Rak jelita grubego jest drugą najczęstszą przyczyną zgonów nowotworowych na świecie. We wczesnym stadium można go skutecznie leczyć, jednak koszt i dyskomfort kolonoskopii – głównej obecnie stosowanej metody diagnostycznej – często prowadzą do opóźnionej diagnozy. Zespół z Uniwersytetu Genewskiego (UNIGE), wykorzystując algorytmy uczenia maszynowego, po raz pierwszy zidentyfikował wszystkie bakterie jelitowe człowieka z taką dokładnością, która pozwala zrozumieć znaczenie fizjologiczne poszczególnych podgrup drobnoustrojów. Ten szczegółowy katalog umożliwił wykrywanie raka jelita grubego na podstawie analizy prostych próbek kału, co stanowi nieinwazyjne i tanie narzędzie przesiewowe. Potencjalne zastosowania są znacznie szersze – od diagnostyki innych nowotworów po lepsze zrozumienie powiązań między mikrobiotą jelitową a zdrowiem. Wyniki zostały opublikowane w czasopiśmie Cell Host & Microbe.
Rak jelita grubego jest często rozpoznawany dopiero w stadium zaawansowanym, gdy możliwości terapeutyczne są ograniczone. Podkreśla to konieczność opracowania prostszych i mniej inwazyjnych metod diagnostycznych, szczególnie wobec wciąż niewyjaśnionego wzrostu liczby zachorowań u młodych dorosłych. Choć od dawna wiadomo, że mikrobiota jelitowa odgrywa rolę w rozwoju raka jelita grubego, to przełożenie tych odkryć na praktykę kliniczną było trudne. Wynika to z faktu, że różne szczepy tego samego gatunku bakterii mogą działać odmiennie – jedne sprzyjają rozwojowi choroby, inne pozostają neutralne.
„Zamiast analizować jedynie poszczególne gatunki wchodzące w skład mikrobioty, co nie oddaje wszystkich istotnych różnic, albo badać szczepy, które silnie różnią się między pacjentami, skupiliśmy się na poziomie pośrednim – podgatunkach” – wyjaśnia prof. Mirko Trajkovski z Wydziału Fizjologii Komórki i Metabolizmu oraz Centrum Diabetologii UNIGE, kierujący badaniami. – „Rozdzielczość podgatunkowa jest na tyle specyficzna, że pozwala uchwycić różnice w funkcjonowaniu bakterii i ich udziale w chorobach, w tym nowotworach, a jednocześnie na tyle ogólna, by wykrywać zmiany w różnych populacjach i krajach”.
Wspomaganie diagnostyki przez uczenie maszynowe
Pierwszym krokiem była analiza ogromnych zbiorów danych. „Jako bioinformatyk stanąłem przed wyzwaniem opracowania nowatorskiego podejścia do analizy masowych danych” – wspomina Matija Trickovic, doktorant w laboratorium Trajkovskiego i pierwszy autor publikacji. „Udało nam się stworzyć pierwszy kompletny katalog podgatunków ludzkiej mikrobioty jelitowej oraz precyzyjną i wydajną metodę jej wykorzystania zarówno w badaniach naukowych, jak i w praktyce klinicznej”.
Łącząc katalog z istniejącymi danymi klinicznymi, naukowcy opracowali model pozwalający przewidywać obecność raka jelita grubego wyłącznie na podstawie bakterii obecnych w próbkach kału. „Chociaż wierzyliśmy w naszą strategię, wyniki były zaskakujące” – podkreśla Trickovic. – „Nasza metoda wykryła 90% przypadków raka, co jest bardzo zbliżone do skuteczności kolonoskopii (94%) i przewyższa wszystkie dotychczasowe nieinwazyjne metody”.
W miarę włączania większej ilości danych klinicznych model może stać się jeszcze bardziej precyzyjny i osiągnąć skuteczność porównywalną z kolonoskopią. W przyszłości mógłby stać się rutynowym testem przesiewowym, pozwalającym kierować na kolonoskopię tylko wyselekcjonowaną grupę pacjentów.
Nowe możliwości zastosowań
Pierwsze badania kliniczne we współpracy ze Szpitalami Uniwersyteckimi w Genewie (HUG) już są przygotowywane, by dokładniej określić stadia nowotworu i typy zmian wykrywalne metodą mikrobiotyczną. Zastosowania wykraczają jednak daleko poza raka jelita grubego. Analizując różnice między podgatunkami w obrębie tego samego gatunku bakterii, naukowcy mogą teraz identyfikować mechanizmy, dzięki którym mikrobiota jelitowa wpływa na zdrowie człowieka. „Ta sama metoda może wkrótce posłużyć do opracowania nieinwazyjnych narzędzi diagnostycznych dla szerokiego spektrum chorób, opartych na pojedynczej analizie mikrobioty” – podsumowuje Trajkovski.
Źródło: Cell Host & Microbe, Subspecies of the human gut microbiota carry implicit information for in-depth microbiome research
DOI: http://dx.doi.org/10.1016/j.chom.2025.07.015
