Il microbiota intestinale si collega alla stabilità dell’allotrapianto dopo il trapianto polmonare: uno studio prospettico di coorte

Blog

CasaCasa / Blog / Il microbiota intestinale si collega alla stabilità dell’allotrapianto dopo il trapianto polmonare: uno studio prospettico di coorte

Dec 01, 2023

Il microbiota intestinale si collega alla stabilità dell’allotrapianto dopo il trapianto polmonare: uno studio prospettico di coorte

Trasduzione del segnale e terapia mirata, volume 8, numero articolo: 326 (2023) Citare questo articolo Dettagli metrici Se il microbiota alternato nell'intestino contribuisce al rischio di allotrapianto

Trasduzione del segnale e terapia mirata volume 8, numero articolo: 326 (2023) Citare questo articolo

Dettagli sulle metriche

Rimane inesplorato se il microbiota alternato nell’intestino contribuisca al rischio di rigetto dell’allotrapianto (AR) e di infezione polmonare (PI) nel contesto dei pazienti sottoposti a trapianto di polmone (LTR). Una potenziale coorte multicentrica di LTR è stata identificata nei quattro centri di trapianto polmonare. Sono stati raccolti campioni fecali e di siero accoppiati e divisi in gruppi AR, PI e privi di eventi (EF) in base alla diagnosi al momento del campionamento. I campioni fecali sono stati determinati mediante sequenziamento metagenomico. E nel siero accoppiato sono stati rilevati metaboliti e citochine per analizzare il potenziale effetto della comunità del microbiota alterata. In totale, abbiamo analizzato 146 campioni accoppiati (AR = 25, PI = 43 ed EF = 78). In particolare, abbiamo scoperto che il microbioma intestinale dell’AR seguiva un modello di impoverimento maggiore con una diminuzione di 487 specie e diversità compositiva. Ulteriori analisi multi-omiche hanno mostrato una diminuzione dei metaboliti sierici e un aumento delle citochine infiammatorie in AR e PI. Bacteroides uniformis, che è diminuito in AR (2,4% vs 0,6%) ed è stato associato negativamente con IL-1β e IL-12 sierici, è stato identificato come una specie guidata nella rete del microbioma intestinale di EF. Funzionalmente, i campioni EF erano abbondanti in probiotici legati al metabolismo del mannosio e dei peptidi antimicrobici cationici. Inoltre, un classificatore macchina a vettore di supporto basato su microbioma, metaboloma e parametri clinici ha predetto altamente AR (AUPRC = 0,801) e PI (AUPRC = 0,855), per cui il set di dati del microbioma ha mostrato un potere diagnostico particolarmente elevato. In conclusione, un microbiota intestinale dirompente ha mostrato un’associazione significativa con il rigetto e l’infezione dell’allotrapianto e con le citochine e i metaboliti sistemici nelle LTR.

Il trapianto di polmone è una terapia potenzialmente curativa per i pazienti con malattia polmonare allo stadio terminale.1 Tuttavia, la sopravvivenza globale dopo un trapianto di polmone è ancora inferiore rispetto ad altre modalità di trapianto di organi solidi.2,3 Per i pazienti adulti sottoposti a trapianto di polmone (LTR) che sopravvissuti 1 anno dopo il trapianto, la sopravvivenza mediana aumenta da 6,7 ​​a 8,9 anni. Il rigetto grave dell’allotrapianto (AR) e l’infezione polmonare (PI) sono le complicanze più comuni entro 1 anno dal trapianto.4 Queste malattie non sono solo le principali cause di morte, ma sono anche associate alla disfunzione cronica dell’allotrapianto (CLAD).5 Di natura infiammatoria eventi di allotrapianto, come la disfunzione primaria del trapianto, sono associati al successivo sviluppo di AR e PI.6,7,8 Tuttavia, le predisposizioni alla suscettibilità al rigetto polmonare e alle infezioni non sono completamente comprese.2

Precedenti studi longitudinali basati sul sequenziamento genico hanno rivelato che il microbioma è apprezzabile in soggetti sani, alterato in malattie patologiche e significativamente associato agli esiti clinici.9,10 La ridotta diversità microbica intestinale è correlata all'eziologia e alla gravità della malattia dell'allotrapianto.11,12 Prove convincenti hanno anche dimostrato che il microbioma intestinale potrebbe modulare l’alloimmunità e il rigetto, implicando direttamente il microbioma intestinale come bersaglio terapeutico nel trapianto di organi.13,14 Inoltre, studi longitudinali su pazienti sottoposti a trapianto di fegato e rene hanno dimostrato la distruzione del microbioma intestinale dopo il trapianto è stato caratterizzato da una perdita di diversità con importanti vie metaboliche e dalla dominazione di una singola specie, nonché da un aumento della prevalenza dei geni di resistenza agli antibiotici.12 Questi risultati hanno supportato che potenziali interventi mirati al microbioma intestinale potrebbero influenzare la sopravvivenza dei pazienti che hanno ricevuto organi solidi trapianto.

È stata ampiamente segnalata la possibilità che il microbiota del tratto respiratorio inferiore possa avere effetti locali in seguito al trapianto polmonare.15,16,17 Secondo questi studi, l’aumento della carica batterica del tratto respiratorio inferiore e la minore diversità sono associati a un aumento dell’AR e a una sopravvivenza inferiore. Nel frattempo, i batteri associati all’intestino sono stati significativamente arricchiti nei brevetti con infiammazione polmonare. Ancora più importante, studi recenti hanno dimostrato che il microbiota intestinale è vitale nel determinare le malattie respiratorie, come l’asma e lo sviluppo di atopia.18 È interessante notare che Wu et al. hanno indicato che le funzioni dirette di mediazione immunitaria del microbiota intestinale nei modelli murini AR si verificano attraverso la compromissione delle risposte Th17.19 Ad oggi, non è noto se il microbioma intestinale possa essere collegato a malattie da allotrapianto nel contesto del trapianto polmonare.

2-fold change (FC)). These results are similar with previously reported findings, such as a relative depletion in probiotics bacteria (like Bacteroides uniformis, Lachnospiraceae bacterium, Blautia obeum, and Phascolarctobacterium succinatutens), and enrichment of Enterococcus phage_IME_EFm1 and Desulfovibrio sp_An276 in patients with pulmonary inflammation. In these species, bacteria families from Bacteroides and Lachnospiraceae are known producers of short-chain fatty acids (particularly butyrate), which play crucial roles in boosting host immunity.20,21 Moreover, three species were significantly enriched and 18 were decreased in the PI samples (Fig. 2g and Supplementary Table 5). However, the differences between the AR and PI groups were not be observed at the species level (Supplementary Fig. 3). Next, we combined the AR and PI samples into an allograft disorder group. The species shared by more than 50% of the subjects in the allograft disorder or EF group were used to construct a microbial co-abundance network. The allograft disorder and EF group differed significantly in the characteristics of the gut microbial network. Observably, the gut microbiota of the EF group formed a more robust community (Fig. 3a, b). Fewer edge numbers, node numbers, net connectivity, and net vulnerability were observed in the network of allograft disorder samples than EF, indicating higher network connectivity in the EF LTRs (Supplementary Table 6). We asked whether any key species drive the differences between the networks based on the parameters of average degree, closeness centrality, and betweenness centrality. We identified a bacterial species of the Bacteroides family, indexed uniformis, which enriched EF (Relative abundance = 2.4%) and significantly reduced in AR (Relative abundance = 0.6%, FDR = 0.04). It was reported as an immunomodulatory probiotic, optimizing the systemic Th1/Th2 balance to reduce autoimmune disorders in experimental models.22 Furthermore, Netshift analysis revealed that the Bacteroides uniformis had a higher neighbor shift (NESH) core (1.125) and stronger betweenness among 39 driven species (Supplementary Table 7). This finding supports that the Bacteroides uniformis is the main driver species for the changed microbial community./p>2-FC./p>2-FC) or the significantly changed serum metabolites (p < 0.05) were used to construct SVM models. Integration of all the above variables was also used to construct the SVM model. We assigned the 104 samples of SPH to the training cohort and 42 samples of the other three centers to a validated cohort. We performed the cross-validation and parameter optimization was used to develop the models in the training samples. The validated samples were used for testing. A PRC was determined, and the AUPRC was calculated to evaluate the diagnostic values of the classifiers. We identify Feature contribution index were obtained by identifying the best alpha value, fitting a final model on the whole data set, and reporting features contribution of this model./p>