuur rechtstreeks uit de observaties kon leren, wat leidde tot betere resultaten.

De toepassing van deze methode op de orale microbioomdata bood een genuanceerder begrip van de link tussen tandvleesgezondheid en diabetes. De studie bevestigde dat bepaalde bacteriën, zoals Tannerella forsythia, consequent geassocieerd zijn met hogere niveaus van insulineresistentie. Het benadrukte ook dat deze bacteriën niet in isolatie optreden, maar deel uitmaken van een grotere gemeenschapsstructuur die de uitkomst beïnvloedt. Het model toonde aan dat de bacteriën geassocieerd met insulineresistentie onderscheidende clusters vormden die gescheiden waren van de bacteriën die geassocieerd waren met een gezonde glucoseregulatie. Dit niveau van detail helpt onderzoekers om verder te gaan dan simpelweg het opsommen van welke bacteriën aanwezig zijn, en te beginnen met het begrijpen van hoe de gemeenschap als geheel functioneert.

De onderzoekers concludeerden dat hoewel evolutionaire bomen nuttig zijn voor het begrijpen van de geschiedenis van het leven, ze niet altijd de beste gids zijn voor het begrijpen hoe organismen interageren met de menselijke gezondheid. De vaste grafen die in eerdere studies werden gebruikt, slaagden er vaak niet in om de ware relaties te vangen die ziekteverloop aansturen. Door een methode te ontwikkelen die zich aanpast aan de data, heeft het team een nieuw instrument ontwikkeld waarmee onderzoekers de microbiome kunnen verkennen. Dit instrument kan helpen identificeren welke bacteriën echt belangrijk zijn voor een specifieke conditie en hoe zij zich tot elkaar verhouden in die context. De bevindingen suggereren dat de toekomst van microbioomonderzoek ligt in flexibele, op uitkomsten gerichte benaderingen die de data de ruimte geven om hun eigen structuur te onthullen, in plaats van ze te dwingen te voldoen aan vooraf bestaande kaarten.

De studie behandelde ook de praktische uitdagingen van het werken met microbioomdata, zoals de aanwezigheid van veel nulwaarden wanneer bacteriën niet gedetecteerd worden. De nieuwe methode bleek stabiel en accuraat, zelfs onder deze moeilijke omstandigheden, en presteerde beter dan andere technieken die moeite hadden met de ruis. Deze robuustheid maakt het een veelbelovende kandidaat voor toekomstige studies waarbij de datakwaliteit kan variëren. De onderzoekers zijn van plan hun werk uit te breiden door de ruwe aantallen bacteriën direct te modelleren en meerdere bronnen van netwerkinformatie te integreren, wat de nauwkeurigheid en betrouwbaarheid van de resultaten verder zou kunnen verbeteren.

Uiteindelijk vertegenwoordigt dit werk een verschuiving in hoe wetenschappers de complexiteit van het microbioom benaderen. Het beweegt weg van het idee dat er één enkele, vaste kaart van relaties bestaat die voor alle situaties geldt. In plaats daarvan omarmt het het idee dat de relaties tussen bacteriën fluïde zijn en afhangen van de specifieke context, zoals de onderzochte gezondheidstoestand. Door een methode te gebruiken die deze relaties leert van de data, kunnen onderzoekers een dieper en nauwkeuriger begrip krijgen van de rol die het microbioom speelt in de menselijke gezondheid. De studie van het orale microbioom en de link met diabetes is slechts één voorbeeld van hoe deze aanpak kan worden toegepast op andere gebieden van de geneeskunde, wat potentieel nieuwe inzichten kan bieden in het complexe web van het leven binnen ons.