Anàlisi del patró de disbiòsi intestinal en colitis ulcerosa a partir de mostres fecals

Abstract

The work is based on metagenomic sequencing data of 16S rRNA from fecal samples of patients with ulcerative colitis (UC) and healthy controls (HC) from different previously published studies. The different studies have been divided into two cohorts: a discovery cohort (CD) and a validation cohort (CV). The relevant taxonomic classifications of each sample have been performed using specialized software for these tasks. In our case, we have used the software known as Mothur (Schloss et al., 2009) and a taxonomic classification database for 16S rRNA sequences such as SILVA (Quast et al., 2013). Once the taxonomic classification data has been obtained, statistical analysis has been carried out using Rstudio to determine and extract a common dysbiosis pattern to the samples of patients composing the discovery cohort. Subsequently, these results have been attempted to be extrapolated to the validation cohort, which consisted of UC patient samples from another study. Afterwards, a task dedicated to the prediction of clinical outcomes has been carried out using the relative abundances of different taxa as differentiating features. Machine learning techniques (ML) (Serrano-Gómez et al., 2021) have been used for this purpose, but other approaches based on generalized linear models (GLMs) or multiple regressions have also been employed (Rivera-Pinto et al., 2018).

El treball parteix de dades de seqüenciació metagenòmica de 16S rRNA de mostres fecals de pacients amb colitis ulcerosa (UC) i pacients sans (HC) de diferents estudis prèviament publicats. Els diferents estudis s'han dividit en dos cohorts: un de discovery (CD) i un altre de validation (CV). S'han realitzat les pertinents classificacions taxonòmiques de cada una de les mostres mitjançant programari especialitzat per a aquestes tasques. En el nostre cas hem utilitzat el software conegut com a Mothur (Schloss et al., 2009) i una base de dades de classificació taxonòmica de seqüències de 16S rRNA com és SILVA (Quast et al., 2013). Un cop s'han obtingut les dades de classificació taxonòmica, s'ha procedit a l'anàlisi estadístic mitjançant Rstudio per tal de determinar i extreure'n un patró de disbiòsi comú a les mostres de pacients que componen la cohort discovery. Seguidament, aquests resultats s'han intentat extrapolar a la cohort validation, que ha estat compost de mostres de pacients amb UC però provinents d’un altre estudi. Posteriorment, s'ha realitzat una tasca dedicada a la predicció de resultats clínics utilitzant les abundàncies relatives dels diferents taxons com a característica diferencial. S'han fet servir tècniques de Machine Learning (ML) (Serrano-Gómez et al., 2021) però també hem emprat altres aproximacions basades en models lineals generalitzats (GLMs) o regressions múltiples (Rivera-Pinto et al., 2018).