Forskning har i mange år fokuseret på, hvordan en bred sammensætning af forskellige bakterier i tarmene har betydning for et godt helbred, og hvordan nogle bakterier ser ud til at være sundhedsfremmende, mens andre er associeret til sygdom. Nyt studie viser, at ud over variationen i sammensætningen af bakterier betyder selve koncentrationen af bakterier også noget.
Gennem de seneste ti år har det stået mere og mere klart, at bakterier i tarmene spiller en enorm vigtig rolle for vores helbred.
Tarmbakterierne og deres sammensætning er blandt andet associeret til risikoen for udvikling af type 2-diabetes, svær overvægt, hjertekarsygdom og sågar neurologiske sygdomme som Alzheimers og Parkinsons sygdom.
Forskningen har de seneste 10 år fokuseret primært på, hvilken rolle forholdet mellem de forskellige bakterier har vores helbred, men nu viser et nyt studie, at selve koncentrationen af bakterier formentlig også spiller en meget stor rolle.
Forskerne bag studiet har endda udviklet et AI-værktøj til at kunne bestemme koncentrationen af bakterier ud fra en undersøgelse af variationen.
Resultatet af de undersøgelser, som forskerne har lavet, viser, at koncentrationen af bakterier, den såkaldte mikrobielle load, spiller en meget større rolle for helbredet, end den hidtil har fået kredit for.
”Traditionelt har vi inden for feltet interesseret os for forholdet mellem de forskellige bakterier, mens vi har overset betydningen af den mikrobielle load. Det vil sige, at vi har kunnet se, at bakterie X udgør for eksempel to pct. af alle bakterier i en afføringsprøve, men vi har ikke haft nogen idé om, hvorvidt det betyder, at der er 100.000 bakterier af type X i en afføringsprøve eller en million. Med vores AI-værktøj tilføjer vi denne dimension til forskning i betydningen af sammensætningen af vores tarmbakterier,” fortæller en af forskerne bag studiet, ph.d. og forsker Michael Kuhn fra Molecular Systems Biology Unit, European Molecular Biology Laboratory (EMBL), Tyskland.
Forskningen, der er lavet i et samarbejde mellem forskere fra EMBL, Syddansk Universitet og Københavns Universitet, er offentliggjort i Cell.
Førsteforfatteren til studiet er Suguru Nishijima, der var postdoc på EMBL mens forskningen blev udført og er nu lektor ved University of Tokyo, Japan.
Besværligt at tælle bakterier
Forskerne bag det nye studie har ligesom alle andre længe været optaget af betydningen af fordelingen af bakterier i vores tarme for menneskers helbred.
De har blandt andet deltaget i store internationale forskningsarbejder, hvor formålet har været at undersøge betydningen af den bakterielle sammensætning i tarmene for hjertekarsygdom og leversygdom.
Til de studier har forskerne brugt avancerede sekventeringsteknikker, der kan afsløre den relative fordeling mellem bakterierne, men hvis forskerne ønskede at kende til den mikrobielle load, skulle de i tillæg tælle alle bakterierne i en afføringsprøve med arbejdskrævende eksperimentelle teknikker.
Det er et besværligt, tidskrævende og fordyrende ekstra skridt at lave i forskningen.
”Derfor ville vi undersøge muligheden for at udvikle en metode til med maskinlæring at kunne bestemme den mikrobielle load ud fra de allerede eksisterende sekvensdata,” forklarer Michael Kuhn.
Trænede AI-model på afføring fra 3.700 personer
I studiet har forskerne trænet kunstig intelligens til at finde sammenhænge mellem den relative fordeling mellem bakterier og den mikrobielle load.
Forskerne trænede deres algoritme på et datasæt bestående af afføringsprøver fra 3.700 personer.
For disse afføringsprøver var data for både sekventering- og mikrobiel load anskaffet, og det betød, at algoritmen kunne lede efter sammenhænge mellem netop den relative fordeling mellem bakterier og den mikrobielle load.
Forskerne bekræftede, at modellen virkede på et andet datasæt, som algoritmen ikke havde stiftet bekendtskab med før.
”Det betyder, at vi i fremtiden ikke længere behøver at tælle bakterierne i afføringsprøver for at finde ud af, hvad den mikrobielle load er. Vi kan benytte de allerede eksisterende sekvensdata til at udlede ikke bare den relative fordeling mellem bakterier, men også den mikrobielle load. Det gør det let at tilføje denne viden til forskningen i betydningen af tarmbakterier for helbred,” siger Michael Kuhn.
Identificerede sammenhænge mellem mikrobiel load og sygdomme
Efter forskerne havde trænet deres model, slap de den løs på endnu et datasæt bestående af afføringsprøver fra 27.000 personer fra 159 tidligere studier udført i 45 forskellige lande.
I dette enorme datasæt fandt de, at mange forskellige faktorer har betydning for den mikrobielle load.
Nogle var forventet, såsom at diarré og brug af antibiotika var associeret til lavere mikrobiel load, mens forstoppelse giver en højere mikrobiel load.
Andre var mere overraskende, såsom at kvinder har også gennemsnitligt højere mikrobiel load i deres afføring, mens yngre har en mindre mikrobiel load sammenlignet med ældre.
Forskerne fandt også, at forskellige sygdomme var associeret til ændringer i den mikrobielle load.
Noget af det mest interessante er nok, at forskerne fandt, at nogle sygdomme var karakteriseret ved samme relative profil i deres mikrobielle sammensætning, men at sammenhængen faktisk blev drevet af sammenlignelige ændringer i den mikrobielle load på tværs af sygdommene.
Forskerne fandt også, at forekomsten af bakterier ved givne sygdomme ofte var stærkere associeret til den mikrobielle load, end de var til sygdommen selv.
”Det tyder på, at ændringer i den mikrobielle load i forbindelse med nogle sygdomme er mere bestemmende for den mikrobielle sammensætning i tarmene, end sygdommene er i sig selv,” siger Michael Kuhn.
Model frit tilgængeligt men har brug for mere træningsdata
Den algoritme, som forskerne har udviklet til at studere mikrobiel load, har de lagt frit frem, så alle forskere kan udnytte den til at give deres forskning en ekstra dimension.
For nu er algoritmen begrænset til forskere med interesse for tarmbakterier. Selvom metoden burde være anvendeligt til bakterier, der lever andre steder i mennesker og bakterier i vand eller i jord, hvor det formentlig er lige så vigtigt både at holde for øje, hvad sammensætningen af bakterier er, og hvad den mikrobielle load er, mangler data for træning af algoritmen.
Michael Kuhn fortæller, at modellen skal blive trænet på data fra de relevante miljøer for at anvendes, og at han selv fortsat er fokuseret på tarmbakterier.
”Vi har indtil nu manglet noget kontekst i vores studier, og med vores model muliggør vi at få denne kontekst med. Det kan give os en større forståelse af, hvilken betydning sammensætningen af vores tarmbakterier har, og hvad der har betydning for vores bakterielle sammensætning og den samlede mængde af bakterier i vores tarme. Et næste interessant skridt vil også være at undersøge, hvad der kan ændre den mikrobielle load over tid, og hvilken betydning det har,” siger han.
