L’organisme humain est un écosystème complexe de microbiomes coexistants, y compris ceux de l’intestin, de la peau et du vagin chez les femmes. Ceux-ci jouent un rôle crucial dans la santé et la maladie. Cependant, il reste encore beaucoup à apprendre à leur sujet.
Un nouvel article récemment publié en ligne dans Tendances en microbiologie revue l’approche de la biologie des systèmes pour explorer le microbiome vaginal (VMB), aidant à comprendre sa composition et sa fonction et les mécanismes par lesquels il interagit avec l’hôte.
Revue : Nouvelles perspectives sur le microbiome vaginal avec la biologie des systèmes. Crédit d’image : Design_Cells / Shutterstock
Sommaire
Introduction
Le VMB est vital pour la fertilité féminine, et des perturbations peuvent être associées à des troubles de la grossesse, des maladies gynécologiques telles que la maladie inflammatoire pelvienne (MIP) et un éventail d’infections impliquant l’appareil génito-urinaire et reproducteur féminin. En outre, le VMB peut contribuer à affecter l’efficacité des médicaments chez les femmes.
Cependant, le VMB est peu compris au-delà d’une vague idée qu’une prépondérance de Lactobacille est associé à un « bon » état avec une structure communautaire homogène. Inversement, un état indésirable du VMB existe lorsque des espèces plus diverses sont identifiées en plus grande abondance.
Ce dernier état sous-optimal est souvent lié à la vaginose bactérienne (VB), retrouvée chez une femme sur trois pendant sa période de procréation, pouvant avoir des conséquences graves sur sa fertilité. En tant que tel, la recherche dans ce domaine est nécessaire pour comprendre la directionnalité et l’ampleur de ces associations.
Le problème
Bien que de nombreuses études aient été réalisées dans ce domaine, il est difficile de comprendre à quoi ressemble un VMB optimal en raison des interactions complexes entre les microbes et d’autres facteurs de l’hôte. Cela signifie que le VMB sain peut différer considérablement d’une femme à l’autre et à différents moments du cycle de vie d’un même individu.
De tels changements se produisent en quelques jours, ce qui contraste avec le changement beaucoup plus lent observé avec les microbiomes intestinaux, cutanés et oraux, qui peuvent changer au fil des mois, voire des années. Malheureusement, cela rend les données transversales assez non représentatives lorsqu’il s’agit d’étudier l’association de la composition, de la fonction et de la maladie du VMB – et rend ainsi la plupart de ces données moins utiles qu’elles ne pourraient l’être.
Encore une fois, le VMB humain diffère considérablement de celui des animaux, ainsi que des modèles basés sur la culture. Dans le premier cas, même les primates non humains ne présentent pas les conditions caractéristiques du vagin humain, y compris le pH acide et Lactobacille dominance.
Chez ces derniers, certains microbes sont incroyablement résistants à la culture in vitro, alors que diverses conditions de culture sont utilisées dans différents laboratoires, selon les milieux. Cela pourrait rendre l’environnement de croissance très différent de celui du col de l’utérus et du vagin humains, invalidant les résultats de telles expériences.
En tant que tels, les échantillons cliniques à partir desquels la microflore vaginale est cultivée, identifiée et quantifiée constituent la principale source d’informations sur le VMB humain. Ces informations sont colorées par des variables expérimentales et hôtes, qui nécessitent des adaptations statistiques sophistiquées pour parvenir à une conclusion valide.
« Bien que pertinent pour tous les sites de microbiome, [this] est particulièrement applicable au VMB en raison de son manque de modèles expérimentaux permettant d’interroger le microbiote vaginal dans des conditions contrôlées.”
La solution
Une telle impasse peut être résolue avec une approche de biologie des systèmes, où des analyses quantitatives sont utilisées pour extraire les facteurs importants affectant le comportement et la fonction d’une communauté microbienne. En tant que tel, « Tirer parti des techniques de biologie des systèmes appliquées à d’autres microbiomes, ainsi que développer de nouvelles techniques et appliquer ces méthodes au VMB, aura un impact significatif sur l’amélioration de la santé des femmes.”
L’utilisation de la biologie des systèmes peut surmonter les défis de ces réseaux interactifs externes et internes complexes et multiples. De plus, plusieurs approches peuvent être utilisées, selon le type d’information disponible et l’objectif de l’étude.
Ainsi, les méthodes statistiques ou basées sur les données sont idéales lorsque les données à haut débit sont abondantes dans un domaine d’étude relativement nouveau. Cela peut aider à suggérer quels profils microbiens sont liés à la maladie ou à la santé. Étant donné que l’on sait peu de choses sur le VMB, les modèles basés sur les données ont prédominé jusqu’à présent.
À l’inverse, sur la base d’hypothèses, les méthodes mécanistes sont meilleures lorsque l’on en sait déjà beaucoup sur un système, ou du moins que les données fondamentales sont disponibles, et qu’il est nécessaire de comprendre les mécanismes des associations de cause à effet sous-jacentes à la fonction biologique. En outre, ils aident à définir les plages dans lesquelles la composition et les interactions microbiennes peuvent se produire dans des situations normales et anormales.
Certaines méthodes mécanistes comprennent des modèles cinétiques d’action de masse ou de dynamique des populations (basés sur des équations différentielles), des modèles métaboliques à l’échelle du génome (GEM) et des modèles à base d’agents (ABM).
Qu’est-ce qui a été réalisé ?
L’approche de la biologie des systèmes a déjà permis d’identifier et de catégoriser les types d’états communautaires (CST) associés à la santé, à la maladie ou aux transitions entre les deux. D’abord définis par l’abondance microbienne, ils ont incorporé des données démographiques et de santé des patients pour former des groupes de regroupement hiérarchiques. En outre, d’autres méthodes telles que la classification du centroïde le plus proche ont été développées pour surmonter la variation inhérente à l’ensemble de données avec la première approche.
Les groupements CST aident à simplifier la composition du VMB et suggèrent ainsi des associations avec la composition et la fonction de la communauté. Mais cela se fait au prix de l’oubli de facteurs spécifiques à la communauté et propres à différents taxons.
Les approches multi-omiques pourraient être intégrées aux stratégies de biologie des systèmes pour identifier les associations avec différents types de communauté et des profils métabolomiques, transcriptomiques et métagénomiques spécifiques, par exemple. De plus, des modèles de forêts aléatoires et d’autres modèles d’apprentissage automatique avancés sont mis en service pour aider à distinguer les VMB avec une prédominance de différents microbes, tels que L. crispatus contre. L. iners ou Bifidobactéries.
Fait intéressant, les modèles de réseaux de neurones ont montré la supériorité de la métabolomique dans la description précise de l’environnement cervico-vaginal par rapport à la composition VMB ou à l’immunoprotéomique. L’utilisation intégrée de ces stratégies pourrait aider à identifier les facteurs importants des états VMB en matière de santé et de maladie.
Les informations obtenues concernant le risque d’infection sexuellement transmissible (IST) avec une abondance accrue de « mauvais » microbes pourraient être particulièrement importantes. Par exemple, une augmentation de L. iners semble être associée à un risque plus élevé d’IST, alors que L. gasseri est associé à la santé. Inversement, Gardnerella vaginalis et les espèces de Prevotella sont liées à l’infection à Chlamydia.
Les modèles mécanistes incluent la technique appelée MIMOSA (Model-based Integration of Metabolite Observations and Species Abundances) qui utilise la modélisation du réseau métabolique pour comprendre le fonctionnement de la communauté via son contenu génétique. Cela a permis d’identifier les espèces de Prevotella et Atopobium vaginae en tant que modulateurs clés du VMB, en utilisant un score de potentiel de métabolite (CMP) basé sur la communauté. Le CMP montre le chiffre d’affaires de chaque métabolite par une communauté donnée.
De même, les reconstructions de réseaux à l’échelle du génome (GENRE) pourraient aider à comprendre le rôle des microbes exigeants dans le VMB. Des modèles basés sur l’équation différentielle ordinaire (ODE) sont utilisés pour examiner comment les médicaments peuvent affecter le VMB et l’écologie de ce système, montrant comment la composition fluctue après l’exposition à différents facteurs.
Qu’y a-t-il dans le futur ?
Une multitude d’études se sont concentrées sur le microbiome intestinal, avec près de 150 millions de dollars investis dans le développement et la normalisation de nouveaux outils pour son exploration. Les chercheurs du VMB pourraient les utiliser pour servir leurs objectifs. Cela inclut BURRITO, un outil Web qui permet de visualiser une communauté de microbiome par abondance relative. Cela pourrait être étendu pour examiner la métagénomique du VMB, montrant comment les symptômes du patient sont liés aux CST.
Les approches d’apprentissage automatique supervisé pour mieux comprendre le VMB incluent l’analyse d’intégration de données pour la découverte de biomarqueurs à l’aide de composants latents (DIABLO), où les ensembles de données omiques sont intégrés par corrélation, et l’analyse de corrélation canonique généralisée régularisée éparse (SRGCCA), utilisée dans la maladie de Crohn.
Pour surmonter les limites imposées par le manque de connaissances sur la classification fonctionnelle du VMB, des stratégies d’apprentissage non supervisé peuvent être utiles, telles que l’analyse factorielle multi-omique (MOFA).
De nombreux modèles ODE peuvent également être utilisés sur la base des modèles généralisés Lotka – Volterra (gLV). Il s’agit notamment du web-gLV, du moteur d’inférence des systèmes dynamiques microbiens pour l’analyse des séries chronologiques du microbiome (MDSINE) et des interactions d’apprentissage à partir de la méthode des séries chronologiques microbiennes (LIMITS), ainsi que de nouvelles adaptations comme la compositionnelle Lotka-Volterra (cLV) et le Algorithme BEEM (Biomass Estimation and Model Inference with an Expectation Maximization), qui ne dépend pas de la culturabilité de la communauté ou de la disponibilité de vastes ensembles de données longitudinaux.
Les méthodes plus récentes incluent des algorithmes tels que le cadre d’attente de rendement constant (conYE) et MMinte, qui simulent les conditions du métabolisme et de la croissance de la communauté sur la base d’interactions denses entre les espèces. De telles adaptations et approches ingénieuses pourraient aider à comprendre les facteurs qui façonnent le VMB dynamique en matière de santé et de maladie dans différentes populations.
