方法:
这项研究共招募了164名认知健康的志愿者,数据来自Knight ADRC(Alzheimer’s Disease Research Center)队列,参与者的年龄介于68-94岁,45%为男性,他们在2019年至2021年间提供了粪便样本。志愿者参与了PET成像、MRI成像、腰椎穿刺获取脑脊液样本、粪便取样、采血、认知测试,需要定期完成CDR量表。
划分标准:将临床前AD定义为CDR=0、Aβ阳性,其中Aβ阳性的标准为Centiloid>16.4,相当于匹兹堡化合物B标准化摄取比值比(SUVR)>1.42。对于未经PET的少数参与者,Aβ阳性标准定义为CSF Aβ42/Aβ40比值<0.0673。按照以上标准,志愿者被分为健康组(n=115)和临床前AD组(n=49)。
(2)未加权UniFrac距离的主坐标分析(PCoA)。(3)未加权UniFrac距离的主坐标轴(CAP)的规范分析。
(1)与Aβ和tau之间存在显著的相关性(p<0.05)。
(1)与临床前AD状态相关:Dorea_formicigenerans、Oscillibacter_sp.57_20、Faecalibacterium_ prausnitzii(普氏粪杆菌)、Coprococcus_catus(粪球菌)、Anaerostipes_hadrus(丁酸弧菌)、Ruminococ_cuslactaris(乳瘤胃球菌)。(2)与健康状态相关:Methanosphaera_stadtmanae。
(1)作者认为在无法获得典型的AD标志物的情况下,肠道微生物组特征的预测性能是有意义的。(2)建立相应的模型,模型包含人口统计数据和临床协变量、AT(N)等。
5.肠道微生物组特征提高分类器性能
随机划分为训练(n=99,30.3%临床前)和验证(n=65,29.2%临床前),对训练队列中的分类丰度数据进行迭代特征选择,在每次迭代中使用新种子,应用Boruta算法100次并识别出在100次迭代中至少25次中选择的分类群:选择了7个候选类群作为重要特征。
结果:含有肠道微生物组特征的模型性能更好,将不考虑更多类别的AD标志物,7个微生物特征的重要性表现得更明显。