Le comunità microbiche presenti nell’intestino differiscono da individuo a individuo sia nella composizione che nell’abbondanza totale, influenzando le funzioni e le interazioni dei microrganismi all’interno dell’organismo. 

Un gruppo di ricercatori ha sviluppato di recente un modello di machine learning in grado di prevedere il carico microbico, ovvero il numero totale di microbi presenti nell’intestino, che è risultato essere un fattore chiave della variazione del microbiota e della sua associazione con le malattie.

I risultati, pubblicati su Cell, suggeriscono che includere l’analisi del carico microbico negli studi sul microbiota può aiutare i ricercatori a comprendere come i batteri intestinali influenzano le malattie, portando a diagnosi più accurate e trattamenti efficaci.

Possibili applicazioni One Health

Inoltre, questo studio potrebbe avere implicazioni che vanno oltre il microbiota intestinale. «I nostri oceani, i fiumi e il terreno sono tutti pieni di microbi. 

La comprensione di questi microbiomi potrebbe fornire preziose informazioni per aiutare a preservare la salute del nostro pianeta», afferma l’autore senior dello studio Peer Bork dell’European Molecular Biology Laboratory (EMBL) di Heidelberg, in Germania. 

«Questo studio ci mostra che il carico microbico è una misura importante che deve essere presa in considerazione in tali studi. Pertanto, lavoreremo per tradurre la conoscenza sul microbioma intestinale in altri habitat».

Per anni, i ricercatori si sono concentrati sulla composizione microbica dell’intestino umano. Tuttavia, esaminare l’abbondanza relativa di diverse specie non è sempre sufficiente per identificare modelli correlati alle malattie. 

A differenza della composizione microbica, il carico microbico misura il numero totale di cellule microbiche nell’intestino, fornendo un dato utile per comprendere il microbiota e la sua associazione con le condizioni di salute.

Peer Bork e il suo team hanno dunque deciso di sviluppare un modello di apprendimento automatico in grado di prevedere il carico microbico utilizzando solo dati metagenomici ottenuti dal materiale genetico raccolto direttamente dall’intestino umano.

Previsione del carico microbico

Per sviluppare un modello basato sull’intelligenza artificiale, i ricercatori lo hanno “addestrato” utilizzando grandi set di dati che contenevano sia la composizione microbica, ovvero le abbondanze relative delle diverse specie, sia il carico microbico misurato sperimentalmente, ovvero il numero assoluto di cellule microbiche. Il modello ha così “imparato” a prevedere il carico microbico utilizzando come input solo le abbondanze relative delle diverse specie.

Successivamente, i ricercatori hanno convalidato il modello su un set di dati sconosciuto. Quindi, hanno applicato il modello a un set di dati molto più ampio che comprendeva quasi 28.000 campioni raccolti in 159 studi condotti in 45 Paesi. Questa analisi ha rivelato che i cambiamenti nel carico microbico sono collegati allo stato di salute o di malattia, alla dieta e ai farmaci.

Il team ha scoperto inoltre che diversi fattori influenzano il carico microbico: ad esempio, la diarrea tende a ridurre il numero di microbi nell’intestino, mentre la stitichezza può portare a un loro aumento. In media, i giovani hanno un carico microbico inferiore rispetto agli adulti e le donne hanno un carico microbico superiore rispetto agli uomini, probabilmente a causa della maggiore frequenza di stitichezza nelle donne.

Approccio open-access

Dai dati ottenuti è emerso che molte specie microbiche che erano state precedentemente associate a malattie sono fortemente correlate anche a variazioni nel carico microbico. «Questi risultati suggeriscono che i cambiamenti nel carico microbico, piuttosto che la malattia stessa, potrebbero essere il motore dei cambiamenti nel microbiota nei pazienti», afferma l’autore principale dello studio Suguru Nishijima. «Tuttavia, alcune associazioni malattia-microbo sono state confermate, e questo dimostra la loro solidità».

I risultati evidenziano dunque la necessità di incorporare la misurazione del carico microbico negli studi sul microbiota. Il modello di machine learning sviluppato dai ricercatori è accessibile in tutto il mondo.

Grazie alla possibilità di prevedere il carico microbico basandosi solo sui dati metagenomici, questo approccio elimina la necessità di lunghi e costosi test di laboratorio e in futuro potrebbe rendere l’analisi del carico microbico più accessibile.