한국 연구자의 Periodontitis에 관한 바이오마커 발견 및 예측 모델 개발에 대한 논문을 찾아보았다.
치주염(Periodontitis)이란?
치주염은 치아 주위의 잇몸조직이 감염에 의한 염증으로 내려앉는 상태를 말한다. 치아를 지지하는 잇몸이 약해짐에 따라 치아가 손상될 수 있다. 세계적으로 심한 치주염(severe periodontitis)의 유병률은 만성질환 중에서 가장 높은 편이며, 한국인 성인(40-59세)의 심한 치주염 유병률은 9.0%이었으며, 초기 치주염의 유병률은 더 높을 것으로 예상된다.
출처: 정세환, 한국 성인의 치아우식 및 심한 치주염의 위험요인 분석: 제7기(2016-2018년) 국민건강영양조사 자료 이용, Journal of Korean Academy of Oral Health, 2023, September 47(3):118-124 https://doi.org/10.11149/jkaoh.2023.47.3.118
Identification of Potential Oral Microbial Biomarkers for the Diagnosis of Periodontitis (2020)
- 제1 저자: Hee Sam Na
- 저널: Journal of Clinical Medicine ( IF = 4.2, 2020)
- 출처: Na, H. S., Kim, S. Y., Han, H., Kim, H. J., Lee, J. Y., Lee, J. H., & Chung, J. (2020). Identification of Potential Oral Microbial Biomarkers for the Diagnosis of Periodontitis. Journal of clinical medicine, 9(5), 1549. https://doi.org/10.3390/jcm9051549
배경
- 치주염은 전 세계적으로 65세 이상 인구에서 약 70%에 영향
- 초기 연구에서 Gram-negative인 Porphyromonas gingivalis, Treponema denticola와 Tannerella forsythia가 심한 치주염 환자에서 분리
- 그러나 NGS의 발전으로, 이보다 더욱 많은 박테리아가 연관
- subgingival(치은연하)에 비하여, buccal mucosa(볼점막)나 supragingival space (치은연상) 부분의 치주염 예측을 위한 구강 마이크로바이옴 연구는 많이 진행되지 않음
- 연구를 위해 62 명의 정상 대조군과, 210 명의 치주염 환자를 샘플링 (N = 272)
데이터
- moderate-to-severe 지주염 환자이며, plaque 샘플은 샘플링 두 시간 동안 음식물과, 양치질을 제한한 후 샘플링
- 16S rRNA의 V3-V4 영역을 PCR 후 시퀀싱
-바이오 마커 발굴을 위해 WEKA 프로그램 내의 K nearest neighbor (KNN), LogitBoost, logistic model tree (LMT), support vector machine (SMO), and Naïve Bayes 사용
결과
- 정상 대조군의 나이는 28.45 ± 8.64, 치주염 환자의 나이는 54.28 ± 10.92였다. 남녀의 비율은 압도적으로 크게 다르지 않음
- Healthy_Buccal(HB), Healthy_Supragingival (HS), Periodontitis_Buccal (PB), Periodontitis_Supragingival (PS)
- 의학적 파라미터(demographic characteristics, age and gender, probing depth (PD), clinical attachment level (CAL), gingival index (GI), and plaque index (PI))와 연관이 있는 미생물 종을 알아내기 위해, Pearson correlation을 사용하여 총 12 종을 선별하였다 => P. gingivalis은 모든 지표들과 연관성이 높고, T. denticola and T. forsythia 은 PD, CAL, and GI에 연관
- 치주염에서 차등적인 풍부도를 보이는 종을 알아내기 위해, Lefse와 DESeq을 모두 분석 수행
- DESeq에서는 buccal과 supragingival을 합하여 모두 21종
- DESeq과 Lefse에서 공통적으로 (모든 조직에서) 8개의 종이 치주염에서 더 풍부한 것을 밝혀냈다.
- 여기에는 “red” complex라고 불리는 P.gingivalis, T. forsythia, and T. denticola와 F. alocis, P. endodontalis, F. fastiosum, and Peptostreptococcus species도 포함되어 있다.
- 위 결과를 보면, 치은연하가 아닌 볼점막이나 치은연상에서도 치주염 환자의 박테리아 구성을 예측 가능하다는 것을 보여줌
- 이후, microbiome profiles로 치주염의 상태를 예측하기 위해서, 5가지 머신러닝모델( K nearest neighbor (KNN), LogitBoost, logistic model tree (LMT), support vector machine (SMO), Naïve Bayes)을 사용하였음. 데이터셋은 1. ALL(모든 박테리아), 2. DESeq(DESeq2에서 차등적으로 풍부한 마이크로바이옴), 3. Lefse(Lefse에서 차등적으로 풍부한 마이크로바이옴), 4.Lefse + DESeq (두 모델에서 공통된 마이크로바이옴)으로 구성되어 있음
- 데이터 세트에 대한 편향을 막기 위해 10-fold cross-validation를 사용하였다.
- 4번 데이터 세트에 대한 모델 평가에서, Buccal 부위의 KNN 모델은, 1번의 모든 데이터세트를 사용한 것과 비슷한 정확도를 보였으며, supragingival 부위에서는 1번 데이터를 사용한 것보다 더 높은 정확도를 보였다.
- 이러한 DAA분석을 사용하는 것이 정상인과 질병군을 구분할 수 있는 충분한 마이크로바이옴 분석을 수행할 수 있다는 결론을 얻었으며, 선택된 박테리아 종들은 치주염 진단에 잠재적인 미생물 biomarker로 사용될 수 있다.
=> DESeq + Lefse를 사용하기 위한 뒷받침 결과, 즉 우리는 이전에 얻어진 8개의 종을 주 분석 목표로 삼겠다는 전개
- 이전에 얻어진 8종을 대상을 임상적으로 평가하기 위해, 기존 분석에 사용되지 않은 211명의 데이터를 사용
기존 데이터셋에서도 관찰된 것과 동일하게 치주염 군에서 상대적인 분포도가 유의하게 차이 났다. ( p-value <0.01)
- Oral dybiosis가 치주 질환에 중요한 역할은 한다는 논문이 기존에 보고 -> network분석을 통해 정상대조군과 치주염 환자의 미생물 생태계를 분석해 보자
- relative abundance는 0.05% 이상인 그룹에서 correlation 분석 시, p-value < 0.001 인 100 종에 대해서 분석 수행.
- Buccal에서는 치주염 병원균으로 이루어진 module 이 독립적으로 분포되어 있음. 치주염 그룹은 이 modul의 크기가 정상 대조군보다 큰 것이 특징이다(더 많은 노드들로 이루어 짐).
- 반대로 supragingival에서는 commensal과 병원균을 포함하는 거대한 modul이 구성되어 있다. 그러나 병원균 사이의 연관성이 다른 균보다 높다(이는 연결견 neighbor(node)의 평균 수로 측정).
- 모든 부위에서 관찰하였을 때, commensal이 거의 관찰되지 않음.
=> 위 결과는 정상인과 치주염군에서 모두 병원균과 공생균이 관찰됨에도 불구하고, 치주염군에서는 전체 균들의 topology가 변형되었으며, 모듈 간의 연결성이 손상되었다.
1,000 bootstraps
correlation p-value < 0.001
Discussion
- 왜 치은연하와 볼점막을 선택하였는지: 비 침습성, 얻기 쉬운 샘플
- 치주염 마이크로바이옴과 임상정보의 상관관계 -> 확실하게 차이가 난다
- 차등분석(DA)의 결과로 나온 8종에 관한 치주염 연구 결과들
- 구강 미생물군의 dysbiosis : modul관의 연결성은 기존 논문 연구와 비슷
개인적인 생각
- 머신러닝 결과가 새로운 모델의 창조가 아닌 기존 모델의 부연설명으로 사용되어서 아쉽다.
- 새로운 데이터셋에 동일한 이론을 대입하여, 증명함으로써 연구의 결과를 견고하게 만들었다.
