Dall’analisi della metagenomica, ossia dallo studio del microbiota attraverso il sequenziamento del DNA dei batteri, è possibile diagnosticare in maniera non invasiva la presenza di malattie infiammatorie intestinali. In particolare, sono stati individuati dei criteri e dei parametri specifici per discriminare chi presenta questo genere di patologia dalle persone sane.
Le informazioni che si ottengono da questa analisi sono utili anche per identificare il trattamento più adatto, nonché per anticipare le possibili evoluzioni dello stato patologico.
Le malattie infiammatorie intestinali sono un gruppo di disturbi caratterizzati dalla presenza da un’infiammazione cronica del tratto gastrointestinale, che portano alla manifestazione di malattie come la colite ulcerosa e il morbo di Crohn. Attualmente la diagnosi di queste patologie si basa su analisi istopatologiche ed endoscopiche: queste metodologie, però, hanno scarsa capacità differenziante e non permettono una diagnosi precoce e affidabile.
I recenti progressi nell’ambito della metagenomica, invece, hanno permesso di utilizzare il microbioma come strumento diagnostico diffuso. E uno studio scientifico, pubblicato su Nature Scientific Reports nell’aprile di quest’anno, ha messo in luce nuovi metodi computazionali altamente efficaci che si basano su caratteristiche discriminanti del microbiota intestinale. Oltre alla riduzione dei possibili errori umani – come spiegato gli autori della ricerca, che provengono principalmente dai centri della Svizzera – l’approfondimento della metagenomica potrebbe portare aduna più semplice diagnosi precoce di molte patologie.
Il modello predittivo migliora sulla base dei dati che continuamente vengono inseriti nel sistema computazione, perciò, grazie alla coorte di pazienti che effettuano i test si potranno individuare nuove correlazioni e ulteriori criteri di analisi. L’approccio guidato dalla metagenomica, per di più, consente di differenziare la maggior parte delle malattie infiammatorie intestinali, anche se in alcuni casi le informazioni a disposizione potrebbero non essere sufficienti per raggiungere il livello di precisione ricercato.
Ma non si tratta di un ostacolo insormontabile: infatti, è possibile risolvere questo problema attraverso l’analisi aggregata di più algoritmi differenti, combinando modelli predittivi che utilizzano criteri diversi.
Fonte: https://www.nature.com/articles/s41598-023-33050-0