他们的研究结果表明，特定的肠道细菌和化合物（称为代谢物）与每种疾病密切相关。这提高了用侵入性较小的方法更早诊断这些疾病的可能性。其中一些标记甚至可能预示多种疾病的风险。

人工智能揭示了跨疾病的共享肠道生物标志物

为了揭示这些模式，研究人员使用先进的机器学习和基于人工智能的工具来分析 GC、CRC 和 IBD 患者的微生物组和代谢组数据。通过比较不同疾病的数据，他们发现针对一种疾病训练的模型通常可以预测另一种疾病的标记。例如，基于GC数据的模型能够识别IBD生物标志物，而CRC模型可以准确预测GC相关标志物。

该研究由来自迪拜伯明翰大学（健康数据科学理学硕士项目的一部分）、英国伯明翰伯明翰大学和伯明翰大学医院 NHS 基金会信托基金的团队进行。他们的结果发表在转化医学杂志.

伯明翰大学的主要合著者 Animesh Acharjee 博士解释说：“目前的诊断方法，如内窥镜检查和活组织检查，虽然有效，但可能是侵入性的、昂贵的，有时会错过早期疾病。

“我们的分析可以更好地理解驱动疾病进展的潜在机制，并确定靶向治疗的关键生物标志物。这些生物标志物可以帮助更早、更准确地识别疾病，从而实现更好、更个性化的治疗。”

疾病特异性和重叠的肠道特征

该研究还强调了每种疾病的独特微生物和代谢模式，以及重要的重叠之处。

在 GC 中，常见厚壁菌门、拟杆菌门和放线菌门的细菌。研究人员还观察到二氢尿嘧啶和牛磺酸等代谢物的变化。其中一些标记也与 IBD 相关，表明它们具有共同的生物学特征。然而，虽然它们对于识别 IBD 很有用，但对于检测 CRC 的效果较差。

对于结直肠癌，关键指标包括梭杆菌和肠球菌等细菌，以及异亮氨酸和烟酰胺等代谢物。其中一些也出现在GC中，表明这些疾病可能具有共同的潜在生物学途径。

在 IBD 中，毛螺菌科细菌以及尿胆素和甘油酸等代谢物发挥了重要作用。值得注意的是，其中一些标记物还涉及癌症相关过程，强化了这些条件相互关联的观点。

模拟显示健康状态和患病状态之间的明显差异

该团队还模拟了肠道微生物如何生长以及代谢物如何流经生物系统。这些模拟揭示了健康个体和疾病患者之间明显的代谢差异，进一步支持了这些生物标志物在诊断中的作用。

“我们的研究的跨疾病分析强调了使用一种 GID 中鉴定的微生物和代谢生物标志物来预测另一种 GID 的潜力，”Acharjee 博士补充道。 “这种创新方法可能会导致通用诊断工具的开发，从而彻底改变多种胃肠道疾病的诊断和治疗。”

走向非侵入性测试和个性化治疗

展望未来，研究人员计划探索如何将这些发现应用于临床环境。这包括开发非侵入性诊断测试和基于已识别的生物标志物的更有针对性的治疗方法。

他们还打算使用更大、更多样化的患者群体来验证他们的模型，并研究这些生物标志物是否可以帮助预测未来其他相关疾病。