Stato dell’arte
Il microbiota è solitamente quantificato in termini di unità tassonomiche operative (OTU), definizione utilizzata per classificare gruppi di sequenze genomiche strettamente correlate, che possono riferirsi a specie, genere o classe. Tuttavia, per alcune patologie legate alla disbiosi le alterazioni del microbioma non possono essere facilmente espresse in termini di perdita (o guadagno) di diversità e non è possibile osservare grandi cambiamenti globali nella composizione della comunità batterica.

Cosa aggiunge questa ricerca
Lo studio propone un nuovo metodo computazionale per ricavare lo spettro di metaboliti associati al microbioma di un determinato individuo, confrontandoli poi con i dati del profilo metabolico di un set di controllo di soggetti sani in modo da identificare le alterazioni metaboliche individuali.

Conclusioni
Il nuovo algoritmo, denominato STELLA, sviluppato per dedurre il profilo metabolico da un dato microbioma, potrebbe aiutare a identificare possibili nuovi metaboliti correlati alle patologie e, quindi, anche nuovi bersagli per rendere le terapie tradizionali più efficaci e di successo.

Un gruppo di ricercatori del Centro per la Complessità e i Biosistemi dell’Università degli Studi di Milano ha pubblicato sulla rivista iScience uno studio su un nuovo metodo computazionale per ricavare lo spettro di metaboliti associati al microbioma individuale. Il metodo, denominato STELLA, è stato  applicato al disturbo dello spettro autistico (ASD) e alla sclerosi multipla (MS): dai dati ottenuti dal microbioma di pazienti affetti da tali disturbi ha permesso di identificare metaboliti già noti e nuovi metaboliti correlati alle patologie. 

Biomarker metagenomici di malattia: lo stato dell’arte

È ormai noto che l’attività metabolica di tutti i microrganismi che compongono il microbiota umano interagisce con il metabolismo dell’ospite, contribuendo alla salute e alle malattie umane in un modo che non è ancora del tutto compreso. 

Studi recenti hanno rivelato che le interazioni tra l’intestino e il sistema nervoso centrale (SNC), il cosiddetto asse intestino-cervello, sono modulate dalla complessa rete di comunicazione del microbiota. 

Per questo, l’analisi della composizione del microbiota e del microbioma intestinale è di fondamentale interesse nello studio della patogenesi correlata al SNC. Inoltre, le strategie recentemente proposte per riequilibrare la disbiosi sembrano essere efficaci nel trattamento di diverse patologie.

Il microbioma è solitamente quantificato in termini di unità tassonomiche operative (OTU), una definizione operativa utilizzata per classificare gruppi di sequenze genomiche strettamente correlate, che possono riferirsi a specie, genere o classe. 

La diversità in una comunità microbica è quindi un marcatore metagenomico ampiamente utilizzato nei disordini metabolici e nelle condizioni patologiche. Una riduzione della diversità del microbioma è stata collegata a una serie di stati patologici, come la malattia infiammatoria intestinale, l’obesità e le sindromi metaboliche e l’HIV. 

Tuttavia, per altre patologie legate alla disbiosi, come il disturbo dello spettro autistico (ASD) e la sclerosi multipla (MS), le alterazioni del microbioma non possono essere facilmente espresse in termini di perdita (o guadagno) di diversità e non è possibile osservare grandi cambiamenti globali nella composizione della comunità batterica. 

Metodo STELLA e alterazioni metaboliche individuali

Per ovviare a queste criticità, un team di  ricercatori dell’Università di Milano ha messo a punto STELLA, un metodo computazionale per derivare lo spettro dei metaboliti associati al microbioma individuale. 

STELLA integra le informazioni note sulle vie metaboliche associate a ciascuna specie batterica ed estrae da queste l’elenco dei prodotti metabolici di ogni singola reazione, mediante un’analisi automatica. 

Confrontando il risultato ottenuto su un singolo soggetto con i dati del profilo metabolico di un set di controllo di soggetti sani, STELLA è in grado di identificare le alterazioni metaboliche individuali. 

I ricercatori, inoltre, hanno applicato il metodo al disturbo dello spettro autistico (ASD) e alla sclerosi multipla (MS). In particolare, sono stati analizzati tre set di dati di sequenziamento dell’rRNA 16S ottenuti da soggetti autistici e sani e due set di dati riferiti alla MS. 

In questo caso STELLA è stato applicato specificamente ai dati di sequenziamento dell’rRNA 16S da campioni fecali, ma l’algoritmo potrebbe, in linea di principio, essere applicato a qualsiasi tipo di set di dati sul microbioma.

Tra i metaboliti/percorsi risultanti dalla disbiosi nell’ASD, l’analisi discriminante lineare (LDA) ha evidenziato la cobalamina, la sintesi di alcuni aminoacidi come il triptofano e la biosintesi delle purine. 

Secondo l’analisi, il microbioma dei pazienti con ASD è associato ad alterazioni degli aminoacidi che regolano il ciclo sonno-veglia e l’umore, in particolare il triptofano, che aiuta a produrre melatonina e serotonina.

Nel caso della SM, l’analisi suggerisce il coinvolgimento del metabolismo energetico, tra cui la glicolisi e la gluconeogenesi. Una perturbazione del metabolismo del glucosio nella SM è confermata da prove recenti che mostrano una connessione tra SM e aberrazioni mitocondriali e alterato metabolismo del glucosio, oltre che a una forte espressione dell’enzima lattato deidrogenasi A.

Le conclusioni dei ricercatori 

«STELLA integra le informazioni conosciute sulle vie metaboliche associate a ciascuna specie batterica ed estrae da queste l’elenco dei prodotti metabolici di ciascuna reazione singolare mediante un’analisi automatica» spiega Caterina La Porta, professore di Patologia Generale del dipartimento di Scienze e Politiche Ambientali dell’ateneo e coordinatrice dello studio. «La grande forza e innovazione di STELLA è che consente, grazie al confronto dei risultati di un singolo soggetto con i dati del profilo metabolico di soggetti sani, di identificare le alterazioni metaboliche individuali». 

La piattaforma STELLA aiuta quindi ad identificare nuovi bersagli per rendere le terapie tradizionali più efficaci, utilizzando un approccio integrato che affronta la complessità del network metabolico.