Blog

Dec 01, 2023

Darmmikrobiota steht im Zusammenhang mit der Stabilität von Allotransplantaten nach Lungentransplantation: eine prospektive Kohortenstudie

Signal Transduction and Targeted Therapy Band 8, Artikelnummer: 326 (2023) Diesen Artikel zitieren Metrikdetails Ob die wechselnden Mikrobiota im Darm zum Risiko einer Allotransplantation beitragen

Signal Transduction and Targeted Therapy Band 8, Artikelnummer: 326 (2023) Diesen Artikel zitieren

Details zu den Metriken

Ob die wechselnden Mikrobiota im Darm zum Risiko einer Allotransplantatabstoßung (AR) und einer Lungeninfektion (PI) bei Lungentransplantatempfängern (LTRs) beitragen, bleibt unerforscht. In den vier Lungentransplantationszentren wurde eine prospektive multizentrische Kohorte von LTRs identifiziert. Es wurden gepaarte Stuhl- und Serumproben entnommen und entsprechend der Diagnose bei der Probenahme in AR-, PI- und ereignisfreie (EF) Gruppen eingeteilt. Stuhlproben wurden durch metagenomische Sequenzierung bestimmt. Außerdem wurden Metaboliten und Zytokine im gepaarten Serum nachgewiesen, um die potenzielle Wirkung der veränderten Mikrobiota-Gemeinschaft zu analysieren. Insgesamt haben wir 146 gepaarte Proben analysiert (AR = 25, PI = 43 und EF = 78). Bemerkenswerterweise stellten wir fest, dass das Darmmikrobiom von AR einem starken Depletionsmuster mit einer Verringerung von 487 Arten und einer geringeren Zusammensetzungsvielfalt folgte. Weitere Multi-Omics-Analysen zeigten erschöpfte Serummetaboliten und erhöhte entzündliche Zytokine in AR und PI. Bacteroides uniformis, dessen AR zurückging (2,4 % vs. 0,6 %) und negativ mit Serum-IL-1β und IL-12 assoziiert war, wurde als getriebene Art im Netzwerk des Darmmikrobioms von EF identifiziert. Funktionell waren die EF-Proben reich an Probiotika, die mit dem Metabolismus von Mannose und kationischen antimikrobiellen Peptiden in Zusammenhang stehen. Darüber hinaus ergab ein auf Mikrobiom, Metabolom und klinischen Parametern basierender Support-Vector-Machine-Klassifikator eine hohe Vorhersage von AR (AUPRC = 0,801) und PI (AUPRC = 0,855), wobei der Mikrobiomdatensatz eine besonders hohe diagnostische Aussagekraft aufwies. Zusammenfassend lässt sich sagen, dass eine störende Darmmikrobiota einen signifikanten Zusammenhang mit der Abstoßung und Infektion von Allotransplantaten sowie mit systemischen Zytokinen und Metaboliten in LTRs zeigte.

Die Lungentransplantation ist eine potenziell kurative Therapie für Patienten mit Lungenerkrankungen im Endstadium.1 Dennoch ist die Gesamtüberlebensrate nach einer Lungentransplantation im Vergleich zu anderen Organtransplantationsmodalitäten immer noch schlechter.2,3 Für erwachsene Lungentransplantatempfänger (LTRs), die überlebten 1 Jahr nach der Transplantation, die mittlere Überlebenszeit steigt von 6,7 auf 8,9 Jahre. Schwere Allotransplantatabstoßung (AR) und Lungeninfektion (PI) sind die häufigsten Komplikationen innerhalb eines Jahres nach der Transplantation.4 Diese Krankheiten sind nicht nur die Haupttodesursachen, sondern gehen auch mit chronischer Lungen-Allotransplantat-Dysfunktion (CLAD) einher.5 Entzündlich Allotransplantat-Ereignisse wie primäre Transplantatdysfunktionen sind mit der späteren Entwicklung von AR und PI verbunden.6,7,8 Dennoch sind die Prädispositionen für die Anfälligkeit für pulmonale Abstoßung und Infektionen nicht vollständig geklärt.2

Frühere Längsschnittstudien, die auf der Gensequenzierung basieren, haben gezeigt, dass das Mikrobiom bei gesunden Probanden spürbar, bei pathologischen Erkrankungen verändert und signifikant mit den klinischen Ergebnissen verbunden ist.9,10 Die verringerte mikrobielle Diversität im Darm korreliert mit der Ätiologie und dem Schweregrad der Allotransplantaterkrankung.11,12 Überzeugende Beweise haben auch gezeigt, dass das Darmmikrobiom Alloimmunität und Abstoßung modulieren kann, was direkt darauf schließen lässt, dass das Darmmikrobiom ein therapeutisches Ziel bei Organtransplantationen ist.13,14 Darüber hinaus haben Längsschnittstudien an Patienten, die sich einer Leber- und Nierentransplantation unterzogen, eine Störung des Darmmikrobioms gezeigt nach der Transplantation war durch einen Verlust der Diversität wichtiger Stoffwechselwege und die Dominanz einer einzelnen Spezies sowie einen Anstieg der Prävalenz von Antibiotikaresistenzgenen gekennzeichnet.12 Diese Ergebnisse bestätigten, dass potenzielle, auf das Darmmikrobiom ausgerichtete Interventionen das Überleben von Patienten, die ein solides Organ erhalten hatten, beeinflussen könnten Transplantation.

Über die Möglichkeit, dass die Mikrobiota der unteren Atemwege nach einer Lungentransplantation lokale Auswirkungen haben könnte, wurde vielfach berichtet.15,16,17 Diesen Studien zufolge sind eine erhöhte Bakterienbelastung der unteren Atemwege und eine geringere Diversität mit einer erhöhten AR und einem schlechteren Überleben verbunden. Unterdessen waren darmassoziierte Bakterien bei den Patienten mit Lungenentzündung deutlich angereichert. Noch wichtiger ist, dass aktuelle Studien gezeigt haben, dass die Darmmikrobiota bei der Bestimmung von Atemwegserkrankungen wie Asthma und Atopieentwicklung von entscheidender Bedeutung ist.18 Interessanterweise haben Wu et al. wiesen darauf hin, dass direkte immunvermittelnde Funktionen der Darmmikrobiota in AR-Mausmodellen über die Beeinträchtigung der Th17-Reaktionen erfolgen.19 Bisher ist nicht bekannt, ob die Darmmikrobiom mit Allotransplantaterkrankungen im Zusammenhang mit Lungentransplantationen in Verbindung gebracht werden kann.

Wir stellten die Hypothese auf, dass die Darmmikrobiota innerhalb eines Jahres nach der Transplantation mit Lungenerkrankungen, einschließlich AR und PI, verbunden ist. Eine prospektive multizentrische Kohortenstudie an LTRs, die sich einer Überwachungsbronchoskopie gemäß Protokoll unterziehen, wurde initiiert. Es wurde der Zusammenhang zwischen der Zusammensetzung der Mikrobiota-Gemeinschaft im Stuhl und der Entwicklung von Lungenerkrankungen untersucht. Anschließend wurden Metaboliten und Zytokine aus gepaartem peripherem Blut untersucht, um die mikrobiellen Unterschiede zu erklären. Schließlich haben wir AR und PI anhand unserer Multi-Omics-Daten mithilfe eines maschinellen Lernansatzes genau diagnostiziert.

An dieser multizentrischen prospektiven Studie nahmen 82 LTRs teil, die sich zwischen Mai 2020 und Dezember 2022 einer Lungentransplantation unterzogen hatten, und lieferten die demografischen Merkmale in der Ergänzungstabelle 1. Über die Hälfte der Diagnosen vor der Transplantation betrafen interstitielle Lungenerkrankungen (51,2 %). Darüber hinaus wurden 146 Paare von Kot- und peripheren Serumproben nach der Qualitätskontrolle analysiert (Abb. 1a). Diese Proben wurden entsprechend der Diagnose zum Zeitpunkt der Probenahme in drei Gruppen eingeteilt (ergänzende Abbildung 1). AR, PI und ereignisfrei (EF) machten in der Studie jeweils 25 (17,1 %), 43 (29,5 %) und 78 (53,4 %) Fälle aus. Die Zeitpunkte für jede Probe waren für die drei Gruppen ähnlich. Im Gegensatz zu demografischen Merkmalen und Blutwerten (Ergänzungstabelle 2) wurden in der PI-Gruppe positivere Kulturergebnisse und Antibiotika beobachtet.

ein Überblick über das Studiendesign. Die Illustration wurde mit BioRender.com erstellt. b Relative Häufigkeit (%) der am häufigsten vorkommenden Phyla in allen Stuhlproben. Boxplots zeigen den Median (Mittellinie), das 25., 75. Perzentil (Box) und das 5. und 95. Perzentil (Whisker) sowie Ausreißer (einzelne Punkte). c Prävalenz (% Proben) der Gattung in allen Proben für die vier am häufigsten vorkommenden Phyla. Die Y-Koordinate stellt die Prävalenz der Gattung in allen Proben dar und die X-Koordinate stellt die maximale relative Häufigkeit der Gattung in einer einzelnen Probe dar. Die Punktfarbe zeigt verschiedene Gattungen und die Größe zeigt die gesamten seltenen Messwerte an

Firmicutes und Bacteroidetes, gefolgt von Proteobacteria und Actinobacteria, waren die am häufigsten vorkommenden Phyla in den LTRs, was mit früheren Kohorten von gesunden Personen übereinstimmt (Abb. 1b und Ergänzungstabelle 3). Und 32 Gattungen wurden von ≥75 % der Proben unter den vier am häufigsten vorkommenden Phyla geteilt (Abb. 1c). Die Prävalenz von Bacteroidetes phyla nahm bei AR im Vergleich zu EF signifikant ab (p = 0,043, ergänzende Abbildung 2). Die Score-Plots der Hauptkoordinatenanalyse (PCoA) auf Artenebene zeigten eine nachweisbare Veränderung in der Gesamtstruktur der Darmmikrobiome des AR/PI im Vergleich zu EF. (Abb. 2a, b, Permanova-Test basierend auf Bray-Curtis-Abständen, AR vs. EF, p = 0,004; PI vs. EF, p = 0,046). Darüber hinaus wurde bei den Personen mit AR und PI eine signifikante mikrobielle Gendepletion beobachtet (PCoA1, Shannon-Index, Pielou-Index und Artenzahl, Abb. 2c – e).

eine Hauptkoordinatenanalyse (PCoA) von Arten in drei Gruppen. Die PERMANOVA wurde verwendet, um signifikante Unterschiede zwischen Allotransplantatabstoßung (AR), Lungeninfektion (PI) und ereignisfrei (EF) zu definieren. b–e Die wichtigsten Koordinaten, Shannon-Index, Pielou-Index und Artenzahl der Darmmikrobiota in AR, PI und EF. Die Mittellinie der Box stellt den Median dar und die Boxgrenzen stellen den Interquartilbereich dar. Die Whiskers überspannen das 1,5-fache des Interquartilbereichs. Der Vergleich zwischen den Gruppen wurde mit dem zweiseitigen Kruskal-Wallis-Test getestet, **p < 0,01 und ***p < 0,001. f Die signifikant unterschiedlichen Arten in f AR vs. EF und g PI vs. EF. Die signifikant unterschiedlichen Arten wurden durch eine Fehlentdeckungsrate von weniger als 0,1 im Wilcox-Rank-Sum-Test und eine Faltungsänderung zwischen zwei Gruppen von mehr als 2 definiert. Die roten, gelben und grünen Punkte repräsentieren AR, PI bzw. EF

Insgesamt wurden 487 Arten dezimiert und 16 in den AR-Proben im Vergleich zu EF angereichert (Abb. 2f und Ergänzungstabelle 4, Falscherkennungsrate (FDR) < 0,1 und > 2-fache Änderung (FC)). Diese Ergebnisse ähneln zuvor gemeldeten Befunden, wie etwa einem relativen Rückgang probiotischer Bakterien (wie Bacteroides uniformis, Lachnospiraceae-Bakterium, Blautia obeum und Phascolarctobacterium succinatutens) und einer Anreicherung von Enterococcus phage_IME_EFm1 und Desulfovibrio sp_An276 bei Patienten mit Lungenentzündung. Bei diesen Arten sind die Bakterienfamilien Bacteroides und Lachnospiraceae als Produzenten von kurzkettigen Fettsäuren (insbesondere Butyrat) bekannt, die eine entscheidende Rolle bei der Stärkung der Immunität des Wirts spielen.20,21 Darüber hinaus wurden im PI drei Arten deutlich vermehrt und 18 verringert Proben (Abb. 2g und Ergänzungstabelle 5). Die Unterschiede zwischen der AR- und der PI-Gruppe wurden jedoch nicht auf Artenebene beobachtet (ergänzende Abbildung 3). Als nächstes haben wir die AR- und PI-Proben zu einer Gruppe von Allotransplantatstörungen zusammengefasst. Die Arten, die mehr als 50 % der Probanden in der Allotransplantat-Störung oder der EF-Gruppe gemeinsam hatten, wurden zum Aufbau eines mikrobiellen Koabundanznetzwerks verwendet. Die Allotransplantat-Erkrankung und die EF-Gruppe unterschieden sich deutlich in den Eigenschaften des mikrobiellen Netzwerks im Darm. Beobachtbar bildete die Darmmikrobiota der EF-Gruppe eine robustere Gemeinschaft (Abb. 3a, b). Im Netzwerk der Allotransplantatstörungsproben wurden weniger Kantenzahlen, Knotenzahlen, Netzkonnektivität und Netzanfälligkeit beobachtet als in EF, was auf eine höhere Netzwerkkonnektivität in den EF-LTRs hinweist (Ergänzungstabelle 6). Wir fragten, ob Schlüsselarten die Unterschiede zwischen den Netzwerken auf der Grundlage der Parameter Durchschnittsgrad, Nähezentralität und Zwischenzentralität bestimmen. Wir identifizierten eine Bakterienart der Bacteroides-Familie, indizierte Uniformis, die EF anreicherte (relative Häufigkeit = 2,4 %) und AR signifikant reduzierte (relative Häufigkeit = 0,6 %, FDR = 0,04). Es wurde berichtet, dass es ein immunmodulatorisches Probiotikum sei, das das systemische Th1/Th2-Gleichgewicht optimiert, um Autoimmunerkrankungen in experimentellen Modellen zu reduzieren.22 Darüber hinaus ergab die Netshift-Analyse, dass der Bacteroides uniformis einen höheren Neighbor-Shift-Kern (NESH) (1,125) und eine stärkere Betweenness unter 39 aufwies getriebene Arten (Ergänzungstabelle 7). Dieser Befund bestätigt, dass Bacteroides uniformis die Haupttreiberart für die veränderte mikrobielle Gemeinschaft ist.

Das mikrobielle Assoziationsnetzwerk für eine Allotransplantatstörung und b EF-Proben. Die Koabundanzkorrelation zwischen den Arten wurde mithilfe der SparCC-Korrelation berechnet. Alle signifikanten Korrelationen mit BH-bereinigtem p < 0,05 wurden berücksichtigt. Jeder Knoten repräsentiert eine mikrobielle Spezies. Kanten zwischen Knoten stellen Korrelationen dar. c Die erheblich geänderten Module der Kyoto Encyclopedia of Genes and Genomes (KEGG) in AR vs. EF und PI vs. EF. Die signifikant unterschiedlichen Module wurden durch eine Falscherkennungsrate von weniger als 0,1 im Wilcox-Rank-Sum-Test und eine fache Änderung zwischen zwei Gruppen von mehr als 2 definiert. d Antibakterielle FFA- und E-Mupirocin-bezogene Gene in der Darmmikrobiota von drei Gruppen. Die Mittellinie der Box stellt den Median dar und die Boxgrenzen stellen den Interquartilbereich dar. Die Whiskers überspannen das 1,5-fache des Interquartilbereichs. Der Vergleich zwischen den Gruppen wurde mit dem Kruskal-Wallis-Test getestet. **p < 0,01

Wir untersuchten weiter die Funktion des veränderten Darmmikrobioms. Die modulbasierte Analyse der Kyoto Encyclopedia of Genes and Genomes (KEGG) zeigte, dass die Mannose-Biosynthese, die N-Glykosylierung durch Oligosaccharyltransferase und der Methanstoffwechsel in den AR-Proben erheblich gestört waren (Abb. 3c und Ergänzungstabelle 8). Die Mannose-Supplementierung unterdrückte direkt die TNF-α-Produktion der Makrophagen, indem sie den Glycerinaldehyd-3-phosphat-Spiegel im Darm senkte.23 Darüber hinaus wurden in den PI-Proben ein erhöhter Inositolphosphat-Metabolismus und eine erhöhte Ergocalciferol-Biosynthese beobachtet (Ergänzungstabelle 9). Die Korrelationsanalyse zeigte, dass ein verringerter Stoffwechsel positiv mit einem geringeren Anteil an Probiotika verbunden war (Ergänzungstabelle 10). Darüber hinaus zeigte eine Antibiotikaresistenzgenanalyse, dass in den EF-Proben mehr antibakteriell freie Fettsäuren und Mupirocin-verwandte Spezies beobachtet wurden (Abb. 3d, e). Unsere Daten zeigten, dass ein dysfunktionaler Oligomerstoffwechsel in der Funktionalität des Darmmikrobioms auf den Rückgang der Probiotika zurückzuführen ist.

Basierend auf der Beobachtung, dass die Darmmikrobiota bei AR und PI erheblich verändert ist, stellten wir die Hypothese auf, dass diese Zusammensetzungsänderungen eine Rolle bei der Verschlimmerung von Krankheiten spielen, indem sie zu einer Fehlregulation der Immunantwort beitragen. Um Veränderungen im Immunprofil nach einer Lungentransplantation zu untersuchen, wurden die Serumspiegel von 27 Zytokinen, darunter sieben Funktionskategorien, in den drei Gruppen verglichen. Die nachgewiesenen Zytokine sind an der Gewebeumgestaltung, der Immunregulation, Entzündungen usw. beteiligt. Ihre Muster unterschieden sich in den drei Gruppen erheblich (Abb. 4a und Ergänzungstabelle 11). Die AR- und PI-Patienten zeigten einen signifikanten entzündlichen Stress, wobei 12 Zytokine, wie IL-6, IL-12, IL-17 und TNF-α, deutlich hochreguliert waren. Anschließend stellten wir in der Korrelationsanalyse fest, dass die Darmmikrobiota signifikant mit den hochregulierten Zytokinen assoziiert war. Das Serum-IL-6, das als Schlüsselfaktor bei der Transplantatabstoßung identifiziert wurde, korrelierte positiv mit der Zunahme von Enterococcus spp. und Lactococcus spp. bei AR-Patienten (Abb. 4b und Ergänzungstabelle 12). Darüber hinaus korrelierte die Reduktion von 16 Bacteroides- und 7 Clostridium-Arten negativ mit IL-6. Interessanterweise fanden wir, dass drei Enterococcus-Phagenarten, die mit EF angereichert waren und Berichten zufolge die pathogenen Bakterien bei minimaler Schädigung der normalen Flora reduzieren, negativ mit mehreren entzündlichen Zytokinen (MIP-1β, IL-1α, TNFα und IL-17) assoziiert waren ). Darüber hinaus war Bacteroides uniformis negativ mit IL-1β und IL-12 assoziiert, was darauf hindeutet, dass das Darmmikrobiom an Allotransplantaterkrankungen beteiligt ist, möglicherweise über die Modulation der Immunantwort des Wirts bei Lungentransplantationen.24,25

Ein Radardiagramm zeigt die log10-mediane Expression von 27 Zytokinen im Serum über drei Gruppen hinweg. Die kreisförmige Verteilung von Zytokinen ist durch sieben Funktionskategorien farblich gekennzeichnet und die Zecken zeigen eine zunehmende Expression von der Innenseite zur Außenseite des Kreises. b Die Korrelation des ausgewählten fäkalen Mikrobioms mit Serumzytokinen. Arten mit einer Anreicherung in AR-, PI- oder EF-Proben, angezeigt durch den farbigen Balken oben auf der Heatmap. Schwarze Sterne in Heatmap-Feldern weisen auf signifikante Ergebnisse hin. *p < 0,05

Als nächstes fragten wir, welche Umweltfaktoren das Ausmaß des veränderten Darmmikrobioms erklären. Es ist bekannt, dass Serummetaboliten eine Schlüsselrolle bei der Vermittlung der Stoffwechsel- und Immuninteraktionen zwischen dem Mikrobiom und seinem Wirt spielen und so einen grundlegenden Einblick in die komplexe Dynamik von Umweltexpositionen bieten. In Übereinstimmung mit dem Darmmikrobiom zeigten AR-Individuen ein breites Spektrum an Störungen mit einem deutlichen Abfallmuster bei den Serummetabolitenspiegeln. In den drei Gruppen wurden 52 veränderte Metaboliten identifiziert (Abb. 5a und Ergänzungstabellen 13 und 14). Es wurde zuvor berichtet, dass mehrere abgereicherte Metaboliten, wie beispielsweise Glucose-6-phosphat, Lungenschäden abschwächen.26 Darüber hinaus wurde die Korrelation zwischen den signifikant veränderten mikrobiellen Spezies im Darm und den Serummetaboliten analysiert. Wir fanden heraus, dass die Senkung des Lipids ((S)-Abscisinsäure, Methyljasmonat und Cortisol) positiv mit dieser Senkung der Probiotika korreliert (Abb. 5b und Ergänzungstabelle 15). Diese Arten stammen hauptsächlich von Bacteroidetes (28 Arten) und Clostridium (20 Arten) ab. Von diesen ist (S)-Abscisinsäure, von der berichtet wurde, dass sie Lungenschäden durch Peroxisomen-Proliferator-aktivierte Rezeptor-γ-Signale (PPAR-γ) reduziert, stark mit der Deletion von 86 Arten verbunden.27 Darüber hinaus ist der Verlust von Bacteroides uniformis signifikant verbunden mit einem Anstieg der Chinolinsäure, einem bekannten Neurotoxin. Diese Ergebnisse deuten darauf hin, dass die Darmprobiotika eine potenziell schützende Rolle bei der AR-Entwicklung spielen, die durch eine Reihe zirkulierender Blutmetaboliten vermittelt wird, von denen zuvor gezeigt wurde, dass einige davon eine zentrale Rolle bei Lungenentzündungen spielen, während über andere nicht berichtet wurde. Daher könnten diese Metaboliten nach weiterer Validierung in experimentellen Studien neue Ziele zur Verringerung des Krankheitsrisikos bilden.

a Die 52 signifikant veränderten Metaboliten zwischen AR, PI und EF. Der Vergleich zwischen zwei Gruppen wurde mit dem Student-t-Test getestet. b Die Korrelation des ausgewählten fäkalen Mikrobioms mit Serummetaboliten. Die signifikant korrelierten (berechnet durch Spearman-Korrelation, p < 0,01) Arten und Metaboliten werden im Zyklus angezeigt. Spezies und Metaboliten mit Anreicherung in AR-, PI- oder EF-Proben werden durch den farbigen Balken der Innenspur angezeigt. Der Stamm des Mikrobioms und die Klassenmetaboliten werden durch den farbigen Balken außerhalb der Spur angezeigt. Die grünen und gelben Linien stellen eine positive bzw. negative Korrelation dar

Die genaue Diagnose von AR und PI ist für die klinische Praxis wichtig. Wir stellten die Hypothese auf, dass die ausgeprägte mikrobielle und metabolische Signatur die AR und PI bei Lungentransplantationspatienten vorhersagen könnte. Zunächst wurden 146 Proben in eine Trainingskohorte (104 Proben) und eine multiregionale Validierungskohorte (42 Proben, Ergänzungstabelle 16) unterteilt. Basierend auf einem Support-Vector-Machine-Ansatz (SVM) haben wir Modelle für maschinelles Lernen konstruiert, indem wir die klinischen Parameter, einschließlich Blutbild und Serumzytokine, verwendet haben, und die signifikant veränderten Spezies des Darmmikrobioms und die signifikant gestörten Serummetaboliten verwendet, um AR und PI zu unterscheiden , oder EF von den Probanden (Abb. 6a – d). Bei der Identifizierung von AR, PI oder EF zeigte die Precision-Recall-Kurve (PRC), dass die vorhergesagte Aussagekraft der SVM-Modelle basierend auf den klinischen Parametern deutlich geringer war als bei Modellen, die Mikrobiom- und Metabolomdaten in den validierten Proben verwendeten. Allerdings waren das einzelne Mikrobiom (Fläche unter der Präzisions-Recall-Kurve, AUPRC-Bereich = 0,703–0,764) und das Metabolom (AUPRC-Bereich = 0,605–0,654) ebenfalls weniger wirksam. Die auf den Multi-Omics-Daten (Integration klinischer, mikrobieller und metabolischer Merkmale) basierenden SVM-Modelle prognostizierten AR, PI oder EF bei den validierten Probanden genau (AUPRC = 0,801 für AR, AUPRC = 0,855 für PI und AUPRC = 0,809 für). EF). Diese Daten unterstützten eine hohe Vorhersagekraft der Multi-Omics für die Diagnose von AR und PI bei Lungentransplantationen.

Die Precision-Recall-Kurven (PRC) von Support Vector Machine (SVM)-Modellen basieren auf den Merkmalen von a klinischen Daten, b Serummetaboliten, c Darmmikrobiota und d Multi-Omics-Daten. Die roten, gelben und grünen Linien repräsentieren die Diagnose AR, PI bzw. EF

In dieser prospektiven, beobachtenden, multizentrischen Studie haben wir ein umfassendes Multi-Omics-Profiling aus 146 LTR-Proben erhalten. Nach unserem Kenntnisstand ist dies die erste klinische Kohorte von LTRs, die für diese Art von Analyse zusammengestellt wurde. Durch den Vergleich der Darmmikrobiomprofile von AR und PI mit EF-Kontrollen fanden wir eine einzigartige Signatur von AR mit Hunderten deutlich reduzierter Mikrobiome. Neben dem Verlust der mikrobiellen Diversität im Darm wurden auch spezifische Funktionen wie die Mannose-Biosynthese gestört. Als Schlüsselart für den Aufbau des mikrobiellen Netzwerks wurde Bacteroides uniformis identifiziert. Unterdessen korrelierten mehrere veränderte Darmarten, darunter Bacteroides uniformis und Enterococcus-Phagen, signifikant mit dem systemischen Immunstatus und den Metaboliten. Basierend auf dem SVM-Ansatz haben wir einen wirksamen Multi-Omics-Klassifikator zur Unterscheidung von AR- und PI-Patienten vorgeschlagen und validiert.

In verschiedenen klinischen Kohorten mit Organtransplantation sterben Patienten aufgrund des Verlusts „gesundheitsfördernder“ Arten und der Überwucherung „krankheitsfördernder“ Arten.28 Haak et al. berichteten, dass das Fehlen von Butyrat-produzierenden Bakterien in der fäkalen Mikrobiota mit einer erhöhten Anfälligkeit für Atemwegsinfektionen bei allogenen hämatopoetischen Stammzellen und Nierentransplantatempfängern verbunden war.29 Darüber hinaus beeinflusst die Dysbiose der Darmmikrobiota das klinische Ergebnis verschiedener Organtransplantationen. Kato et al. zeigten, dass intestinale Bacteroides und Streptococcus bei Lebertransplantatempfängern mit AR im Vergleich zu gesunden Empfängern erhöht waren, während Enterococcus und Clostridium signifikant zurückgingen.30 Darüber hinaus korrelieren Lactobacillales und Enterobacteriales negativ mit dem AR-Status bei Patienten mit Darmtransplantationen.31 Frühere Studien zu Das Darmmikrobiom bei Organtransplantationen wurde durch ribosomale 16S-RNA (rRNA) eingeschränkt, die nur eine begrenzte Auflösung bietet. Ähnlich wie unsere Ergebnisse, Swarte et al. bewiesen, dass eine Darmdysbiose, einschließlich einer geringeren mikrobiellen Diversität, einer erhöhten Häufigkeit ungesunder mikrobieller Arten und einer verringerten Häufigkeit wichtiger Stoffwechselwege, sowohl bei Empfängern von Leber- als auch Nierentransplantaten beobachtet werden konnte, basierend auf den Shotgun-Metagenomikdaten von 1370 Stuhlproben.12

Neue Mikrobiomstudien zu Lungenerkrankungen wie dem akuten Atemnotsyndrom (ARDS) und Lungenkrebs haben im Vergleich zu gesunden Kontrollpersonen deutliche Anomalien in den unteren Atemwegen und im Darm gezeigt.32,33,34,35 Dickson et al. analysierten Bakteriengemeinschaften aus der bronchoalveolären Lavageflüssigkeit (BALF) von ARDS-Patienten und stellten fest, dass Darm-assoziierte Bacteroides, die bei den gesunden Kontrollpersonen fehlten, in 41 % der Proben nachweisbar waren.32 Weitere Studien bestätigten, dass die Bakteriengemeinschaft durch gekennzeichnet ist Enterobacteriaceae waren vorherrschend und wiesen eine deutlich geringere Diversität in der Lunge von ARDS auf.36 Die aus dem Darm stammenden Enterobacteriaceae und eine geringere Diversität korrelieren ebenfalls stark mit den klinischen Ergebnissen.37 Alle vorhandenen Studien haben die Existenz der „Darm-Lungen-Achse“ bestätigt. Dennoch sind die Mechanismen, durch die die Darmmikrobiota die Immunantworten in der Lunge beeinflusst, noch ungeklärt.

Die Wechselwirkung zwischen Mikroorganismen und dem Wirt ist komplex und unser derzeitiges Verständnis dieser Wechselwirkungen steckt noch in den Kinderschuhen. Unsere Studie zeigte, dass der Verlust von Bacteroides uniformis negativ mit IL-1β und IL-12 korreliert und dass die erhöhten zwei Zytokine schwere Allotransplantat-Dysfunktionen modulieren könnten.13,24 Insbesondere wurde berichtet, dass die Verabreichung von Bacteroides uniformis systemische Entzündungen und Entzündungen des Fettgewebes abschwächt , was zu Veränderungen in der Immunität des Wirts führt.22 Fabersani et al. zeigten, dass eine erhöhte Konzentration des entzündungshemmenden Zytokins IL-10 an der Treg-Induktion und der Aktivierung angeborener lymphoider Zellen vom Typ 2 beteiligt war. Daher ist die Erforschung des Mechanismus, der der Modulation von IL-1β und IL-12 durch Bacteroides uniformis zugrunde liegt, eine weitere Untersuchung in den LTRs wert. Darüber hinaus haben wir auch herausgefunden, dass der Reichtum des Mannose-produzierenden Mikrobioms mit der Verringerung der Transplantat-gegen-Wirt-Krankheit verbunden ist. Weitere Analysen betonten, dass die Achse „Lunge-Darm“ möglicherweise durch die systematische Veränderung von Metaboliten und Zytokinen gebildet wird, die durch die mikrobielle Dysbiose-Gemeinschaft verursacht wird.

Die Internationale Gesellschaft für Herz- und Lungentransplantation (ISHLT) berichtete, dass schwere Infektionen (33,1 %) und Transplantatversagen (16,1 %) die häufigsten Todesursachen innerhalb eines Jahres nach der Lungentransplantation waren.4 Die frühen klinischen Symptome von PI und AR, einschließlich Thorax-CT und Blutbild, sind ähnlich und die Behandlung schwerer Infektionen und Abstoßungsreaktionen schließen sich gegenseitig aus. Mehrere Studien haben gezeigt, dass eine frühe und genaue Diagnose von AR und PI in der klinischen Praxis von entscheidender Bedeutung ist, um eine Behandlung vor irreversiblen Organfunktionsschäden zu ermöglichen. Verschiedene AR-Biomarker wurden identifiziert, wie beispielsweise plasmazellfreie DNA und microRNAs (Fläche unter der Kurve (AUC) = 0,72–0,89).38,39 Allerdings gibt es in diesen Untersuchungen keine unabhängigen Validierungskohorten. Trotz der relativ kleinen Stichproben, die zur Erstellung des SVM-Modells verwendet wurden, war die diagnostische Aussagekraft des SVM-Klassifikators für die vorhergesagten und objektiven Ergebnisse von großer Bedeutung. Noch wichtiger ist, dass wir dieses Multi-Omics-Modell in einer unabhängigen externen Kohorte validiert haben. Eine weitere Analyse des Beitrags des Multi-Omics-Modells ergab, dass Bakterium 1XD428 und Bacteroides uniformis am meisten zum Nachweis von AR beitrugen (Ergänzungstabelle 17). Darüber hinaus leisteten Niameybacter massiliensis und Bacteroides cutis den größten Beitrag zum Nachweis von PI (Ergänzungstabelle 18). Diese Ergebnisse zeigten außerdem, dass Bacteroides uniformis eine modifizierende Rolle bei der Pathogenese von AR spielen könnte.

Die vorliegende Studie wies einige Einschränkungen auf, die eine weitere Untersuchung rechtfertigen. Erstens haben die erkannten Unterschiede in den Darmmikrobiomdaten zwischen den Individuen und Störfaktoren, wie z. B. Medikamentenstatus und Indikationen für eine Lungentransplantation, unsere Analyse wahrscheinlich auf die Erkennung zusätzlicher signifikanter taxonomischer und funktioneller Biomarker für AR und PI in den LTRs beschränkt. Weitere experimentelle Studien sind erforderlich, um unsere Ergebnisse zu überprüfen und den zugrunde liegenden Mechanismus zu untersuchen. Zweitens war die Nachbeobachtungszeit relativ kurz und der Zusammenhang zwischen der Darmmikrobiota und CLAD wurde in dieser Studie nicht untersucht. Eine Längsschnittanalyse mit Langzeitbeobachtung von Patienten mit AR, PI und CLAD wäre interessant, wenn sie mit Proben aus den unteren Atemwegen und Blut kombiniert würde, um die mögliche Wirkung aus dem Darm zu bewerten.

Mithilfe eines umfassenden Darmmikrobioms, Serumzytokinen und metabolomischer Profilierung präsentieren wir eine detaillierte Kartierung der LTRs. Unsere Analyse hat neue Paradigmen und therapeutische Richtungen aufgedeckt, beispielsweise die Dezimierung von Bacteroides uniformis bei AR. Es könnte die Grundlage für zukünftige mechanistische Experimente, präklinische und humaninterventionelle Studien bilden.

Wir haben ab Mai 2020 prospektiv eine Kohorte (ChiCTR1900028066) von LTRs am Shanghai Pulmonary Hospital (SPH), dem First Affiliated Hospital der Guangzhou Medical University, dem Changhai Hospital und dem Sun Yat-sen Memorial Hospital eingerichtet. Unsere Studie zielte darauf ab, die klinische Bedeutung von zu analysieren Eigenschaften des Darmmikrobioms in LTRs. Aufgrund der schweren akuten Abstoßungsreaktionen und Infektionen, die hauptsächlich innerhalb eines Jahres nach einer Lungentransplantation auftreten, haben wir die Aufnahme aller Proben in diesem Zeitraum begrenzt. AR wurde gemäß der ISHLT-Richtlinie diagnostiziert und bewertet.40 Die Diagnose von PI wurde von einem multidisziplinären Team, bestehend aus Thoraxchirurgen, Atemwegsmedizinern, Pathologen und Radiologen, bestätigt. Als EF-Proben galten die Fälle ohne Symptome und mit negativer Pathologie, basierend auf den Befunden der letzten Biopsien. Alle Stuhlproben und gepaarten Blutproben wurden während des Krankenhausaufenthalts zur Überwachungsbronchoskopie oder -behandlung unter streng sterilen Bedingungen entnommen. Proben von stationären Patienten wurden innerhalb von 12 Stunden nach der Aufnahme entnommen und bis zur Verwendung bei –80 °C gelagert. Proben, die im Abstand von mindestens zwei Monaten vom selben Patienten entnommen wurden, könnten in die Analyse einbezogen werden. Diese Studie wurde vom Institutional Review Board der SPH (IRB-Nummer: K19-164) genehmigt und von allen eingeschriebenen LTRs wurde eine schriftliche Einverständniserklärung eingeholt. Auch die Proben aus der perioperativen Phase wurden aufgrund der unregelmäßigen Ernährung ausgeschlossen. Die spezifischen Behandlungsschemata und Einzelheiten der Probenentnahme sind im ergänzenden Material aufgeführt.

In Übereinstimmung mit unserer vorherigen Studie wurde genomische DNA aus den Stuhlproben mit dem QIAamp PowerFecal DNA Kit (#51804, QIAGEN, USA) extrahiert und die Sequenzierungsbibliothek für jede Probe wurde mit dem KAPA HyperPlus Library Prepared Kit (#KK8514, Roche) erstellt .41 Die Shotgun-Sequenzierung wurde auf der Illumina Novaseq 6000-Plattform bei Adfontes Biotechnology Co. (Shanghai, China) durchgeführt, um Vorwärts- und Rückwärts-Paired-End-Reads mit 150 bp zu erhalten. Im Durchschnitt lieferte jede Probe mehr als 8 G Rohdaten.

Gefrorene Serumproben wurden bei 4 °C aufgetaut. Die LC-MS-Analyse wurde unter Verwendung eines Orbitrap Exploris 120 (Thermo Fisher Scientific, USA) und eines Vanquish UPLC-Systems (Thermo Fisher Scientific, USA) für ein Orbitrap Q Exactive-Massenspektrometer zur ungezielten Metabolomics-Detektion durchgeführt. Eine detaillierte Beschreibung der Metabolomics-Extraktion, Datenverarbeitung und Analyse finden Sie im Zusatzmaterial.

Aufgetaute Serumproben wurden zweifach verdünnt und 5 Minuten lang bei 3000 × g zentrifugiert. Zur Analyse der Zytokine und Chemokine im Serum wurde ein Multiplex-Immunoassay von 27 Zytokinen (Bio-Rad Laboratories Inc, Hercules, CA) verwendet. Die Analyten wurden mit dem Luminex X-200-System (Luminex Corp, Austin, TX) gemessen. Auf jeder 96-Well-Platte war eine 8-Punkt-Standardkurve in zweifacher Ausfertigung enthalten. Ergebnisse, bei denen mehr als die Hälfte der Proben über der Nachweisgrenze lagen, wurden für die weitere Analyse ausgewählt.

Die rohen Sequenzierungslesevorgänge wurden mit Trimmomatic v0.39 vorverarbeitet, um die Lesevorgänge mit geringer Qualität zu entfernen.42 Die Bowtie2.4.1-Software wurde verwendet, um die vom Host stammenden Redundanzen herauszufiltern. Paired-End-Lesevorgänge mit hoher Qualität aus jeder Probe wurden mit der SOAPdenovo-Software v2.04 (http://soap.genomics.org.cn/soapdenovo.html) de novo zu Contigs von mindestens 500 bp zusammengesetzt. Gene wurden von MetaGeneMark (v2.10, http://topaz.gatech.edu/GeneMark/) vorhergesagt. CD-HIT (v4.8.1, http://www.bioinformatics.org/cd-hit) wurde verwendet, um den nicht-redundanten Genkatalog für die mikrobiellen Gene zu erstellen.43 Hochwertige Lesevorgänge wurden über SOAP2 auf den Genkatalog abgebildet Software (v2.21, http://soap.genomics.org.cn/) und die Anzahl der Lesevorgänge, die auf ein Gen ausgerichtet waren, wurden anhand der Genlänge normalisiert, um die Häufigkeit jedes Gens in einer einzelnen Probe zu berechnen.44 Die Die Taxonomieannotation des nichtredundanten Genkatalogs wurde mit der DIAMOND-Software (v0.9.9.110, https://github.com/bbuchfink/diamond/) basierend auf den NCBI NR-Datenbanken (Version 2018-01-02, https: //www.ncbi.nlm.nih.gov/).45 Die funktionale Annotation des nicht-redundanten Genkatalogs erfolgte mit der DIAMOND-Software basierend auf der KEGG-Datenbank (v2019.10, http://www.kegg.jp/ Fass/).

Für die Alpha-Diversitäts- und Beta-Diversitätsanalyse der Darmmikrobiota wurden der Shannon-Index, die beobachteten Arten, der Pielou-Index und die PCoA basierend auf Arten mithilfe des R-Vegan-Pakets durchgeführt. Der Wilcox-Rank-Sum-Test einer einzelnen Variation wurde verwendet, um die Arten und funktionellen Merkmale zu bestimmen, die sich signifikant zwischen den Gruppen unterschieden, und die Unterschiede wurden als signifikante Unterschiede definiert, wenn der FDR <0,1 und >2-FC betrug.

AR und PI wurden zu einer Gruppe mit Allotransplantatstörungen zusammengefasst. Anschließend wurden die Arten, die in mehr als 50 % der Proben vorkamen, verwendet, um mithilfe der auf dem SparCC-Algorithmus basierenden FastSpar-Software ein mikrobielles Assoziationsnetzwerk für die Allotransplantat-Erkrankungen oder die EF-Gruppe aufzubauen. Die p-Werte für die Korrelation zwischen zwei Arten wurden aus 1000 Bootstraps berechnet und mit der Original-FDR-Methode von Benjamini und Hochberg angepasst, um die Signifikanz der Korrelationen zu erhalten. Die Netzwerkattribute wie Knotennummer (Scheitelpunktnummer), Kantennummer (Verbindungsnummer), mittlerer Grad, Dichte, Konnektivität und durchschnittlicher Pfad wurden mithilfe des R-Paketdiagramms berechnet. Die angetriebenen Arten wurden durch NetShift aus veränderten Mikrobiomen identifiziert.46 Veränderte Arten aus Allotransplantatstörungen und die EF-Gruppe wurden als Fall bzw. Kontrolle definiert. Anschließend wurde der Zwischenwert jeder ausgewählten Art durch eine Rangkorrelationsanalyse nach Spearman ermittelt. Die Zwischenwerte ausgewählter Arten wurden in das NetShift-Paket eingegeben, um NESH-Kerne zu berechnen.

Zunächst wurden die qualifizierten Rohdaten von MSConvert im ProteoWizard-Softwarepaket (v3.0.8789) in das mzXML-Format konvertiert.47 Die XCMS-Softwarepakete wurden zur Merkmalserkennung, Retentionszeitkorrektur und Ausrichtung verwendet.48 Wir identifizierten Metaboliten anhand der Genauigkeitsmasse (<20 ppm) und die MS/MS-Daten und glich diese mit HMDB, METLIN, MAASSBANK, LipidMaps, mzcloud und KEGG ab. Zur Datennormalisierung wurde die robuste LOESS-Signalkorrektur (QC-RLSC) angewendet, um etwaige systematische Verzerrungen zu korrigieren. Nach der Normalisierung wurden nur Ionenpeaks mit einer relativen Standardabweichung von weniger als 30 % in der QC beibehalten, um eine ordnungsgemäße Metabolitenidentifizierung sicherzustellen. Ein Student-t-Test wurde durchgeführt, um die Gesamtverteilung der Serummetaboliten zwischen den Gruppen zu untersuchen, mit einem Schwellenwert von ap-Wert < 0,05 zur Berücksichtigung der signifikanten Differenzmetaboliten. Die signifikanten Differenzmetaboliten wurden durch das R Heatmap-Paket visualisiert. Wir haben die differenziellen Metaboliten einer Signalweganalyse auf Basis von MetaboAnalys.49 unterzogen

Für die Radardiagrammvisualisierung wurden die log10-Median-Ausdruckswerte jedes Faktors für jede Gruppe berechnet. Der höchste log10-Ausdruckswert aller Faktoren wurde willkürlich auf 1 gesetzt und unter Verwendung des R-fmsb-Pakets als Maximalwert in den entsprechenden Abbildungen dargestellt. Wir verwendeten den Wilcox-Rank-Sum-Test, um die Immunfaktoren zu bestimmen, die sich deutlich zwischen den Gruppen unterschieden.

Es wurde eine Multi-Omics-Analyse basierend auf der Darmmikrobiota sowie den Serummetaboliten und Zytokindaten durchgeführt. Zunächst haben wir Schlüsselarten aus den deutlich unterschiedlichen Arten ausgewählt (AR vs. EF und PI vs. EF). Anschließend erstellten wir unter Verwendung der Assoziation zwischen Darmmikrobiota, Serummetaboliten und Zytokinen in den LTRs eine Korrelationsanalyse unter Verwendung der Spearman-Korrelationen in R Version 4.1 (Psych-Paket). Die Unterschiede wurden als signifikant definiert, wenn der p-Wert <0,05 war. Die Korrelationen wurden durch das Paket R Heatmap und cyclize visualisiert.

Der SVM-Algorithmus wurde verwendet, um Eins-gegen-Rest für die Klassifizierung mehrerer Klassen durch scikit-learn (Python, https://github.com/j-bac/scikit-dimension) zu erstellen.50 Das angestrebte Ergebnis war eine Diagnose von AR von PI und EF, PI von AR und EF und EF von AR und PI. Die klinischen Parameter umfassten Blutbild und Serumzytokine, und die signifikant veränderten Spezies im Darmmikrobiom (p < 0,05 und >2-FC) oder die signifikant veränderten Serummetaboliten (p < 0,05) wurden zur Konstruktion von SVM-Modellen verwendet. Die Integration aller oben genannten Variablen wurde auch zur Erstellung des SVM-Modells verwendet. Wir haben die 104 SPH-Proben der Trainingskohorte und 42 Proben der anderen drei Zentren einer validierten Kohorte zugeordnet. Wir haben die Kreuzvalidierung durchgeführt und die Parameteroptimierung wurde verwendet, um die Modelle in den Trainingsbeispielen zu entwickeln. Für die Tests wurden die validierten Proben verwendet. Zur Bewertung der diagnostischen Werte der Klassifikatoren wurde ein PRC bestimmt und der AUPRC berechnet. Wir identifizieren den Feature-Beitragsindex, der durch die Ermittlung des besten Alpha-Werts, die Anpassung eines endgültigen Modells an den gesamten Datensatz und die Berichterstattung über den Feature-Beitrag dieses Modells ermittelt wurde.

Die in dieser Studie generierten metagenomischen und metabolomischen Rohdaten wurden in der Genome Sequence Archive (GSA)-Datenbank des National Genomics Data Center (NGDC, https://bigd.big.ac.cn/) unter der Zugangsnummer PRJCA016873 hinterlegt .

Leard, LE et al. Konsensdokument zur Auswahl von Lungentransplantationskandidaten: ein Update der International Society for Heart and Lung Transplantation. J. Herz-Lungen-Transplantation. 40, 1349–1379 (2021).

Artikel PubMed PubMed Central Google Scholar

Swaminathan, AC, Todd, JL & Palmer, SM Fortschritte bei der menschlichen Lungentransplantation. Annu. Rev. Med. 72, 135–149 (2021).

Artikel CAS PubMed Google Scholar

Bos, S., Vos, R., Van Raemdonck, DE & Verleden, GM Überleben bei Lungentransplantation bei Erwachsenen: Wo stehen wir im Jahr 2020? Curr. Auf rein. Organtransplantation. 25, 268–273 (2020).

Artikel PubMed Google Scholar

Chambers, DC et al. Das Internationale Register für Brustorgantransplantationen der International Society for Heart and Lung Transplantation: Thirty-sixth adult lung and heart-lung transplantation Report-2019; Schwerpunktthema: Größenanpassung von Spender und Empfänger. J. Herz-Lungen-Transplantation. 38, 1042–1055 (2019).

Artikel PubMed PubMed Central Google Scholar

Verleden, GM et al. Chronische Lungen-Allotransplantat-Dysfunktion: Definition, diagnostische Kriterien und Behandlungsansätze – ein Konsensbericht des Pulmonary Council des ISHLT. J. Herz-Lungen-Transplantation. 38, 493–503 (2019).

Artikel PubMed Google Scholar

Tague, LK et al. Die Ergebnisse einer Lungentransplantation werden durch den Schweregrad der Neutropenie und die Behandlung mit dem Granulozytenkolonie-stimulierenden Faktor beeinflusst. Bin. J. Transplantation. 20, 250–261 (2020).

Artikel CAS PubMed Google Scholar

Halloran, K. et al. Die durch molekulare T-Zellen vermittelte Abstoßung bei transbronchialen und mukosalen Lungentransplantationsbiopsien ist mit dem zukünftigen Risiko eines Transplantatverlusts verbunden. J. Herz-Lungen-Transplantation. 39, 1327–1337 (2020).

Artikel PubMed Google Scholar

Burguete, SR, Maselli, DJ, Fernandez, JF & Levine, SM Lungentransplantationsinfektion. Respirology 18, 22–38 (2013).

Artikel PubMed Google Scholar

Whiteside, SA, McGinniss, JE & Collman, RG Das Lungenmikrobiom: Fortschritt und Versprechen. J. Clin. Investig. 131, e150473 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Budden, KF et al. Funktionelle Auswirkungen der Mikrobiota bei chronischen Atemwegserkrankungen. Lanzettenatmung. Med. 7, 907–920 (2019).

Artikel PubMed Google Scholar

Gabarre, P. et al. Immunsuppressive Therapie nach Organtransplantation und die Darmmikrobiota: bidirektionale Wechselwirkungen mit klinischen Konsequenzen. Bin. J. Transplantation. 22, 1014–1030 (2022).

Artikel CAS PubMed Google Scholar

Swarte, JC et al. Eine Dysbiose des Darmmikrobioms ist mit einer erhöhten Mortalität nach einer Organtransplantation verbunden. Wissenschaft. Übers. Med. 14, eabn7566 (2022).

Artikel CAS PubMed Google Scholar

Lei, YM et al. Die Zusammensetzung der Mikrobiota moduliert die Abstoßung von Allotransplantaten. J. Clin. Investig. 126, 2736–2744 (2016).

Artikel PubMed PubMed Central Google Scholar

McIntosh, CM, Chen, L., Shaiber, A., Eren, AM & Alegre, ML Darmmikroben tragen zu unterschiedlichen Ergebnissen bei Organtransplantationen bei Mäusen bei. Mikrobiom 6, 96 (2018).

Artikel PubMed PubMed Central Google Scholar

Watzenbock, ML et al. Multi-Omics-Profiling sagt die Allotransplantatfunktion nach einer Lungentransplantation voraus. EUR. Atmung. J. 59, 2003292 (2021).

Artikel Google Scholar

Combs, MP et al. Lungenmikrobiota sagen chronische Abstoßung bei gesunden Lungentransplantatempfängern voraus: eine prospektive Kohortenstudie. Lanzettenatmung. Med. 9, 601–612 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

McGinniss, JE et al. Das Lungenmikrobiom bei Lungentransplantation. J. Herz-Lungen-Transplantation. 40, 733–744 (2021).

Artikel PubMed PubMed Central Google Scholar

Barcik, W., Boutin, RCT, Sokolowska, M. & Finlay, BB Die Rolle der Lungen- und Darmmikrobiota bei der Pathologie von Asthma. Immunität 52, 241–255 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Wu, Q. et al. Darmmikrobiota kann die chronische Abstoßung von murinen Lungen-Allotransplantaten beeinflussen. Bin. J. Atmung. Zellmol. Biol. 60, 131–134 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Zafar, H. & Saier, MH Jr. Darmbacteroides-Arten in Gesundheit und Krankheit. Darmmikroben 13, 1–20 (2021).

Artikel PubMed Google Scholar

Sun, D. et al. Angiogenin hält die Homöostase der Darmmikroben aufrecht, indem es α-Proteobakterien und Lachnospiraceae ausgleicht. Gut 70, 666–676 (2021).

Artikel CAS PubMed Google Scholar

Fabersani, E. et al. Bacteroides uniformis CECT 7771 lindert Entzündungen innerhalb der Darm-Fettgewebe-Achse, an denen die TLR5-Signalübertragung bei adipösen Mäusen beteiligt ist. Wissenschaft. Rep. 11, 11788 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Xiao, P. et al. Der Mannosestoffwechsel normalisiert die Darmhomöostase, indem er den TNF-α-vermittelten proinflammatorischen Kreislauf blockiert. Zelle. Mol. Immunol. 20, 119–130 (2023).

Artikel CAS PubMed Google Scholar

Meloni, F. et al. Bronchoalveoläres Lavage-Zytokinprofil in einer Kohorte von Lungentransplantatempfängern: eine prädiktive Rolle von Interleukin-12 im Hinblick auf den Ausbruch des Bronchiolitis-obliterans-Syndroms. J. Herz-Lungen-Transplantation. 23, 1053–1060 (2004).

Artikel PubMed Google Scholar

Yang, W. et al. Die IL-1β-abhängige Extravasation bereits bestehender lungenbeschränkter Autoantikörper während einer Lungentransplantation aktiviert das Komplement und vermittelt die primäre Transplantatdysfunktion. J. Clin. Investig. 132, e15975 (2022).

Artikel Google Scholar

Nadeem, A. et al. Die Hemmung der Glucose-6-Phosphat-Dehydrogenase mildert akute Lungenschäden durch Reduzierung der von der NADPH-Oxidase abgeleiteten reaktiven Sauerstoffspezies. Klin. Exp. Immunol. 191, 279–287 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Wang, L. et al. Abscisinsäure hemmte den durch reaktive Sauerstoffspezies vermittelten Stress im endoplasmatischen Retikulum, indem sie den PPAR-γ-Signalweg in ARDS-Mäusen regulierte. Phytother. Res. 35, 7027–7038 (2021).

Artikel CAS PubMed Google Scholar

Budden, KF et al. Neue pathogene Verbindungen zwischen Mikrobiota und der Darm-Lungen-Achse. Nat. Rev. Microbiol. 15, 55–63 (2017).

Artikel CAS PubMed Google Scholar

Haak, BW et al. Einfluss der Darmbesiedlung mit Butyrat-produzierenden Mikrobiota auf respiratorische Virusinfektionen nach allo-HCT. Blut 131, 2978–2986 (2018).

CAS PubMed PubMed Central Google Scholar

Kato, K. et al. Längsschnittanalyse der Darmmikrobiota bei Lebertransplantationen. Transplantation. Direct 3, e144 (2017).

Artikel PubMed PubMed Central Google Scholar

Oh, PL et al. Charakterisierung der Ileum-Mikrobiota bei abstoßenden und nicht abstoßenden Empfängern von Dünndarmtransplantaten. Bin. J. Transplantation. 12, 753–762 (2012).

Artikel CAS PubMed Google Scholar

Dickson, RP et al. Anreicherung des Lungenmikrobioms mit Darmbakterien bei Sepsis und akutem Atemnotsyndrom. Nat. Mikrobiol. 1, 16113 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Panzer, AR et al. Die Lungenmikrobiota steht im Zusammenhang mit dem Raucherstatus und der Entwicklung eines akuten Atemnotsyndroms bei kritisch kranken Traumapatienten. Bin. J. Atmung. Krit. Pflege Med. 197, 621–631 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Szychowiak, P., Villageois-Tran, K., Patrier, J., Timsit, JF & Ruppé, É. Die Rolle der Mikrobiota bei der Behandlung von Intensivpatienten. Ann. Intensivpflege 12, 3 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Young, RP, Hopkins, RJ & Marsland, B. Die Darm-Leber-Lungen-Achse. Modulation der angeborenen Immunantwort und ihre mögliche Rolle bei chronisch obstruktiver Lungenerkrankung. Bin. J. Atmung. Zellmol. Biol. 54, 161–169 (2016).

Artikel CAS PubMed Google Scholar

Dickson, RP et al. Lungenmikrobiota sagen klinische Ergebnisse bei kritisch kranken Patienten voraus. Bin. J. Atmung. Krit. Pflege Med. 201, 555–563 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Luyt, CE et al. Beatmungsassoziierte Pneumonie bei Patienten mit SARS-CoV-2-assoziiertem akutem Atemnotsyndrom, die ECMO erfordern: eine retrospektive Kohortenstudie. Ann. Intensive Care 10, 158 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Keller, MB et al. Vergleich der von Spendern stammenden zellfreien DNA zwischen einzelnen und doppelten Lungentransplantatempfängern. Bin. J. Transplantation. 22, 2451–2457 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Xu, Z. et al. Rolle zirkulierender MicroRNAs bei der Immunpathogenese der Abstoßung nach pädiatrischer Lungentransplantation. Transplantation 101, 2461–2468 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Stewart, S. et al. Überarbeitung der Arbeitsformulierung von 1990 zur Standardisierung der Nomenklatur bei der Diagnose von Herzabstoßung. J. Herz-Lungen-Transplantation. 24, 1710–1720 (2005).

Artikel PubMed Google Scholar

Zhao, L. et al. Durch Ballaststoffe gezielt geförderte Darmbakterien lindern Typ-2-Diabetes. Wissenschaft 359, 1151–1156 (2018).

Artikel CAS PubMed Google Scholar

Bolger, AM, Lohse, M. & Usadel, B. Trimmomatic: ein flexibler Trimmer für Illumina-Sequenzdaten. Bioinformatik 30, 2114–2120 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Fu, L., Niu, B., Zhu, Z., Wu, S. & Li, W. CD-HIT: beschleunigt für die Clusterung der Sequenzierungsdaten der nächsten Generation. Bioinformatik 28, 3150–3152 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Li, R. et al. SOAP2: ein verbessertes ultraschnelles Tool für die Ausrichtung kurzer Lesevorgänge. Bioinformatik 25, 1966–1967 (2009).

Artikel CAS PubMed Google Scholar

Buchfink, B., Xie, C. & Huson, DH Schnelles und empfindliches Protein-Alignment mit DIAMOND. Nat. Methoden 12, 59–60 (2015).

Artikel CAS PubMed Google Scholar

Kuntal, BK, Chandrakar, P., Sadhu, S. & Mande, SS „NetShift“: eine Methodik zum Verständnis von „Treibermikroben“ aus Datensätzen gesunder und kranker Mikrobiome. ISME J. 13, 442–454 (2019).

Artikel PubMed Google Scholar

Smith, CA, Want, EJ, O'Maille, G., Abagyan, R. & Siuzdak, G. XCMS: Verarbeitung von Massenspektrometriedaten für die Profilierung von Metaboliten unter Verwendung nichtlinearer Peakausrichtung, -anpassung und -identifizierung. Anal. Chem. 78, 779–787 (2006).

Artikel CAS PubMed Google Scholar

Navarro-Reig, M., Jaumot, J., García-Reiriz, A. & Tauler, R. Bewertung von Veränderungen, die im Reismetabolom durch Cd- und Cu-Exposition hervorgerufen werden, unter Verwendung von LC-MS mit XCMS- und MCR-ALS-Datenanalysestrategien. Anal. Bioanal. Chem. 407, 8835–8847 (2015).

Artikel CAS PubMed Google Scholar

Xia, J. & Wishart, DS Webbasierte Inferenz biologischer Muster, Funktionen und Pfade aus metabolomischen Daten mit MetaboAnalyst. Nat. Protokoll. 6, 743–760 (2011).

Artikel CAS PubMed Google Scholar

Bac, J., Mirkes, EM, Gorban, AN, Tyukin, I. & Zinovyev, A. Scikit-Dimension: ein Python-Paket zur intrinsischen Dimensionsschätzung. Entropy 23, 1368 (2021).

Artikel PubMed PubMed Central Google Scholar

Referenzen herunterladen

Die Autoren danken Dr. Weiwei Yang, Dr. Junrong Ding, Dr. Yupin Li und Dr. Wenxin He (Abteilung für Thoraxchirurgie, Shanghai Pulmonary Hospital, School of Medicine, Tongji-Universität) für die Unterstützung bei der Probenentnahme und Interpretation der Daten Diese Arbeit wurde vom National Key Research and Development Program of China (2022YFC2504800), der National Natural Science Foundation of China (Nr. 82072257 und 82202543), dem Aktionsplan für wissenschaftliche und technologische Innovation der Kommission für Wissenschaft und Technologie der Stadt Shanghai ( Nr. 20DZ2253700, 20DZ2272000, 21410750500 und 22Y21900500), Shanghai Municipal Health Commission (shslczdzk01001) und Guangxi Department of Science and Technology Foundation (Nr. 2020GXNSFGA238001).

Diese Autoren trugen gleichermaßen bei: Junqi Wu, Chongwu Li, Peigen Gao, Chenhong Zhang

Abteilung für Thoraxchirurgie, Shanghai Pulmonary Hospital, School of Medicine, Tongji-Universität, Shanghai, China

Junqi Wu, Chongwu Li, Peigen Gao, Pei Zhang, Lei Zhang, Chenyang Dai, Kunpeng Zhang und Chang Chen

Shanghai Engineering Research Center für Lungentransplantation, Shanghai, China

Junqi Wu, Chongwu Li, Peigen Gao, Pei Zhang, Lei Zhang, Chenyang Dai, Kunpeng Zhang und Chang Chen

Staatliches Schlüssellabor für mikrobiellen Stoffwechsel, Fakultät für Biowissenschaften und Biotechnologie, Shanghai Jiao Tong University, Shanghai, China

Chenhong Zhang

Abteilung für Thoraxchirurgie, Changhai Hospital, Naval Medical University, Shanghai, China

Bowen Shi

Abteilung für Thoraxchirurgie, das erste angegliederte Krankenhaus der Medizinischen Universität Guangzhou, Guangzhou, China

Mengyang Liu

Abteilung für Herz-Kreislauf-Chirurgie, Sun Yat-sen Memorial Hospital, Sun Yat-sen University, Guangzhou, China

Junmeng Zheng

Abteilung für Dermatologie, Shanghai Key Laboratory of Molecular Medical Mycology, Shanghai Changzheng Hospital, Naval Medical University, Shanghai, China

Bo Pan, Chao Zhang, Wanqing Liao, Weihua Pan und Wenjie Fang

Adfontes (Shanghai) Bio-technology Co., Ltd, Shanghai, China

Zhan Chen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

CC hatte vollen Zugriff auf alle Daten der Studie und übernimmt die Verantwortung für die Integrität der Daten und die Genauigkeit der Datenanalyse. Alle Autoren haben die endgültige Fassung des Manuskripts gelesen und genehmigt. Konzept und Design: CC, WF, WP und WL Erfassung, Analyse oder Interpretation von Daten: JW, CL, PG, PZ, LZ, CD, KZ, BS, ML, JZ, BP, Chao Zhang und Chenhong Zhang. Verfassen des Manuskripts: JW, CL, PG und WF. Kritische Überarbeitung des Manuskripts hinsichtlich wichtiger intellektueller Inhalte: Chenhong Zhang, WP, CC und WL. Statistische Analyse: JW, CL, ZC und Chenhong Zhang. Aufsicht: CC

Korrespondenz mit Weihua Pan, Wenjie Fang oder Chang Chen.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wu, J., Li, C., Gao, P. et al. Darmmikrobiota steht im Zusammenhang mit der Stabilität von Allotransplantaten nach Lungentransplantation: eine prospektive Kohortenstudie. Sig Transduct Target Ther 8, 326 (2023). https://doi.org/10.1038/s41392-023-01515-3

Zitat herunterladen

Eingegangen: 31. Juli 2022

Überarbeitet: 17. Mai 2023

Angenommen: 28. Mai 2023

Veröffentlicht: 01. September 2023

DOI: https://doi.org/10.1038/s41392-023-01515-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt