Gut microbiome insights for pediatric health using machine learning analyses
Vänni, Petri (2024-06-07)
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
https://urn.fi/URN:NBN:fi:oulu-202405163604
Kuvaus
Tiivistelmä
The human gut microbiome, influenced by factors such as delivery mode, exposure to antibiotics, and breastfeeding, undergoes significant alterations during the perinatal period. This study investigated the use of machine learning methods to manage the complexity, multidimensionality, noise, and sparsity of microbiota-derived data in the data analysis in pediatric cohorts. Machine learning methods were employed in both within-study and cross-study settings.
This thesis comprises three studies. The first study investigated the impact of delivery mode and perinatal antibiotics on the developing infant gut microbiota. The second study examined the relationship between gut mycobiome and non-communicable diseases. In the third study, the relationship between delivery mode and infant gut microbiota was further investigated in diverse infant cohorts from several countries. In all the studies, various machine learning methods were utilized for sample classification.
The first study revealed altered gut microbiota profiles in infants delivered via cesarean section or exposed to perinatal antibiotics. Bacteroides and the associated metabolic pathways were significantly diminished in such infants. The second study revealed weak associations between early-life gut mycobiome composition and subsequent atopic dermatitis and overweight. In the third study, which used a cross-study setting, the machine learning models demonstrated that the microbiota changes related to cesarean section were generalizable across cohorts when a model developed and tested in one infant cohort was used and validated in other cohorts. Based on gut microbiota data, these cross-study analyses identified the relative abundance of Bacteroides as a crucial factor in classifying the mode of delivery.
Machine learning methods can be effectively used in pediatric microbiome research. Furthermore, validating and generalizing the microbial patterns between different clinical pediatric cohorts and datasets could be a useful strategy while utilizing machine learning models.
Vastasyntyneen mikrobiston kehitykseen vaikuttavat useat varhaiset tekijät kuten synnytystapa, altistuminen antibiooteille ja rintaruokinta. Vertailevia tutkimuksia eri aineistojen välillä on kuitenkin tehty vähän, koska mikrobiston monimutkaisuuden ja moniulotteisuuden vuoksi tavalliset tilastolliset menetelmät soveltuvat tutkimukseen huonosti. Tämä tutkimus huomioi mikrobiomista peräisin olevan datan monimutkaisuuden, moniulotteisuuden, taustakohinan ja harvinaisuuden käyttämällä koneoppimismenetelmiä.
Ensimmäisessä osatyössä tutkittiin synnytystavan ja syntymänläheisten antibioottialtistusten yhteyttä kehittyvään suolistomikrobistoon. Toisessa osatyössä tutkittiin sienimikrobiston vaikutusta lapsuuden terveyteen. Kolmannessa osatyössä tutkittiin synnytystavan vaikutusta lapsuuden mikrobistoon useassa kansainvälisessä lapsikohortissa. Tutkimuksissa käytettiin useita koneoppimismalleja näytteiden luokittelussa ja luokittelulle tärkeiden muuttujien löytämiseksi.
Tulokset paljastavat muuttuneet suolistomikrobiprofiilit keisarileikkauksella syntyneillä ja perinataalisille antibiooteille altistuneilla alle vuoden ikäisillä lapsilla. Erityisesti Bacteroides ja niihin liittyvät aineenvaihduntareitit olivat merkittävästi vähentyneet keisarileikkauksella syntyneillä ja perinataalisille antibiooteille altistuneilla lapsilla. Heikkoja yhteyksiä havaittiin varhaisen elämän suolistosieni-koostumuksen ja myöhemmin ilmenevän atooppisen ihottuman ja ylipainon välillä. Koneoppimismallit osoittivat, että synnytystavan vaikutus oli yleistettävissä eri syntymäkohorttien välillä. Erityisesti huomattiin, että Bacteroides pääjakson bakteerien määrä muuttui keisarileikatuilla lapsilla.
Koneoppiminen voi toimia hyvin useiden kliinisten lasten mikrobistoa selvittävien tutkimusaineistojen vertailemisessa ja tulosten yleistettävyyden arvioinnissa.
Original papers
-
Vänni, P., Tejesvi, M. V., Ainonen, S., Renko, M., Korpela, K., Salo, J., Paalanne, N., & Tapiainen, T. (2021). Delivery mode and perinatal antibiotics influence the predicted metabolic pathways of the gut microbiome. Scientific Reports, 11(1), 17483. https://doi.org/10.1038/s41598-021-97007-x https://doi.org/10.1038/s41598-021-97007-x
-
Vänni, P., Turunen, J., Äijälä, V. K., Tapiainen, V. V., Paalanne, M., Pokka, T., Paalanne, N., Tejesvi, M. V., & Ruuska, T. S. (2024). Gut mycobiome in atopic dermatitis and in overweight young children: A prospective cohort study in finland. Journal of Fungi, 10(5), 333. https://doi.org/10.3390/jof10050333 https://doi.org/10.3390/jof10050333
-
Vänni, P., Tejesvi, M. V., Paalanne, N., Aagaard, K., Ackermann, G., Camargo, C. A., Eggesbø, M., Hasegawa, K., Hoen, A. G., Karagas, M. R., Kolho, K.-L., Laursen, M. F., Ludvigsson, J., Madan, J., Ownby, D., Stanton, C., Stokholm, J., & Tapiainen, T. (2023). Machine-learning analysis of cross-study samples according to the gut microbiome in 12 infant cohorts. mSystems, 8(6), e00364-23. https://doi.org/10.1128/msystems.00364-23 https://doi.org/10.1128/msystems.00364-23
Osajulkaisut
-
Vänni, P., Tejesvi, M. V., Ainonen, S., Renko, M., Korpela, K., Salo, J., Paalanne, N., & Tapiainen, T. (2021). Delivery mode and perinatal antibiotics influence the predicted metabolic pathways of the gut microbiome. Scientific Reports, 11(1), 17483. https://doi.org/10.1038/s41598-021-97007-x https://doi.org/10.1038/s41598-021-97007-x
-
Vänni, P., Turunen, J., Äijälä, V. K., Tapiainen, V. V., Paalanne, M., Pokka, T., Paalanne, N., Tejesvi, M. V., & Ruuska, T. S. (2024). Gut mycobiome in atopic dermatitis and in overweight young children: A prospective cohort study in finland. Journal of Fungi, 10(5), 333. https://doi.org/10.3390/jof10050333 https://doi.org/10.3390/jof10050333
-
Vänni, P., Tejesvi, M. V., Paalanne, N., Aagaard, K., Ackermann, G., Camargo, C. A., Eggesbø, M., Hasegawa, K., Hoen, A. G., Karagas, M. R., Kolho, K.-L., Laursen, M. F., Ludvigsson, J., Madan, J., Ownby, D., Stanton, C., Stokholm, J., & Tapiainen, T. (2023). Machine-learning analysis of cross-study samples according to the gut microbiome in 12 infant cohorts. mSystems, 8(6), e00364-23. https://doi.org/10.1128/msystems.00364-23 https://doi.org/10.1128/msystems.00364-23
Kokoelmat
- Avoin saatavuus [34545]