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

Darmkanker is een belangrijke doodsoorzaak wereldwijd, vaak omdat het te laat wordt ontdekt om de behandeling volledig effectief te laten zijn. Huidige screeningsmethoden, zoals tests die zoeken naar verborgen bloed in de ontlasting, zijn nuttig maar imperfect; ze kunnen vroege tekenen van ziekte missen of gezonde mensen aanmerken voor onnodige en invasieve vervolgprocedures. In de afgelopen jaren hebben wetenschappers hun aandacht gericht op de biljoenen microscopisch kleine organismen die in onze darmen leven, bekend als het microbioom. Deze microbiële gemeenschappen laten duidelijke chemische handtekeningen achter die veranderen wanneer er kanker of voorstadia van kanker ontstaan. De hoop is dat artsen, door deze microbiële patronen te analyseren, risicovolle individuen nauwkeuriger kunnen identificeren dan met alleen bloedtests alleen. Het omzetten van deze biologische signalen naar een betrouwbaar medisch hulpmiddel is echter vol met moeilijkheden. De data is rommelig, het aantal gezonde mensen overtreft het aantal mensen met kanker ruimschoots, en de manier waarop onderzoekers de data verwerken kan de resultaten drastisch veranderen, waardoor het moeilijk is om te weten welke methoden daadwerkelijk werken.

Om deze complexiteit te navigeren, heeft een team van onderzoekers aan de Universiteit van Leeds een nieuwe, open-source tool ontwikkeld genaamd CrcBiomeScreen. In plaats van simpelweg één "beste" manier voor te stellen om kanker te voorspellen, bouwden zij een flexibel framework waarmee wetenschappers verschillende strategieën naast elkaar kunnen testen om te zien welke standhouden onder druk. Ze gebruikten dit systeem om ontlastingsmonsters te analyseren van meer dan 2.200 mensen die betrokken waren bij een echt wereldzaam screeningsprogramma in het VK, evenals negen andere onafhankelijke datasets van over de hele wereld. Hun doel was om te ontdekken welke specifieke stappen in de analyse — hoe de data wordt schoongemaakt, hoe de verschillende soorten bacteriën worden geteld en hoe de computermodellen omgaan met het feit dat kankergevallen zeldzaam zijn — leiden tot de meest nauwkeurige en betrouwbare voorspellingen.

De onderzoekers ontdekten dat de keuzes die worden gemaakt voordat de computer überhaupt begint met leren, cruciaal zijn. Ze testten verschillende manieren om de data te normaliseren, een proces dat corrigeert voor verschillen in de hoeveelheid genetisch materiaal die uit elk monster is verzameld. Ze ontdekten dat een specifieke methode genaamd GMPR, die rekening houdt met de unieke manier waarop microbiële gemeenschappen zijn gestructureerd, consequent betere resultaten opleverde dan oudere, eenvoudigere methoden. Ze onderzochten ook of het ertoe deed om bacteriën mee te nemen die nooit succesvol in een laboratorium zijn gekweekt, vaak aangeduid als "ongecultiveerd". De studie toonde aan dat het behouden van deze mysterieuze, ongecultiveerde bacteriën in de analyse de prestaties van het model niet schaadde en zelfs waardevolle aanwijzingen over de ziekte zou kunnen bewaren die anders verloren zouden gaan. Bovendien bepaalden zij dat het kijken naar bacteriën op genusniveau — een brede categorie die verwante soorten groepeert — het beste evenwicht bood. Dit niveau van detail was specifiek genoeg om biologisch betekenisvol te zijn, maar breed genoeg om consistent herkend te worden door verschillende laboratoria en sequencingtechnologieën.

Een grote hindernis bij kankeronderzoek is de enorme onbalans tussen gezonde mensen en degenen met de ziekte. In een echt wereldzaam screeningsprogramma zijn er voor elke persoon met kanker honderden of duizenden gezonde individuen. Als een computermodel wordt getraind op een dataset die te veel kankergevallen bevat, kan het in het laboratorium goed presteren, maar in de praktijk bij het algemene publiek falen. Het team simuleerde deze extreme onbalans door testscenario's te creëren waarbij gezonde controles de gevallen van kanker verreweg overtroffen. Ze ontdekten dat een techniek genaamd 'class weighting' essentieel was. Deze aanpak vertelt de computer om tijdens de training extra aandacht te besteden aan de zeldzame kankergevallen, waardoor het model effectief gevoeliger wordt voor de ziekte zonder het vermogen te verliezen om gezonde mensen correct te identificeren. Wanneer ze deze weging toepasten, behield het model zijn vermogen om kankergevallen op te sporen, terwijl het het aantal gezonde mensen dat onterecht als ziek werd aangemerkt, aanzienlijk verminderde. Deze verbetering in precisie is van vitaal belang voor screening, aangezien het helpt onnodige coloscopieën en de angst die zij veroorzaken te voorkomen.

De onderzoekers testten vervolgens hoe goed deze modellen werkten wanneer ze werden verplaatst van de Britse dataset naar geheel andere populaties uit negen andere landen. Dit is waar de keuze van het computeralgoritme een verrassend verschil maakte. Een type model, bekend als Random Forest, bleek zeer stabiel en betrouwbaar, en presteerde consistent goed, zelfs wanneer de trainingsdata beperkt was of de populaties zeer verschillend waren. Een ander type, genaamd XGBoost, was krachtiger wanneer het werd getraind op grote, diverse datasets, waarbij het hogere nauwkeurigheid bereikte onder die specifieke omstandigheden, maar meer variabiliteit vertoonde wanneer de data kleiner was. De studie suggereert dat er geen enkel "wondermiddel"-algoritme is dat in elke situatie het beste werkt. In plaats daarvan hangt de beste aanpak af van de grootte en de aard van de beschikbare data.

Uiteindelijk ligt de waarde van CrcBiomeScreen in de transparantie en flexibiliteit ervan. Het dwingt onderzoekers niet om één enkele, rigide methode te gebruiken. In plaats daarvan biedt het een gestructureerde manier om verschillende opties te vergelijken, wat ervoor zorgt dat de uiteindelijke tool die gekozen wordt, degene is die het beste werkt voor de specifieke dataset in kwestie. Door aan te tonen dat zorgvuldige aandacht voor dataprocessing, de inclusie van ongecultiveerde bacteriën en het gebruik van class weighting de prestaties aanzienlijk kunnen verbeteren, biedt de studie een routekaart voor het ontwikkelen van meer betrouwbare microbiële screeningsinstrumenten. Hoewel deze modellen nog niet klaar zijn om bestaande tests te vervangen, vormen ze een belangrijke stap naar een toekomst waarin een eenvoudige ontlastingstest nauwkeuriger kan identificeren wie dringende medische aandacht nodig heeft, wat helpt om darmkanker eerder te ontdekken en meer levens te redden.