Le microbiome intestinal lors d’une infection aiguë prédit le risque de long COVID

Une étude longitudinale révèle que des profils distincts du microbiome intestinal au cours d’une infection aiguë par le SRAS-CoV-2 peuvent prédire le risque de COVID à long terme, offrant ainsi des informations sur les groupes de symptômes et les biomarqueurs potentiels.

Étude: Les signatures du microbiome intestinal lors d’une infection aiguë prédisent un long COVID. Crédit d’image : Dragana Gordic/Shutterstock.com

*Avis important : bioRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/le comportement lié à la santé, ni être traités comme des informations établies.

Dans une récente étude pré-imprimée publiée sur bioRxiv*une équipe de chercheurs a étudié le rôle prédictif de la composition du microbiome intestinal au cours d'une infection aiguë par le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2) dans le développement de la maladie à coronavirus longue (Long COVID) (LC) et son association avec des variables cliniques et groupes de symptômes.

Arrière-plan

La LC affecte 10 à 30 % des personnes non hospitalisées infectées par le SRAS-CoV-2, entraînant une morbidité importante, une perte de main-d'œuvre et un impact économique de 3 700 milliards de dollars aux États-Unis (US).

Les symptômes couvrent des problèmes cardiovasculaires, gastro-intestinaux, cognitifs et neurologiques, ressemblant à l'encéphalomyélite myalgique et à d'autres syndromes post-infectieux. Les mécanismes proposés incluent la dérégulation immunitaire, la neuroinflammation, la persistance virale et les anomalies de la coagulation, avec de nouvelles preuves impliquant le microbiome intestinal dans la pathogenèse de la CL.

Les études actuelles se concentrent sur les patients hospitalisés, limitant la généralisation aux cas plus légers. Des recherches supplémentaires sont nécessaires pour explorer les prédicteurs basés sur le microbiome dans les populations ambulatoires, permettant ainsi des diagnostics et des thérapies ciblés pour la présentation hétérogène et complexe de la LC.

À propos de l'étude

L'étude a été approuvée par le comité d'examen institutionnel de la Mayo Clinic et a recruté des adultes âgés de 18 ans ou plus qui ont subi un test du SRAS-CoV-2 dans les sites de la Mayo Clinic du Minnesota, de la Floride et de l'Arizona d'octobre 2020 à septembre 2021. Les participants ont été identifiés par voie électronique. Examens des dossiers de santé (DSE) filtrés par calendriers de tests SARS-CoV-2.

Les personnes éligibles ont été contactées par courrier électronique et un consentement éclairé a été obtenu. Sur les 1 061 participants initialement recrutés, 242 ont été exclus en raison de données incomplètes, d’un échec de séquençage ou d’autres problèmes. La cohorte finale comprenait 799 participants (380 SARS-CoV-2-positifs et 419 SARS-CoV-2-négatifs), fournissant 947 échantillons de selles.

Des échantillons de selles ont été collectés à deux moments : semaines 0 à 2 et semaines 3 à 5 après le test. Les échantillons ont été expédiés dans des packs de gel congelés par courrier pendant la nuit et stockés à -80 °C pour des analyses en aval. L'acide désoxyribonucléique (ADN) microbien a été extrait à l'aide de kits Qiagen et un séquençage métagénomique a été réalisé en ciblant 8 millions de lectures par échantillon.

Le profilage taxonomique a été réalisé à l'aide de Kraken2 et le profilage fonctionnel a été réalisé à l'aide du réseau d'analyse métabolique unifiée du projet Human Microbiome (HUMAnN3).

Les niveaux de calprotectine dans les selles ont été mesurés à l’aide d’un test immuno-enzymatique (ELISA), et l’acide ribonucléique (ARN) du SRAS-CoV-2 a été détecté à l’aide d’une réaction en chaîne par polymérase quantitative à transcription inverse (RT-qPCR).

Les données cliniques, notamment les données démographiques, les comorbidités, les médicaments et la persistance des symptômes, ont été extraites des DSE.

Des modèles d'apprentissage automatique intégrant des données microbiologiques et cliniques ont été utilisés pour prédire la LC et identifier des groupes de symptômes, fournissant ainsi des informations précieuses sur l'hétérogénéité de la maladie.

Résultats de l'étude

L’étude a analysé 947 échantillons de selles collectés auprès de 799 participants, dont 380 individus positifs au SRAS-CoV-2 et 419 contrôles négatifs. Dans le groupe SARS-CoV-2-positif, 80 patients ont développé une CL au cours d’une période de suivi d’un an.

Les participants ont été classés en trois groupes pour analyse : LC, non-LC (SARS-CoV-2-positif sans LC) et SARS-CoV-2-négatif. Les caractéristiques de base ont révélé des différences significatives entre ces groupes. Les participants LC étaient majoritairement des femmes et présentaient plus de comorbidités de base que les participants non-LC.

Le groupe SARS-CoV-2-négatif était plus âgé, avec une utilisation d’antibiotiques et des taux de vaccination plus élevés. Ces variables ont été ajustées dans les analyses ultérieures.

Au cours d’une infection aiguë, la diversité du microbiome intestinal différait considérablement d’un groupe à l’autre. La diversité alpha était plus faible chez les participants SARS-CoV-2-positifs (LC et non-LC) que chez les participants SARS-CoV-2-négatifs.

Les analyses de diversité bêta ont révélé des compositions microbiennes distinctes parmi les groupes, les patients LC présentant des profils de microbiome uniques au cours d'une infection aiguë.

Taxons bactériens spécifiques, notamment Fécalimonas et Blautiaétaient enrichis chez les patients LC, tandis que d'autres taxons étaient prédominants chez les participants non LC et négatifs. Ces résultats indiquent que la composition du microbiome intestinal au cours d’une infection aiguë est un prédicteur potentiel de LC.

L'analyse temporelle des modifications du microbiome intestinal entre les phases aiguës et post-aiguës a révélé une variabilité individuelle significative, mais aucune différence au niveau de la cohorte, ce qui suggère que les changements temporels ne contribuent pas au développement des CL.

Cependant, les modèles d’apprentissage automatique ont démontré que les données du microbiome au cours d’une infection aiguë, combinées à des variables cliniques, prédisaient la LC avec une grande précision. Les prédicteurs microbiens, notamment les espèces de la famille des Lachnospiraceae, ont influencé de manière significative les performances du modèle.

L'analyse des symptômes a révélé que la LC englobe des présentations cliniques hétérogènes. La fatigue était le symptôme le plus répandu, suivie de la dyspnée et de la toux.

L'analyse groupée a identifié quatre sous-phénotypes de LC sur la base de la cooccurrence des symptômes : gastro-intestinal et sensoriel, musculo-squelettique et neuropsychiatrique, cardiopulmonaire et fatigue uniquement.

Chaque groupe présentait des associations microbiennes uniques, les groupes gastro-intestinaux et sensoriels présentant les altérations microbiennes les plus prononcées. Notamment, les taxons tels que ceux des familles des Lachnospiraceae et des Erysipelotrichaceae étaient considérablement enrichis dans ce groupe.

Conclusions

Pour résumer, cette étude a démontré que les individus positifs au SRAS-CoV-2 qui ont développé plus tard une LC présentaient des profils de microbiome intestinal distincts au cours d’une infection aiguë. Alors que des recherches antérieures ont établi un lien entre le microbiome intestinal et les résultats de la COVID-19, peu d’études ont exploré son potentiel prédictif de LC, en particulier dans les cohortes de patients ambulatoires.

À l’aide de modèles d’apprentissage automatique, notamment de réseaux neuronaux artificiels et de régression logistique, cette étude a révélé que les données du microbiome seules prédisaient la CL avec plus de précision que les variables cliniques, telles que la gravité de la maladie, le sexe et le statut vaccinal.

Les principaux contributeurs microbiens comprenaient des espèces de la famille des Lachnospiraceae, telles que Eubactérie et Agathobactérieet Prévotelle spp. Ces résultats mettent en évidence le potentiel du microbiome intestinal en tant qu'outil de diagnostic pour identifier le risque de LC, permettant ainsi des interventions personnalisées.

*Avis important : bioRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/le comportement lié à la santé, ni être traités comme des informations établies.