Los modelos de IA identifican las bacterias clave que definen los nichos saludables del microbioma oral

Comprender el microbioma oral saludable es un requisito previo para detectar la disbiosis asociada a la enfermedad periodontal y a condiciones sistémicas. Sin embargo, la mayoría de los estudios de secuenciación 16S rRNA se han centrado en nichos orales individuales con tamaños de muestra pequeños, y ninguno había aplicado previamente aprendizaje automático supervisado para clasificar muestras saludables en los tres compartimentos orales principales de forma simultánea. Este estudio abordó esa brecha agregando datos de secuencias Illumina V3–V4 disponibles públicamente de 22 bioproyectos en un análisis multi-lote unificado de 848 muestras procedentes de 491 adultos periodontalmente sanos.

Las muestras incluyeron 210 especímenes de placa supragingival, 155 de placa subgingival y 483 de saliva. El proceso bioinformático utilizó mothur para la inferencia de ASV —agrupando únicamente secuencias 100% idénticas— y una expansión curada específica para la cavidad oral de la Human Oral Microbiome Database para la taxonomía. Los efectos de lote entre estudios se corrigieron antes del análisis de abundancia diferencial. Tras el filtrado de calidad, 10.577 ASVs quedaron disponibles para el análisis. Se aplicó la transformación de razón logarítmica centrada (CLR) para tener en cuenta las restricciones propias de los datos composicionales.

El análisis de abundancia diferencial reveló 121 ASVs con abundancias significativamente diferentes entre la placa supragingival y la subgingival (p < 0,01), 212 entre la placa supragingival y la saliva, y 160 entre la placa subgingival y la saliva. A pesar de la significación estadística, la mayoría de las diferencias entre placa y placa implicaban taxones con tamaños de efecto pequeños, lo que indica que los dos nichos de placa se parecen más entre sí que cualquiera de ellos a la saliva. El PCA y el PERMANOVA confirmaron la agrupación composicional por nicho, con la separación más clara entre la placa y la saliva.

Los modelos de bosque aleatorio se entrenaron con dos tercios de las muestras (supragingival n=140, subgingival n=104, saliva n=322) mediante validación cruzada de 3 pliegues y se evaluaron en el tercio restante. Cada modelo final requirió únicamente cinco ASVs. El modelo supragingival frente a subgingival alcanzó AUC = 0,908, precisión = 84,30%, sensibilidad = 95,71% y especificidad = 68,63% en el conjunto de prueba. Ambos modelos de placa frente a saliva obtuvieron resultados sustancialmente mejores: el supragingival frente a saliva arrojó AUC = 0,992, precisión > 95%, sensibilidad > 90% y especificidad > 95%; el subgingival frente a saliva alcanzó AUC = 0,986 con métricas igualmente sólidas. Los ASVs predictivos para la placa subgingival incluyeron especies de <i>Escherichia</i>, <i>Fusobacterium</i>, <i>Granulicatella</i>, <i>Treponema</i>, <i>Peptostreptococcaceae</i> [XI][G-9] y <i>Prevotella</i>, mientras que <i>Oribacterium</i> y <i>Solobacterium</i> fueron marcadores salivales.

Las implicaciones clínicas son significativas: un conjunto mínimo de marcadores bacterianos puede identificar de forma fiable el nicho oral de una muestra en individuos sanos, sentando las bases para herramientas de diagnóstico basadas en el microbioma. Estas firmas específicas de nicho podrían eventualmente permitir la detección temprana de alteraciones microbianas que preceden a la enfermedad periodontal. Una advertencia importante es que los estudios incluidos presentaban una calidad heterogénea en sus metadatos —el 59% fue calificado de baja calidad— y solo el 20% utilizó el moderno sistema de clasificación periodontal de 2018, lo que puede introducir cierta inconsistencia en la definición de «salud» entre los conjuntos de datos de origen.