Microbioma integrato | SwiftSummit Innovations Inc.

Dati scientifici, volume 10, numero articolo: 280 (2023) Citare questo articolo

415 accessi

9 Altmetrico

Dettagli sulle metriche

Un eccessivo deposito di grasso può scatenare malattie metaboliche ed è fondamentale identificare i fattori che possono interrompere il legame tra deposito di grasso e malattie metaboliche. I maiali Laiwu (LW) obesi sani hanno un alto contenuto di grassi ma sono resistenti alle malattie metaboliche. In questo studio, abbiamo confrontato il microbioma fecale, il metaboloma fecale e sanguigno e il genoma dei suini LW e Lulai (LU) per identificare i fattori che possono bloccare il collegamento tra la deposizione di grasso e le malattie metaboliche. I nostri risultati mostrano differenze significative nelle Spirochete e nei Treponema, che sono coinvolti nel metabolismo dei carboidrati, tra LW e LU. La composizione del metaboloma fecale e del sangue era simile e alcuni componenti della malattia antimetabolica dei metaboliti del sangue erano diversi tra le due razze di suini. L'RNA differenziale previsto è arricchito principalmente nel metabolismo dei lipidi e nel metabolismo del glucosio, che è coerente con le funzioni del microbiota differenziale e dei metaboliti. Il gene sottoregolato RGP1 è fortemente correlato negativamente con il Treponema. I nostri dati omici fornirebbero risorse preziose per ulteriori ricerche scientifiche sull’obesità sana sia nell’uomo che nei suini.

Un eccessivo deposito di grasso può portare a danni cronici agli organi e malattie metaboliche1,2,3. Tuttavia, i soli fattori genetici non possono spiegare completamente queste condizioni4. Il ruolo dei fattori metabolici, come il microbiota intestinale e i metaboliti5,6,7,8, ha guadagnato crescente attenzione nella comprensione delle cause delle malattie metaboliche croniche indotte dall’obesità9,10,11. È stato dimostrato che i cambiamenti nella composizione del microbiota intestinale innescano malattie metaboliche croniche, tra cui ipertensione, aterosclerosi e diabete mellito di tipo 2 (T2DM)12,13,14. Il microbiota produce metaboliti essenziali come la trimetilammina N-ossido (TMAO) che è direttamente collegata alle malattie metaboliche croniche, come l'aterosclerosi, il T2DM, le malattie cardiovascolari (CVD) e l'ictus15,16,17,18. Inoltre, il microbiota intestinale può fermentare i carboidrati non assorbiti/non digeriti per produrre acidi organici alifatici come gli acidi grassi a catena corta (SCFA)19,20. Gli SCFA possono proteggere l'ospite dall'obesità indotta dalla dieta attraverso i recettori accoppiati alle proteine G e il microbiota regola indirettamente il metabolismo lipidico dell'ospite attraverso gli SCFA21,22,23. Pertanto, i microbi intestinali agiscono come un organo endocrino, producendo metaboliti bioattivi che influenzano la fisiologia dell’ospite7,24,25,26. Al contrario, studi recenti hanno dimostrato che il genoma ospite può influenzare i fenotipi correlati alterando il microbiota intestinale. Ad esempio, i genotipi ABO possono influenzare la struttura del microbiota intestinale regolando la N-acetilgalattosamina (GalNAc)27. Pertanto, l’integrazione dell’analisi omica può aiutare a identificare i fattori chiave che proteggono gli individui dalle malattie metaboliche.

I suini tendono a essere resistenti alle malattie metaboliche come la steatosi epatica non alcolica (NAFLD), il T2DM e le malattie cardiovascolari, anche se alimentati con diete ricche di grassi, fruttosio e carboidrati28,29. Questo fenomeno è simile all’obesità metabolica sana (MHO), che è obesa ma protegge dalle malattie metaboliche30. Il maiale demostico cinese Laiwu (LW) è noto per il suo alto contenuto di grassi, inclusi grasso sottocutaneo e grasso intramuscolare (IMF)31,32,33,34. In particolare, il FMI di LW è salito a oltre il 7%, la media fino all'11,6% e la più alta individuale fino al 21%. LW è stato incrociato con il maiale commerciale occidentale Yorkshire pig (YS) per allevare il maiale Lulai (LU) che ha il 50% di infiltrazione del gene LW35. Il contenuto di grassi del LU era inferiore a quello del LW e il FMI era di circa il 5%. In questo studio, abbiamo scelto otto suini LW e otto LU con dieta, igiene e condizioni ambientali simili per la gestione centralizzata per due anni (Tabella 1). Abbiamo elaborato il microbioma fecale, il metaboloma fecale, il metaboloma del sangue e l'intero genoma dei suini target (come mostrato in Fig. 1) per identificare i fattori chiave che proteggono gli individui dalle malattie metaboliche attraverso l'analisi di integrazione omica.

50% in the group. The positive and negative ion peaks then were integrated, and the software SIMCA-P 14.1 (Umetrics, Umea, Sweden) was used for pattern recognition. Accurate mass matching (<25 ppm) and secondary spectrum matching were used for metabolite structure identification, and the database such as Human Metabolome Database (HMDB) and Massbank Database were searched. After retrieving metabolites, metabolites were classified using MSDIAL search software. The data was normalized by Pareto-scaling for subsequent analysis./p> 60.0, MQ < 40.0, MQRankSum <−12.5, ReadPosRankSum <−8.0, SOR > 3.0; (2) minor allele frequency (MAF) < 0.01; (3) call rate of GATK variants < 0.9. The number of SNPs obtained is shown in Table 4. Genotype density distribution was mapped using the CMplot R package. Principal components analysis (PCA) was calculated using Plink47 (v1.9). Population genetic structure analysis was performed using Admixture48 (v1.3.0). PCA and Admixture analyses included the SNPs of Yorkshire pigs (YS), Duroc pigs (DU) and Landrace pigs (LR) were obtained from the PHARP database49 (http://alphaindex.zju.edu.cn/PHARP/index.php). FST analysis was performed using VCFtools50 (v0.1.13,–fst-window-size 50,000–fst-window-step 10,000. Window size 50 K, step size 10 K). Gene expression prediction was performed using the FarmGTEx TWAS-server51,52 (http://twas.farmgtex.org/). Functional annotation for gene ontology (GO) and KEGG was performed using http://kobas.cbi.pku.edu.cn/./p>1 and Pvalue < 0.05 (one-way ANOVA for multi-group comparison) to identify those with significant differences. Our results revealed 81 metabolites that differed significantly between the two porcine groups (Supplementary Table S5). Of these, 41 metabolites were more abundant in LW, including angelicin, securinine, hypoxanthine, betaine, cytidine, homocysteine, curdione, inosine, isopimpinellin, 5-methoxypsoralen, palmitoylcarnitine, citrate, stearic acid, cytarabine, licochalcone A, and N-acetylneuraminic acid. On the other hand, 40 metabolites were more abundant in LU, including nitrazepam, acetaminophen, icosanoic acid, gabapentin, spegatrine, juarezic acid, dehydroeffusol, gomisin H, and DL-2-hydroxyvaleric acid. Notably, some of these changing blood metabolites may be related to the fat content of pigs, as they have been shown to have anti-adipogenesis and anti-chronic metabolic disease effects. For instance, hydroxy fatty acids have been reported to exhibit anti-diabetic and anti-inflammatory effects60, and tanshinone IIA is used to treat cardiovascular diseases and has anti-adipogenesis effects61,62,63. Betaine has anti-fatty liver and anti-inflammatory properties, which can prevent hyperglycemia and reduce insulin resistance64,65,66./p> 0.6, Pvalue < 0.05, Supplementary Table S9)./p>