۱۹ فوریهٔ ۲۰۲۶- در مطالعهٔ اخیر که در مجله Frontiers in Nutrition منتشر شده است، پژوهشگران ارتباط میان مقاومت به انسولین(IR) ــ عامل اصلی بروز دیابت نوع ۲ــ و ترکیب میکروبیوم روده(GM)  را بررسی کردند.

با استفاده از توالی‌ یابی ژن S rRNA 16استخراج‌ شده از نمونه‌ های مدفوع و نیز شاخص ‌های متابولیک خون ۱۱۶شرکت ‌کننده، محققان مدل‌ های یادگیری ماشینی (ML) را آموزش دادند تا مشخص کنند آیا الگوهای میکروبی روده می ‌توانند افراد دارای مقاومت انسولینی بالا را از افراد سالم تشخیص دهند یا خیر.

این مطالعه نشان داد که مدل ‌های XGBoost[1] قادرند افراد با مقاومت انسولینی بالاتر را با دقت متوسط از گروه کنترل تفکیک کنند. این یافته ‌ها نشان می ‌دهد که هدف قرار دادن گروه ‌های خاصی از باکتری‌ های روده ممکن است در آینده به‌ عنوان یک راهبرد درمانی کمکی برای بهبود تنظیم متابولیک در بیماران مبتلا به دیابت نوع ۲مطرح شود، البته مشروط به انجام مطالعات تأییدی بیشتر.

مقاومت به انسولین و میکروبیوم روده در دیابت نوع ۲

دیابت نوع ۲(T2DM)، یک اختلال مزمن متابولیک است که با هایپرگلایسمی پایدار مشخص می ‌شود و در صورت عدم درمان، خطر بیماری‌ های قلبی‌عروقی و سایر عوارض جدی متابولیک را به‌ طور قابل‌ توجهی افزایش می‌دهد.

مقاومت به انسولینبه‌ عنوان عامل پاتوفیزیولوژیک اصلی دیابت نوع ۲ شناخته می ‌شود. این وضعیت زمانی رخ می ‌دهد که بافت‌ های محیطی ــ از جمله عضلات و کبد ــ به انسولین پاسخ مؤثری نمی ‌دهند و در نتیجه متابولیسم کربوهیدرات و چربی مختل می ‌شود.

اگرچه درمان‌ های دارویی مانند متفورمین این مسیرهای متابولیک را هدف قرار می‌ دهند، شواهد رو ‌به‌ رشد نشان می ‌دهد که میکروبیوم روده می ‌تواند یک هدف درمانی مکمل باشد، نه جایگزینی برتر. به همین دلیل، پژوهش‌ ها بیش از پیش به دنبال روشن کردن تعاملات میان میکروبیوم و مقاومت به انسولین و شناسایی جوامع باکتریایی کلیدی مرتبط با اختلالات متابولیک هستند.

نقش یادگیری ماشینی در تحلیل میکروبیوم

داده‌ های میکروبیوم ذاتاً بسیار پیچیده و با ابعاد بالا هستند و شناسایی میکروب‌ های مرتبط با شدت ‌های مختلف مقاومت به انسولین با روش‌های محاسباتی سنتی دشوار است .پیشرفت ‌های یادگیری ماشینی امکان ادغام و تحلیل مجموعه ‌داده‌ های بزرگ و چندوجهی را فراهم کرده و الگوهایی را آشکار می ‌کند که با روش ‌های آماری کلاسیک قابل مشاهده نیستند.

طراحی مطالعه: توالی ‌یابی S rRNA 16 و طبقه ‌بندی مبتنی بر یادگیری ماشینی

در این مطالعه ۱۱۶شرکت ‌کننده از شهر چنگدو چین وارد شدند؛ شامل ۷۸فرد با تشخیص بالینی دیابت نوع ۲ و ۳۸ فرد سالم به‌ عنوان گروه کنترل. از شرکت‌ کنندگان نمونهٔ خون برای ارزیابی وضعیت متابولیک و نمونهٔ مدفوع برای توالی‌ یابی ژن S rRNA  16 جهت تعیین ترکیب میکروبیوم روده جمع ‌آوری شد.

وضعیت متابولیک با استفاده از شاخص‌ های بالینی استاندارد شامل قند خون ناشتا(FBG)، تری‌گلیسرید (TG)و کلسترولHDLارزیابی شد. از آنجایی که اندازه‌ گیری مستقیم مقاومت به انسولین در محیط بالینی دشوار است، پژوهشگران چهار شاخص ترکیبی معتبر را برای برآورد شدتIR  محاسبه کردند:

·  شاخص آتروژنیک پلاسما(AIP)

·  امتیاز متابولیک مقاومت به انسولین(METS-IR)

·  شاخص تری‌گلیسرید–گلوکز(TyG)

·  شاخصTyG– شاخص توده بدنی(TyG-BMI)

مدل‌ هایXGBoost  آموزش داده شدند تا مشخص کنند آیا امضاهای میکروبیوم روده[2] می‌ توانند افراد با مقاومت انسولینی بالا را نسبت به گروه کنترل طبقه‌ بندی کنند یا خیر. تحلیل اهمیت ویژگی ‌ها   (Feature Importance)نیز باکتری ‌هایی را که بیشترین ارتباط را با اختلالات متابولیک داشتند، شناسایی کرد.

تفاوت‌ های متابولیک بین بیماران دیابت نوع ۲ و گروه کنترل

اگرچه شاخص توده بدنی(BMI)بین بیمارانT2DM و افراد سالم تفاوت معنی‌ داری نداشت (۲۵٫۴۸در برابر ۲۴٫۸۴کیلوگرم بر متر مربع؛ p>0.05)، تفاوت ‌های متابولیک قابل‌ توجهی مشاهده شد.

افراد مبتلا به دیابت نوع ۲دارایTG  بالاتر(۲٫۶۰در برابر ۱٫۴۹میلی مول بر لیتر؛p<0.0001)، قند خون ناشتا بالاتر(۸٫۳۲در برابر ۵٫۱۰ میلی مول بر لیتر؛p<0.0001) و سطوح پایین ‌ترHDL-C(۰٫۹۱در برابر ۱٫۲۷میلی مول بر لیتر؛p<0.0001) بودند.

هر چهار شاخص محاسبه ‌شدهٔ مقاومت به انسولین نیز در گروه دیابتی به‌ طور معنی ‌داری بالاتر بود(p<0.0001)، که نشان ‌دهندهٔ شکاف متابولیک واضح بین دو گروه است.

عملکرد یادگیری ماشینی و نتایج  AUC

مدل‌ هایXGBoost  توانستند تنها بر اساس داده‌ های توالی ‌یابی میکروبیوم روده، مقاومت انسولینی شدید را با دقت متوسط شناسایی کنند.

بهترین عملکرد مربوط به طبقه ‌بندی مبتنی بر  METS-IRبود که مساحت زیر منحنی یاAUC  برابر 0.84 به دست آورد.این سطح از دقت برای تشخیص بالینی کافی نیست، اما نشان می‌ دهد که استفاده از میکروبیوم برای طبقه ‌بندی خطر متابولیک امکان ‌پذیر است.

تغییرات میکروبی مرتبط با مقاومت به انسولین

تحلیل اهمیت ویژگی ‌ها نشان داد که تغییرات مشخصی در ترکیب میکروبی با اختلالات متابولیک مرتبط است.

·   باکتری‌های مفید تولید کننده اسیدهای چرب با زنجیره‌ ی کوتاهدر افراد مبتلا بهT2DM به ‌طور قابل ‌توجهی کاهش یافته بودند.برای مثال، فراوانی نسبی Bacteroides در بیماران دیابتی ۹٫۳۹ درصد بود، در حالی که در گروه کنترل ۲۵٫۳۳ درصد گزارش شد.

·   باکتری‌ های بالقوه پاتوژنمانند Escherichia–Shigella در گروه دیابتی به‌ طور معنی ‌داری افزایش یافته بودند (۸٫۴۸ درصد در برابر ۱٫۹۷ درصد).

این تغییرات ترکیبی با اختلالات گلوکز و چربی خون همبستگی داشتند، هرچند طراحی مقطعی مطالعه مانع از نتیجه‌ گیری دربارهٔ رابطهٔ علت و معلولی می‌ شود.

پیامدهای بالینی، محدودیت ‌ها و مسیرهای آینده

این مطالعه نشان می‌ دهد که مدل‌ های یادگیری ماشینی می ‌توانند ویژگی ‌های میکروبیوم روده مرتبط با مقاومت به انسولین و اختلالات متابولیک را شناسایی کنند. برخی رده های باکتریایی مانند Faecalibacterium و Escherichia–Shigella ممکن است به‌ عنوان امضاهای میکروبی مرتبط با شدت بیماری مطرح شوند.

محدودیت‌ های مطالعه شامل:طراحی مقطعی، حجم نمونه نسبتاً کم، عوامل مخدوش‌ کنندهٔ احتمالی مانند رژیم غذایی، داروها و سبک زندگی و محدودیت ‌های تفکیک ‌پذیری روش S rRNA16 بود.

با وجود این محدودیت‌ ها، یافته ‌ها نشان می ‌دهد که پروفایل‌ های میکروبیوم روده به‌ طور مشخص با مقاومت به انسولین و اختلال در متابولیسم گلوکز و چربی در دیابت نوع ۲، مرتبط هستند.

برای تعیین رابطهٔ علت و معلولی و بررسی اینکه آیا پروبیوتیک ‌های شخصی‌ سازی ‌شده، رژیم‌ های غذایی هدفمند بر میکروبیوم، یا سایر مداخلات میکروبیوم‌ محور می ‌توانند به‌ عنوان درمان‌ های کمکی (نه جایگزین کامل) برایT2DM عمل کنند، مطالعات طولی و مداخله ‌ای بیشتری لازم است.

منبع:

https://www.news-medical.net/news/20260219/Gut-bacteria-patterns-help-predict-insulin-resistance-in-type-2-diabetes-study-finds.aspx