Gut | 早产儿肠道微生物宏基因组预测坏死性小肠结肠炎

考虑到较低的DSLNT与NEC相关而不受分泌状态的影响，作者探讨了HMO作为NEC发育的生物标志物的用途。单因素ROC曲线分析表明，241nmol/ml是MOM中DSLNT鉴别NEC和对照婴儿的最佳浓度（图1C和D）。AUC值为0.947，灵敏度为0.9，特异性为0.9。

为了检验整合额外的HMO是否可以提高分类性能，利用增加的HMO数量建立了多变量ROC曲线。然而额外的HMO与DSLNT整合多变量模型中，与仅使用DSLNT的单变量模型相比性能相似。

图1 NEC和CTRL组HMO图谱和DSLNT浓度分析

2、按NEC类型分层的HMO图谱分析

作者比较了未接受手术的NEC-M和接受手术的NEC-S。NEC-M和NEC-S聚类到一起与对照组分离（图2A）。两种HMOs显著不同，与对照组相比NEC-M和NEC-S组的DSLNT均较低（图2B）。此外，与NEC-M组和健康对照组相比NEC-S组MOM中LNnT显著降低（图2C）。

作者随后通过调整线性模型研究了DSLNT和LNnT浓度与临床变量之间的潜在关联。DSLNT与两种疾病类型呈负相关，NEC-M的系数值为-0.60，NEC-S的系数值为-0.67（图2D）。然而根据调整后的线性模型LNnT与疾病类型无关。分泌型母亲中DSLNT和LNnT均显著较高。母亲的DSLNT与胎龄呈正相关，与出生体重呈负相关。HMO与母亲性别、分娩方式、胎龄和DOL均无相关性（图2D）。

图2 NEC-M和NEC-S分层的HMO图谱分析

3、婴儿肠道微生物组与NEC发育的关系

作者纳入了含有HMO数据的婴儿的粪便微生物组数据，进行独立研究获得宏基因组测序数据。14例NEC患儿和34例对照组的644个粪便样本。NEC患儿物种丰富度显著降低，shannon指数差异不显著（图3A）。PCoA分析显示NEC和对照之间细菌菌群结构差异不大（图3B）。门水平分析显示，相比于对照组NEC患儿Actinobacteria 相对丰度显著降低，Proteobacteria 相对丰度显著升高（图3C）。种水平分析相比于对照组NEC患儿B. longum相对丰度降低，Enterobacter cloacae相对丰度升高（图3D）。

图3 NEC和对照组早产儿粪便宏基因组分析

4、HMO和细菌图谱的综合分析

采用种水平数据对PGCTs进行DMM聚类，5种PCGTs最理想（图4A）。PGCT-1特征菌是高丰度Staphylococcus spp和Enterococcus faecalis，PGCT-2高丰度Escherichia spp，PGCT-3高丰度Klebsiella spp，PGCT-4和PGCT-5高丰度Bifidobacterium spp，B. breve在PGCT-5丰度高。根据样本在所有时间点和clusters上的分布，在出生后前70天内接受MOM中DSLNT高于和低于241nmol/ml的婴儿微生物组差异显著（图4B）。在校正组间抽样频率不均匀后，最后一个时间点接受MOM超过DSLNT阈值2倍的婴儿类似于PGCT-5，其Bifidobacterium高丰度（图4A）。

图4母乳喂养高于或低于241nmol/ml DSLNT的婴儿PGCTs分析

5、HMO和宏基因组数据可释方差和随机森林分类

使用横断面HMO和横断面宏基因组数据集，作者试图确定哪些临床因素与HMO和细菌图谱最相关（图5A）。分泌状态可以解释HMO 56%的变异，其他协变量与HMO无显著相关性。细菌图谱与胎龄、DOL、抗生素使用和益生菌服用显著相关，而与母亲的分泌状态相关性不显著。总之这些发现强调了HMO和细菌分布受多种非重叠因素影响。

作者比较了基于HMO数据集、宏基因组数据和两个数据集结合建立的区分婴儿NEC和健康的随机森林模型的性能，鉴于所有这些信息在疾病发病前就可以获得，因此在临床实践中可作为风险分类系统。在组合模型中，DSLNT在对照组富集，DSLNH和Escherichiaunclassified的相对丰度在NEC中高（图5B）。

图5使用Adonis和random forest建立HMO和婴儿粪便宏基因组模型