I modelli di IA identificano i batteri chiave che definiscono le nicchie del microbioma orale sano

Comprendere il microbioma orale sano è un prerequisito per rilevare la disbiosi associata alla malattia parodontale e alle condizioni sistemiche. Tuttavia, la maggior parte degli studi di sequenziamento 16S rRNA si è concentrata su singole nicchie orali con campioni di piccole dimensioni, e nessuno aveva precedentemente applicato il machine learning supervisionato per classificare campioni sani attraverso tutti e tre i principali compartimenti orali simultaneamente. Questo studio ha colmato tale lacuna aggregando dati di sequenza Illumina V3–V4 disponibili pubblicamente provenienti da 22 bioprojects in un'analisi multi-batch unificata di 848 campioni da 491 adulti parodontalmente sani.

I campioni includevano 210 specimen di placca sopragengivale, 155 specimen di placca sottogengivale e 483 specimen di saliva. La pipeline bioinformatica ha utilizzato mothur per l'inferenza degli ASV — raggruppando solo sequenze identiche al 100% — e un'espansione curata e specifica per il cavo orale del Human Oral Microbiome Database per la tassonomia. Gli effetti batch tra gli studi sono stati corretti prima dell'analisi dell'abbondanza differenziale. Dopo il filtraggio della qualità, 10.577 ASV sono rimasti per l'analisi. La trasformazione centered log-ratio (CLR) è stata applicata per tenere conto dei vincoli dei dati composizionali.

L'analisi dell'abbondanza differenziale ha rivelato 121 ASV con abbondanze significativamente diverse tra placca sopragengivale e sottogengivale (p < 0,01), 212 tra placca sopragengivale e saliva, e 160 tra placca sottogengivale e saliva. Nonostante la significatività statistica, la maggior parte delle differenze placca-versus-placca riguardava taxa con piccole dimensioni dell'effetto, indicando che le due nicchie di placca sono più simili tra loro di quanto ciascuna non lo sia rispetto alla saliva. PCA e PERMANOVA hanno confermato il clustering composizionale per nicchia, con la separazione più netta tra placca e saliva.

I modelli random forest sono stati addestrati su due terzi dei campioni (sopragengivale n=140, sottogengivale n=104, saliva n=322) utilizzando una cross-validation a 3 fold, poi testati sul terzo rimanente. Ciascun modello finale richiedeva solo cinque ASV. Il modello sopragengivale-versus-sottogengivale ha raggiunto AUC = 0,908, accuratezza = 84,30%, sensibilità = 95,71% e specificità = 68,63% sul set di test. Entrambi i modelli placca-versus-saliva hanno ottenuto prestazioni sostanzialmente migliori: sopragengivale vs. saliva ha prodotto AUC = 0,992, accuratezza > 95%, sensibilità > 90% e specificità > 95%; sottogengivale vs. saliva ha raggiunto AUC = 0,986 con metriche analogamente elevate. Gli ASV predittivi per la placca sottogengivale includevano specie appartenenti a Escherichia, Fusobacterium, Granulicatella, Treponema, Peptostreptococcaceae [XI][G-9] e Prevotella, mentre Oribacterium e Solobacterium erano marcatori salivari.

Le implicazioni cliniche sono significative: un insieme minimo di marcatori batterici può identificare in modo affidabile la nicchia orale di un campione in individui sani, ponendo le basi per strumenti diagnostici basati sul microbioma. Queste firme specifiche per nicchia potrebbero in futuro consentire la rilevazione precoce di alterazioni microbiche che precedono la malattia parodontale. Una limitazione importante è che gli studi inclusi presentavano una qualità eterogenea dei metadati — il 59% è stato valutato di bassa qualità — e solo il 20% ha utilizzato il moderno sistema di classificazione parodontale del 2018, il che potrebbe introdurre alcune incongruenze nel modo in cui la «salute» era definita nei dataset di origine.