شبیه‌سازی‌های روده ممکن است اثربخشی پروبیوتیک‌ها را پیش‌بینی کنند و امید به سلامت شخصی‌شده ارائه دهند

ایالات متحده - خبرگزاری اخباری

مدل‌های روده دیجیتال نویدبخش پیش‌بینی اثربخشی پروبیوتیک‌ها

دانشمندان با توسعه شبیه‌سازی‌های پیشرفته کامپیوتری که محیط پیچیده روده انسان را مدل‌سازی می‌کنند، پیشرفت‌های قابل توجهی در جهت سلامت شخصی روده حاصل می‌کنند. این ابزارهای پیچیده، که به عنوان مدل‌های متابولیکی در مقیاس جامعه میکروبی شناخته می‌شوند، توانایی چشمگیری را در پیش‌بینی اینکه آیا یک سویه باکتریایی خاص، که اغلب در مکمل‌های پروبیوتیک یافت می‌شود، با موفقیت در سیستم گوارشی فرد مستقر شده و شکوفا خواهد شد، نشان می‌دهند. این تحقیق که اخیراً در مجله PLOS Biology منتشر شده است، نشان‌دهنده یک تغییر پارادایم بالقوه است و از رویکرد اغلب ناکارآمد 'یک اندازه برای همه' در مورد پروبیوتیک‌ها به سمت مداخلات شخصی‌سازی شده حرکت می‌کند.

پروبیوتیک‌ها، که در اشکال مختلف از قرص گرفته تا ماست و نوشیدنی‌ها موجود هستند، به طور گسترده با وعده بهبود 'سلامت روده' بازاریابی می‌شوند. با این حال، اثربخشی آنها ناسازگار بوده است و بسیاری از مصرف‌کنندگان مزایای تبلیغ شده را تجربه نمی‌کنند. این نوسان عمدتاً به ترکیب منحصر به فرد میکروبیوم روده هر فرد نسبت داده می‌شود که تحت تأثیر تعامل پیچیده‌ای از ژنتیک، رژیم غذایی، سبک زندگی و عوامل محیطی قرار دارد. آنچه برای یک فرد 'باکتری خوب' محسوب می‌شود، ممکن است برای فرد دیگر به طور قابل توجهی متفاوت باشد.

مدل‌های شبیه‌سازی جدید بر اساس دانش علمی گسترده در مورد نحوه متابولیسم و استفاده باکتری‌های روده از مواد مغذی بنا شده‌اند. با شبیه‌سازی این فرآیندهای متابولیکی پیچیده، محققان می‌توانند نتیجه معرفی یک سویه باکتریایی جدید به اکوسیستم روده را پیش‌بینی کنند. دکتر شان گیبونز، پژوهشگر میکروبیوم در موسسه زیست‌شناسی سیستم‌ها در سیاتل، که در این مطالعه شرکت داشته است، توضیح داد: «ما می‌توانیم شبیه‌سازی کنیم که اگر یک سویه باکتریایی به روده فردی وارد شود چه اتفاقی می‌افتد، و ببینیم که آیا رشد می‌کند، و اگر رشد کند چه کاری انجام می‌دهد.» وی افزود: «ما فکر کردیم که این نوع پلتفرم مدل‌سازی می‌تواند به طور بالقوه ما را قادر به شناسایی پاسخ‌های شخصی و شاید حتی طراحی مداخلات شخصی کند.»

برای اعتبارسنجی مدل‌های محاسباتی خود، دکتر گیبونز و تیمش از داده‌های دو مطالعه مداخله‌ای قبلی استفاده کردند. مطالعه اول به بررسی اثرات یک سین‌بیوتیک - ترکیبی از پروبیوتیک‌ها و فیبر پری‌بیوتیک - در بیماران مبتلا به دیابت نوع ۲ پرداخت. مطالعه دوم یک عامل بیوتراپی زنده با درجه دارویی را در افراد مبتلا به عفونت‌های مکرر *کلوستریدیوم دیفیسیل* ارزیابی کرد. در هر دو مجموعه داده، سویه‌های باکتریایی معرفی شده نتایج مثبت سلامتی را برای برخی از شرکت‌کنندگان به همراه داشت، اما برای دیگران نه، که این امر محققان را به بررسی چگونگی روشن شدن این پاسخ‌های متفاوت توسط مدل‌هایشان سوق داد.

نتایج بسیار امیدوارکننده بود. بر اساس پروفایل‌های میکروبیوم روده پایه شرکت‌کنندگان، مدل‌ها با دقت ۷۵٪ تا ۸۰٪ پیش‌بینی کردند که کدام سویه‌های باکتریایی با موفقیت 'کاشته' یا در روده مستقر خواهند شد. علاوه بر این، شبیه‌سازی‌ها به درستی بسیاری از افزایش‌ها در تولید اسیدهای چرب کوتاه زنجیر (SCFAs)، گروهی از مولکول‌های حیاتی برای حفظ سلامت روده را شناسایی کردند.

دکتر کریستوف کالیتا، زیست‌شناس سیستم‌ها در دانشگاه کیل آلمان، که در این تحقیق شرکت نداشت، از دقت بالای پیش‌بینی‌های کاشت در چنین زمینه بیولوژیکی پیچیده‌ای ابراز شگفتی کرد. با این حال، او یک محدودیت را ذکر کرد: این مطالعه عمدتاً بر اثرات کوتاه‌مدت متمرکز بود. دکتر کالیتا اظهار داشت: «در حالی که پروبیوتیک‌ها اغلب حضور کوتاه‌مدت گونه‌های ارائه شده را نشان می‌دهند، کاشت بلندمدت به ندرت مشاهده می‌شود... ایده‌آل این است که این گونه‌های پروبیوتیک اثر مفید خود را برای مدت طولانی‌تری حفظ کنند.»

تیم دکتر گیبونز با گسترش تحلیل خود، رشد باکتری‌های خاص را با نتایج سلامتی مرتبط کرد. آنها دریافتند که نرخ رشد بالاتر باکتری *آکرمانسیا موسینیفیلا* (Akkermansia muciniphila) با کنترل بهتر قند خون پس از غذا مرتبط است. برای آزمایش بیشتر استحکام مدل، محققان آن را بر روی داده‌های افراد سالمی که رژیم غذایی پر فیبر را اتخاذ کرده بودند، اعمال کردند. حتی در این افراد نیز، مدل به دقت پاسخ‌های روده را پیش‌بینی کرد و تطبیق‌پذیری آن را نشان داد.

این تحقیق یک گواه مفهوم قانع‌کننده برای آینده‌ای ارائه می‌دهد که در آن ارائه‌دهندگان مراقبت‌های بهداشتی می‌توانند قبل از تجویز، به طور مجازی یک پروبیوتیک را با استفاده از شبیه‌سازی دیجیتالی روده بیمار 'آزمایش کنند'. دکتر گیبونز گفت: «اگر بتوانیم مدل یک نفر را بگیریم و هزاران مداخله را در عرض چند دقیقه یا ساعت شبیه‌سازی کنیم، آنگاه ناگهان نوعی 'دوقلوی دیجیتال' خواهیم داشت که می‌تواند شروع به تخمین پاسخ‌های شخصی افراد کند.» گام بعدی برای تیم او شامل انجام یک کارآزمایی بالینی آینده‌نگر برای مقایسه مستقیم اثربخشی مداخلات شخصی‌سازی شده در مقابل مداخلات عمومی است.

این مطالعه بر یک نکته حیاتی تأکید می‌کند: تعریف باکتری‌های 'خوب' وابسته به زمینه و بسیار فردی است. نیک کوین-بوهمن، پژوهشگر دیگر میکروبیوم در موسسه زیست‌شناسی سیستم‌ها، گفت: «بسیاری از این باکتری‌ها فقط در زمینه‌های خاصی مفید هستند.» «داشتن مجموعه‌ای از پروبیوتیک‌های یک اندازه برای همه منطقی نیست.» کوین-بوهمن پیشنهاد می‌کند که رویکردهای مدل‌سازی مشابه می‌توانند در نهایت طراحی درمان‌های میکروبیوم سفارشی را متحول کنند و فراتر از محدودیت‌های محصولات فعلی بدون نسخه باشند.

خبرگزاری اخباری