The human gut microbiome and its influence in mental health

Abstract

Mental health problems affect 25% of the population, making it the leading cause of disability globally. Normal microbiota is related with healthy states, however changes in its composition (called dysbiosis) is linked with non-healthy pathologies. In this project we explored the influence of the gut microbiota on the occurrence of non-healthy mental states using machine learning approaches, enterotype classifications and univariate and multivariate statistical analyses. Among the demographic characteristics we found differences between the mental illness states in the ethnicity (p = 0.04), sex (p = 0.004), irritable bowel disease (p < 0.001), etc. We found lower levels of Firmicutes and higher levels of Bacteroidetes and a lower Firmicutes/Bacteroidetes ratio in the gut of people with mental issues. People with mental illness has a lower alpha diversity index in their gut in comparison with healthy people (p = 0.002). The beta diversity analysis presented different centroids regarding the mental states statistically measured by the PERMANOVA test (p = 0.032). The best machine learning predictor was Random Forest with an accuracy of 0.62. However, because of we mixed the different mental disorders with a different biological background, probably creating noise, the prediction results of the machine learning algorithms do not have better performances. In conclusion, more efforts are necessary in the use of machine learning algorithms with microbiome information, because of the potential that these methods have in the classification and/or prediction of certain pathologies. Also, higher Firmicutes and lower Bacteroidetes could be risk factor in the occurrence of a mental illness.

Se estima que problemas en la salud mental afectan al 25% de la población, lo que la convierte en la principal causa de enfermedades a nivel mundial. Una microbiota normal está relacionada con estados saludables, sin embargo, los cambios en su composición (llamada disbiosis) están relacionados con enfermedades. En este proyecto, exploramos la influencia de la microbiota intestinal en la aparición de estados mentales no saludables utilizando enfoques de machine learning, clasificación de enterotipos y análisis estadísticos univariados y multivariados. Entre las características demográficas encontramos diferencias entre los estados de la enfermedad mental en la etnia (p = 0.04), sexo (p = 0.004), enfermedad del intestino irritable (p <0.001), etc. Encontramos niveles más bajos de Firmicutes y niveles más altos de Bacteroidetes y una proporción más baja de Firmicutes/Bacteroidetes en el intestino de las personas con problemas mentales. Las personas con enfermedades mentales tienen un índice de diversidad alfa más bajo en su intestino en comparación con las personas sanas (p = 0.002). El análisis de diversidad beta presentó diferentes centroides con respecto a los estados mentales, por la prueba PERMANOVA (p = 0.032). El mejor predictor de machine learning fue Random Forest con una precisión de 0.62. Sin embargo, probablemente al mezclar los diferentes trastornos mentales que tienen un fondo biológico diferente, creamos ruido haciendo que los resultados de predicción de los algoritmos de machine learning tengan rendimientos bajo los esperados. En conclusión, una concentración de Firmicutes más altos y de Bacteroidetes más bajos podrían actuar como un factor de riesgo en la aparición de un trastorno mental.

S'estima que problemes en la salut mental afecten el 25% de la població, la qual cosa la converteix en la principal causa de malalties a nivell mundial. Una microbiota normal està relacionada amb estats saludables, no obstant això, els canvis en la seva composició (anomenada disbiosis) estan relacionats amb malalties. En aquest projecte, explorem la influència de la microbiota intestinal en l'aparició d'estats mentals no saludables utilitzant enfocaments de machine learning, classificació de enterotipos i anàlisis estadístiques univariados i multivariats. Entre les característiques demogràfiques trobem diferències entre els estats de la malaltia mental en l'ètnia (p = 0.04), sexe (p = 0.004), malaltia de l'intestí irritable (p <0.001), etc. Trobem nivells més baixos de Firmicutes i nivells més alts de Bacteroidetes i una proporció més baixa de Firmicutes/*Bacteroidetes en l'intestí de les persones amb problemes mentals. Les persones amb malalties mentals tenen un índex de diversitat alfa més baix en el seu intestí en comparació amb les persones sanes (p = 0.002). L'anàlisi de diversitat beta va presentar diferents centroides respecte als estats mentals, per la prova PERMANOVA (p = 0.032). El millor predictor de machine learning va anar Random Forest amb una precisió de 0.62. No obstant això, probablement en barrejar els diferents trastorns mentals que tenen un fons biològic diferent, creguem soroll fent que els resultats de predicció dels algorismes de machine learning tinguin rendiments sota els esperats. En conclusió, una concentració de Firmicutes més alts i de Bacteroidetes més baixos podrien actuar com un factor de risc en l'aparició d'un trastorn mental.