WO2020226535A1 - Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты - Google Patents

Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты Download PDF

Info

Publication number
WO2020226535A1
WO2020226535A1 PCT/RU2020/050090 RU2020050090W WO2020226535A1 WO 2020226535 A1 WO2020226535 A1 WO 2020226535A1 RU 2020050090 W RU2020050090 W RU 2020050090W WO 2020226535 A1 WO2020226535 A1 WO 2020226535A1
Authority
WO
WIPO (PCT)
Prior art keywords
dietary intervention
dietary
user
data
composition
Prior art date
Application number
PCT/RU2020/050090
Other languages
English (en)
French (fr)
Inventor
Александр Викторович ТЯХТ
Анна Сергеевна ПОПЕНКО
Дмитрий Глебович АЛЕКСЕЕВ
Наталья Сергеевна КЛИМЕНКО
Сергей Владимирович МУСИЕНКО
Original Assignee
Общество с ограниченной ответственностью "Кномикс"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Общество с ограниченной ответственностью "Кномикс" filed Critical Общество с ограниченной ответственностью "Кномикс"
Priority to EP20802047.9A priority Critical patent/EP3968338A4/en
Publication of WO2020226535A1 publication Critical patent/WO2020226535A1/ru

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • This technical solution generally relates to the field of microbiology, as well as to the use of computing technology in microbiology and dietetics, and in particular to methods and systems for studying and interpreting data on the composition of the human intestinal microbiota in order to develop recommendations for the user on the use of food supplementation and diet.
  • the human body contains about 100 trillion bacteria, which significantly exceeds the total number of eukaryotic cells in all tissues and organs of humans.
  • the collection of all human microorganisms is called the microbiota, and the collection of their genes is called the metagenome.
  • Most of the microorganisms are located in the gastrointestinal tract (GIT), therefore, the study of the GIT microbiota and the interpretation of these data is a very important technical task.
  • GIT gastrointestinal tract
  • Recent studies have shown that changes in the species composition of microorganisms present in the gastrointestinal tract, as well as quantitative changes in certain types of gastrointestinal microorganisms, can be associated with various human diseases (Shaw et al. 2016; de la Cuesta-Zuluaga et al.
  • Microorganisms use nutrients and dietary fiber from food for their reproduction. In turn, they synthesize vitamins, partly supplied to the human body, and short-chain fatty acids (SCFA), some of which have anti-inflammatory, anti-cancer effects and play an important role in the regulation of the systems of the human body.
  • SCFA short-chain fatty acids
  • An imbalance in the composition of the microbiota can lead to the development of chronic inflammatory conditions. This, together with other factors, can lead to various serious diseases: type 2 diabetes mellitus, Crohn's disease and ulcerative colitis, obesity, etc.
  • the prior art contains numerous sources of information indicating the importance of consuming probiotics (Isolauri et al. 2000; Kim et al. 2010; Singh et al. 2013) (living symbiotic microorganisms that, when taken in adequate amounts, can have a positive effect on human health - both separately and as part of food products, for example, fermented milk products), as well as a balanced diet rich in dietary fiber (acting as prebiotics - food components that cannot be absorbed by humans, but cause the growth or increase in the activity of symbiotic microorganisms) to maintain a healthy microbiota in the human gastrointestinal tract, and potentially prevent the development or improvement of symptoms of the above diseases (Khaw and Barrett-Connor 1987; Ludwig et al.
  • the technical problem or technical problem solved in this technical solution is the implementation of a method and system for determining the effectiveness of dietary interventions for an individual user, including the addition of dietary fiber to food a certain type or other prebiotics, consuming certain foods fortified with probiotics or dietary supplements with probiotics, and adding, limiting or eliminating certain foods from the diet.
  • the technical result achieved when solving the above technical problem is to increase the effectiveness of various dietary interventions, assessed as a change in the composition of the intestinal microbiota of an individual user (for example, the relative abundance of microbial taxa) and / or as an effect on the user's health.
  • the specified technical result is achieved by implementing a method for generating recommendations for a dietary intervention for a user, in which a set is obtained, consisting of at least one dietary intervention for at least one user and his data containing at least data on the composition of his microbiota intestine and data on the representation of taxa of microorganisms present in the gastrointestinal tract on the server; then, data sets on changes in the representation of microbial taxa present in the gastrointestinal tract in users after the at least one dietary intervention obtained in the previous step are retrieved from at least one database of dietary interventions by means of a processor, while selecting only data sets from users living on the same territory as the specified user; further distribute each of the number of users selected at the previous step, who have data sets, into a group with a high degree of response (responder) to the received dietary intervention and with a low degree of response (nonresponder), using as a measure of the degree of response the amount of change in the representation of microbial taxa present in the gastrointestinal tract after dietary
  • the degree of response to the intervention is assessed additionally by the results of biochemical tests and / or questionnaires on gastrointestinal symptoms and / or frequency of bowel movements and / or well-being.
  • the biochemical test is an analysis of the level of triglycerides and other parameters in the blood and / or a coprogram, and / or a microbiological analysis of feces.
  • a random forest algorithm a support vector machine, an artificial neural network are used as an algorithm for predicting the degree of an individual response.
  • users are referred to the group of responders for dietary intervention, those in which the magnitude of the change in the abundance of microbial taxa after said intervention exceeded the threshold value, or to the group of non-responders, those in which this value did not exceed the threshold value.
  • data sets from users are obtained by analyzing microbiota samples obtained from users and containing microorganisms present in the gastrointestinal tract of these users.
  • the samples obtained from users are stool samples.
  • datasets from users are obtained by sequencing libraries prepared from DNA isolated from samples using enzymatic lysis and / or mechanical lysis and / or washing.
  • the standardized technique is DNA sequencing of complete or partial sequence of 16S rRNA genes or whole genome metagenomic sequencing.
  • the amount of change in the abundance of microbial taxa is calculated using only predetermined taxa.
  • the dietary intervention is the long-term intake of a product or a plurality of foods rich in a particular class of dietary fiber, prebiotic, probiotic, or food product enriched with prebiotics or probiotics.
  • the dietary intervention is fasting.
  • the recommendation is to exclude a certain food product, probiotic, or prebiotic from the diet based on the fact that the subject was assigned to the group of non-responders for the specified intervention.
  • a recommendation is generated for multiple interventions.
  • FIG. 1 shows an embodiment of a method for generating individual dietary recommendations based on an analysis of the composition of the microbiota in the form of a block diagram.
  • FIG. 2 shows the ROC-curve for the classifier, which allows to determine the degree of response to a diet rich in dietary fiber, according to the composition of the microbiota before the intervention.
  • FIG. 3 shows the ROC-curve for the classifier, which allows to determine the degree of response to the intake of a product enriched with probiotics, according to the composition of the microbiota before the intervention.
  • FIG. 4 shows an embodiment of a system for generating individual dietary recommendations based on an analysis of the composition of the microbiota in the form of a block diagram.
  • a system means a computer system, a computer (electronic computer), CNC (numerical control), PLC (programmable logic controller), computerized control systems and any other devices capable of performing a given, well-defined sequence of operations (actions, instructions).
  • command processor an electronic unit or an integrated circuit (microprocessor) that executes machine instructions (programs).
  • a command processor reads and executes machine instructions (programs) from one or more storage devices.
  • Data storage devices can be, but are not limited to, hard disks (HDD), flash memory, ROM (read only memory), solid-state drives (SSD), optical drives.
  • a program is a sequence of instructions for execution by a computer control device or an instruction processing device.
  • microbiota normal microflora, normal flora, microbial
  • the microbiota is the totality of all microorganisms in the human body.
  • DNA sequencing Determination of the sequence of nucleotides in a DNA molecule. This can mean both aml icon sequencing (reading the sequences of isolated DNA fragments obtained as a result of a PCR reaction, such as the 16S rRNA gene or its fragments), and whole genome sequencing (reading the sequences of all DNA present in the sample). [0031] Reads (reads) - data representing the nucleotide sequences of DNA fragments obtained using a DNA sequencer.
  • FASTA is a format for recording DNA sequences.
  • FASTQ is a DNA sequence recording format that records the hardware read quality of each position.
  • Read Mapping is a bioinformatic method for analyzing the sequencing results of a new generation, which consists in determining the positions in the reference database of genomes or genes, from where each specific short read could be obtained with a high and highest probability.
  • Biomarker - a biological measurable factor - for example, the relative abundance of a bacterial species or genus associated with the presence or absence of a particular condition in the host organism, for example, a certain disease.
  • Taxonomy is the teaching of the principles and practice of classifying and systematizing complex hierarchically related entities.
  • Donor - a person who provides a sample of microbiota for subsequent analysis of the composition or other purposes - for example, transplantation into a recipient.
  • the dietary intervention can be a long-term intake of foods rich in dietary fiber, prebiotics, probiotics, or foods fortified with probiotics.
  • the terms “includes” and “including” are interpreted as meaning “includes, among other things”. These terms are not intended to be construed as “consists only of”. Unless otherwise specified, technical and scientific terms in this description have the standard meanings generally accepted in the scientific and technical literature. [0041]
  • the representation of microbial taxa means a set of quantitative data on microorganisms present in the gastrointestinal tract of subjects. Typically, these are data at the genus level of microorganisms collected in representation tables. To determine the taxonomic composition of the microbiota, taxon-specific real-time PCR is used, or 16S rRNA gene sequencing, or whole-genome metagenomic sequencing (WGS), or hybridization panels for intestinal microbes.
  • the species composition of a microbiota sample is a set of values for the relative abundance of all microbial taxa detected in the sample.
  • a-diversity is a numerical value characterizing the diversity of the microbial community for a single microbiota sample.
  • A-diversity is calculated using one or another algorithm based on data on the species composition of the microbiota.
  • b-diversity is a numerical value that characterizes the measure of difference between two microbial communities. This is the diversity between communities, an indicator of the degree of differentiation of the distribution of species. A possible way to determine b-diversity is to compare the species composition of different communities. The fewer species common between two communities, the higher the b-diversity.
  • a method for generating individual dietary recommendations based on an analysis of the composition of the microbiota is detailed below and shown in block diagram form in FIG. 1.
  • Step 110 receive a kit consisting of at least one dietary intervention for at least one user and his data containing at least his data on the composition of the intestinal microbiota and data on the representation of taxa of microorganisms present in the gastrointestinal tract, to the server ...
  • prebiotics can be consumed as isolated components (in capsules), as part of a plant extract (for example, wheat bran).
  • prebiotic intervention can be carried out by increasing the intake of foods rich in this fiber (eg Jerusalem artichoke and chicory in the case of inulin).
  • foods rich in this fiber eg Jerusalem artichoke and chicory in the case of inulin.
  • SCFA short-chain fatty acids
  • Probiotic potential is a strain-specific property.
  • the genera that include the largest number of probiotic strains used are Bifidobacterium (B. animalis, B. longum, B. bifidum species) and Lactobacillus (L. rhamnosus, L. casei, L. reuteri species).
  • the Bifidobacterium animalis subsp. lactis BB-12 it is able to withstand the aggressive effects of bile and gastric juice in the human gastrointestinal tract, can be fixed on the intestinal wall; taking it can reduce the risk of acute diarrhea in children, reduce the incidence of respiratory diseases, and can normalize bowel function (including the frequency of bowel movements and the consistency of feces).
  • Another example is the Lactobacillus casei strain of Shirota: in addition to the increased ability of survival in the gastrointestinal tract, it is active against pathogenic bacterial species, normalizes digestion, and is able to modulate the immune system.
  • obtaining a dataset on the abundance of taxa of microorganisms is as follows.
  • sampling kit which may include a sample container having a process reagent component and configured to receive a sample from a collection site by a user, which may be remote. Additionally or alternatively, the sampling kit can be provided directly through an indoor or outdoor device that is designed to facilitate receiving a sample from a user. In other embodiments, the sampling kit may be handed over at a clinic or other medical facility to a medical laboratory technician, and previously delivered to the user, for example by courier. However, the provision of the user sampling kit (s) to the primary data acquisition unit may additionally or alternatively be performed in any other suitable manner, for example, frozen in a sterile container.
  • the input samples can be stool samples that can be processed, for example, in a laboratory, and from which data on the composition of the gut microbiota is obtained by sequencing. Treatment includes the stages of purification of the sample from debris by centrifugation, isolation of total DNA, including bacteria and archaea. Alternatively, the 16S rRNA gene or other marker gene can be amplified from total DNA, depending on the sequencing format.
  • Subjects or in other words, patients, users, and so on, not limited in terminology participating in the study, in a particular embodiment of the technical solution donated microbiota samples immediately before and after the dietary intervention.
  • the dietary intervention was continued for a specific period of time, for example, for two weeks or one month. During this period, subjects followed dietary recommendations based on the planned dietary intervention.
  • Microbiota samples were collected by the subjects themselves, frozen and transported to the laboratory, where the DNA extraction procedure and the 16S region sequencing were performed (as described in Klimenko NS, et al., Nutrients. 2018 May 8; 10 (5)). Sequencing was performed on a MiSeq instrument (lllumina, USA). Sequencing results were processed using the QIIME v.
  • Step 120 data sets on changes in the representation of microbial taxa present in the gastrointestinal tract in users after the at least one dietary intervention obtained in the previous step are retrieved from at least one database of dietary interventions, while selecting only data sets from users living in the same territory as the specified user [0056]
  • the metabolic potential of bacteria was further predicted using the Greengenes v. 13.5 [DeSantis, TZ; et al., Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB.
  • PICRUSt computer program [Langille, MG; et al., Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nature biotechnology 2013, 31, 814] using a processor. Predicting the metabolic potential of a bacterium allows one to estimate the relative abundance of genes, metabolic pathways, and modules in the bacterial community. In other embodiments, the prediction of the metabolic potential of the bacteria can be performed on any other data processing device.
  • the database can be a relational database, an object-oriented database, a hierarchical database, a network database, other types of databases, some combination or extension of the above.
  • the data which is a set of suggested dietary interventions, as well as user data, can be organized in tables, records, objects, other data structures, and the like. Data can also be stored in special database files, special hard disk partitions, HTML files, XML files, spreadsheets, flat files, document files, configuration files, other files, etc. in the memory of computing system 400, described below.
  • a database can refer to a read-only dataset, or be able to read and write to a dataset.
  • Step 130 allocate each of the users selected in the previous step having datasets to a group with a high response rate (responder) to the received dietary intervention and a low response rate (non-responder), using the response rate as a measure the magnitude of the change in the representation of microbial taxa present in the gastrointestinal tract after dietary intervention.
  • the division of the subjects participating in the study into groups depending on the degree of change in their microbiota was performed as follows.
  • the degree of response - changes in the composition of the microbiota - for each subject was calculated by calculating b-diversity between the sample before and after the intervention according to the Generalized Unifrac metric [Chen, J .; et al. , Associating microbiome composition with environmental covariates using generalized UniFrac distances. Bioinformatics 2012,28,2106-2113].
  • the users were divided into two clusters (responders and non-responders) by applying the k-means algorithm to the distance array.
  • both qualitative and quantitative b-diversity metrics between microbiota samples before and after dietary intervention can be used as a measure of response.
  • quantitative metrics you can use Bray-Curtis distance, Weighted Unifrac, Generalized Unifrac, but not limited to.
  • Qualitative metrics used in microbiota analysis include Jaccard index, Unweighted Unifrac.
  • the amount of change in the presence of bacteria associated with human health benefits can be used as a measure of response.
  • the response can be estimated as changes in alpha diversity (community diversity), as well as the level of the predicted metabolic potential of the microbiome for the production of SCFA (including butyric acid).
  • bacteria differing in relative abundance before diet in the group with increased and decreased response to dietary intervention were determined using the metagenomeSeq algorithm [Paulson, JN; Pop, M .; Bravo, H. metagenomeSeq: Statistical analysis for sparse high-throughput sequencing, 2013. Bioconductor package: 1.16.0.].
  • bacteria differing in relative abundance before diet in the group with increased and decreased response to dietary intervention can be determined using methods such as linear regression, the MaAsLin algorithm [Morgan XC, et al ... Dysfunction of the intestinal microbiome in inflammatory bowel disease and treatment. Genome Biol. 2012 Apr 16; 13 (9): R79.], Generalized linear regression or Mann-Whitney test, but not limited to.
  • Step 140 based on the data on the composition of the gut microbiota and the response group to the received dietary intervention of the users extracted earlier, an algorithm for predicting the degree of the individual response to the received intervention according to the composition of the intestinal microbiota is formed, classifying the user as a responder or a non-responder.
  • the prediction of the degree of response to dietary intervention by the composition of the microbiota was performed as follows. To determine the potential of the microbiota to predict the degree of response to dietary intervention, a classifier was constructed for each of the studies. To build the classifier, the random forest algorithm was chosen. As predictors, we used the relative abundance of bacteria that significantly differ in their abundance in the microbiota before the diet in the group with increased and decreased response rates. The classifier has been built and tested at each taxonomic level.
  • linear regression logistic regression, generalized linear models, regularization regression, support vector machine, Bayesian classifier, neural networks can be used as a machine learning algorithm.
  • the abundance of bacteria, metabolic pathways, modules, a-diversity, and the abundance of various groups of bacteria can act as predictors.
  • the predictors can be mathematically transformed before passing them to the classifier to better match their distribution to the chosen model. If the classifier issues a numerical value corresponding to the probability of assigning an individual to one of the clusters, a threshold value is selected, starting from which an individual will be assigned to a group with an increased degree of response.
  • the training of the classifier occurs on a dataset, for which it is known to which group the users belong - with a high or low response to a certain intervention.
  • the sample must be balanced. Further, this sample is divided into training and test in a 2: 1 ratio.
  • various parameters of the algorithm are optimized for the optimal classification of the training sample.
  • the characteristics of the classifier are assessed: sensitivity, specificity, and others. Sample splitting with subsequent training and estimation of model parameters is carried out in several iterations. Next, the parameters of the model are averaged, and in the case of good characteristics, the classifier is trained on the entire sample.
  • datasets from subjects residing in the same area For comparative analysis of datasets from different subjects, it is preferable to use datasets from subjects residing in the same area. For example, the similarity of the place of residence (a certain territory), the similarity of the choice of place of residence (city, town, village), nationality, belonging to a particular social class, is important for minimizing the systematic error in determining the representation of bacterial taxa in the digestive tract of subjects. Also, to improve the most generalized results, it is preferable that the cohort is balanced in terms of gender (includes equal proportions of participants of both genders) and age (different age groups are sufficiently represented).
  • Step 150 classify at least one user, for which dietary intervention recommendations are then generated as a responder or non-responder based on an algorithm for predicting the degree of individual response, and if the user was classified as a responder to the received dietary intervention, a recommendation is formed thereon ...
  • data from an uncontrolled study of increased intake of fiber-rich foods were used as data.
  • the study involved 215 people on a fiber-rich diet for two weeks.
  • a sample of microbiota (feces) was collected from the participants before and after the dietary intervention; samples were analyzed using 16S rRNA sequencing.
  • the rate of change in the composition of the microbiota was used to classify subjects into groups with a high or low degree of response to food intake using the Generalized Unifrac b-diversity metric.
  • the division into two clusters was carried out by applying the k-means method to the distance vector.
  • the level of the pathway associated with the degradation of carbohydrate components of mucose - “Other glycan degradation pathway” was also increased.
  • the classifier for determining the degree of response by the composition of the microbiota was constructed using the random Forest algorithm, using all taxa of bacteria that significantly differ in representation between groups before the diet, as predictors. The classifier has been built and tested at each taxonomic level. Cross-validation was carried out (10 random samples of samples, 70% training, 30% testing). For each iteration, an ROC curve was constructed and the area under the curve parameter was calculated, by which the prediction accuracy was estimated, as shown in FIG. 2. The area under the curve was 0.78 for this classifier.
  • the degree of change in the composition of the microbiota was used using the Bhay-Curtis b-diversity metric, applied to the representation of the group of lactose-fertile bacteria.
  • the division into two clusters was carried out by applying the k-means method to the distance vector.
  • the search for taxa that significantly differ in the relative abundance between the groups that reacted more and less strongly to the intervention was carried out using the metagenomeSeq algorithm.
  • the group with an increased degree of response to dietary intervention was characterized by a reduced representation of the types Euryarcheota (order Methanobacteria) and Firmicutes (orders Acidaminococcales, Clostridiales).
  • the level of Folate biosynthesis (ko00790) was increased compared to the group that responded weaker to dietary intervention.
  • a classifier for determining the degree of response by the composition of the microbiota was constructed using the random Forest algorithm, using all taxa of bacteria significantly different between groups before diet as predictors. The classifier was built and tested on each taxonomic level. Cross-validation was carried out (10 random samples of samples, 70% training, 30% testing). For each iteration, an ROC curve was constructed and the area under the curve parameter was calculated, by which the prediction accuracy was estimated, as shown in FIG. 3. The area under the curve was 0.75 for this classifier.
  • this solution may be implemented as a computing system 400 that includes one or more of the following components:
  • a processing component 401 comprising at least one processor 402
  • the processing component 401 generally controls all operations of the system 400, such as generating a set of content hashtags for the user, and also controls the display, phone call, data transfer, camera operation, and recording operation of the user's mobile communications device.
  • the processing unit 401 may include one or more processors 402 that implement instructions to complete all or part of the steps from the above methods.
  • the processing module 401 may include one or more modules for convenient interaction between other processing modules 401 and other modules.
  • processing module 401 may include multimedia a module for convenient lightweight interaction between the media component 405 and the processing component 401.
  • Memory 403 is configured to store various types of data to support the operation of system 400, such as a user profile database. Examples of such data include instructions from any application or method, contact information, address book data, messages, images, videos, etc., all of which operate on system 400.
  • Memory 403 may be implemented as any type of volatile storage device, nonvolatile memory, or a combination thereof, such as static random access memory (SRAM), Electrically Erasable Programmable Read Only Memory (EEPROM), Erasable Programmable Read Only Memory (EPROM), Programmable Read Only Memory (EPROM), Read Only Memory device (ROM), magnetic memory, flash memory, magnetic disk or optical disk, and others, but not limited to.
  • SRAM static random access memory
  • EEPROM Electrically Erasable Programmable Read Only Memory
  • EPROM Erasable Programmable Read Only Memory
  • EPROM Programmable Read Only Memory
  • ROM Read Only Memory device
  • magnetic memory flash memory
  • flash memory magnetic disk or optical disk, and others, but not limited to.
  • the multimedia component 405 includes a screen that provides an output interface between a system 400 that may be installed on a user's mobile communications device and a user.
  • the screen may be a liquid crystal display (LCD) or a touch panel (TP). If the screen includes a touch panel, the screen may be implemented as a touch screen for receiving input from a user.
  • the touchpad includes one or more touch sensors in terms of gestures, touching and sliding the touchpad. The touch sensor can not only sense the user's touch boundary or swipe gesture, but also detect the length of time and pressure associated with touch and slide operation.
  • the multimedia component 405 includes one front camera and / or one rear camera.
  • the audio component 406 is configured to output and / or input an audio signal.
  • the audio component 406 includes a single microphone (MIC) that is configured to receive an external audio signal when the system 400 is in a mode of operation such as a call mode, a recording mode, and a speech recognition mode.
  • the resulting audio signal can be further stored in memory 403 or routed to data transfer component 409.
  • the audio component 406 also includes one speaker configured to output an audio signal.
  • An input / output (I / O) interface 407 provides an interface between the processing component 401 and any peripheral interface module.
  • the above peripheral interface module may be a keyboard, steering wheel, button, etc. These buttons may include, but are not limited to, a start button, a volume button, a start button, and a lock button.
  • the sensor component 408 contains one or more sensors and is configured to provide various aspects of assessing the state of the system 400.
  • the sensor component 408 can detect the ON / OFF states of the system 400, the relative position of components, such as a display and a keypad, of one component system 400, the presence or absence of contact between the user and the system 400, and the orientation or acceleration / deceleration and temperature change of the system 400.
  • the sensor component 408 comprises a proximity sensor configured to detect the presence of an object in the vicinity when there is no physical contact.
  • Touch component 408 includes an optical sensor (eg, CMOS or CCD image sensor) configured for use in rendering an application.
  • sensor component 408 comprises an acceleration sensor, gyroscope sensor, magnetic sensor, pressure sensor, or temperature sensor.
  • the communication component 409 is configured to facilitate wired or wireless communication between the system 400 and other devices.
  • System 400 can access a wireless network based on a communication standard such as WiFi, 2G, 3G, 5G, or a combination thereof.
  • the communication component 409 receives a broadcast signal or broadcast associated information from an external broadcast control system via a broadcast channel.
  • communication component 409 comprises a Near Field Communication (NFC) module to facilitate near field communication.
  • NFC Near Field Communication
  • the NFC module may be based on radio frequency identification (RFID) technology, infrared data association (IrDA) technology, ultra-wideband (UWB) technology, Bluetooth (BT) technology, and other technologies.
  • RFID radio frequency identification
  • IrDA infrared data association
  • UWB ultra-wideband
  • Bluetooth Bluetooth
  • system 400 may be implemented by one or more Application-Specific Integrated Circuits (ASICs), Digital Signal Processors (DSPs), Digital Signal Processing Devices (DSPs), Programmable Logic Devices (PLCs), a logic chip programmed into operating conditions (FPGA), controller, microcontroller, microprocessor or other electronic components, and can be configured to implement the album display method.
  • ASICs Application-Specific Integrated Circuits
  • DSPs Digital Signal Processors
  • DSPs Digital Signal Processing Devices
  • PLCs Programmable Logic Devices
  • FPGA logic chip programmed into operating conditions
  • controller microcontroller, microprocessor or other electronic components, and can be configured to implement the album display method.
  • a nonvolatile computer-readable medium comprises instructions also provided, for example, memory 403 includes instructions where instructions are executed by processor 401 of system 400 to implement the above-described methods for automated construction of a multimodal freight service.
  • nonvolatile computer readable media can be ROM, random access memory (RAM), compact disc, magnetic tape, floppy disks, optical storage devices, and the like.
  • Computing system 400 may include a display interface that transmits graphics, text, and other data from a communications infrastructure (or from a framebuffer, not shown) for display on a multimedia component 405.
  • Computing system 400 further includes input devices or peripherals.
  • Peripheral devices may include one or more devices for interacting with a user's mobile communications device, such as a keyboard, microphone, wearable device, camera, one or more sound speakers and other sensors.
  • Peripheral devices can be external or internal to the user's mobile communications device.
  • a touchscreen can display, typically graphics and text, and also provides a user interface (such as, but not limited to, a graphical user interface (GUI)) through which a user can interact with the user's mobile communication device, such as access and interact with applications running on the device.
  • GUI graphical user interface
  • All blocks used in the system can be implemented with electronic components used to create digital integrated circuits, which is obvious to a person skilled in the art. Not limited to, can be used microcircuits, the logic of which is determined during the manufacture, or programmable logic integrated circuits (FPGA), the logic of which is set through programming.
  • FPGA programmable logic integrated circuits
  • programmers and debugging environments are used that allow you to set the desired structure of a digital device in the form of a circuit diagram or a program in special hardware description languages: Verilog, VHDL, AHDL, etc.
  • FPGAs programmable logic controllers
  • BMK basic matrix crystals
  • ASICs specialized custom large integrated circuits (LSIs), which are significantly more expensive in small-scale and unit-production.
  • the FPGA itself consists of the following components:
  • Blocks can also be implemented with read-only memory devices.
  • aspects of the present technical solution may be implemented as a system, method, or computer program product. Accordingly, various aspects of the present technical solution may be implemented solely as hardware, as software (including application software and so on), or as an embodiment combining software and hardware aspects, which may generally be referred to as a "module” , “System” or “architecture”. In addition, aspects of the present technical solution may take the form of a computer program product implemented on one or more computer-readable media having computer-readable program code that is implemented thereon.
  • the computer-readable storage medium can be, without limitation, an electronic, magnetic, optical, electromagnetic, infrared, or semiconductor system, apparatus, device, or any suitable combination thereof. More specifically, examples (non-exhaustive list) of a computer-readable storage medium include: electrical connection using one or more wires, a portable computer diskette; hard disk, random access memory (RAM), read only memory (ROM), erasable programmable read only memory (EPROM or Flash memory), fiber optic connection, compact disk read only memory (CD-ROM), optical storage device, magnetic storage device, or any combination of the above.
  • a computer-readable storage medium can be any flexible storage medium that can contain or to store the program for use by the system itself, device, apparatus or in connection with them.
  • Program code embedded in a computer-readable medium can be transmitted using any medium, including, without limitation, wireless, wired, fiber optic, infrared, and any other suitable network or combination of the above.
  • Computer program code for performing operations for the steps of the present technical solution may be written in any programming language or combinations of programming languages, including an object-oriented programming language such as Java, Smalltalk, C ++, and so on, and conventional procedural programming languages such as programming language "C" or similar programming languages.
  • the program code can be executed on the user's computer in whole, in part, or as a separate software package, partially on the user's computer and partially on the remote computer, or completely on the remote computer.
  • the remote computer can be connected to the user's computer through any type of network, including a local area network (LAN), a wide area network (WAN), or a connection to an external computer (for example, via the Internet using Internet providers).
  • LAN local area network
  • WAN wide area network
  • Internet providers for example, via the Internet using Internet providers.
  • These computer program instructions may also be stored on a computer-readable medium that can control a computer other than a programmable data processing device or devices that function in a particular way, such that the instructions stored on the computer-readable medium create a device including instructions that perform the functions / actions specified in the block diagram and / or diagram.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Food Science & Technology (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Nutrition Science (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

Изобретение относится к области микробиологии. Предложен способ и компьютерная система генерации рекомендации по диетической интервенции для пользователя. Способ включает получение набора, состоящего из предполагаемой диетической интервенции для пользователя и из данных о составе его микробиоты кишечника, на сервер; извлечение из базы данных диетических интервенций наборов данных об изменении состава микробиоты кишечника у субъектов после диетической интервенции; распределение каждого из выбранных субъектов в группу с высокой степенью ответа (респондер) и с низкой степенью ответа (нереспондер) на полученную диетическую интервенцию; формирование на основании данных субъектов и группы ответа алгоритма предсказания степени индивидуального ответа на диетическую интервенцию; классифицирование пользователя как респондера или нереспондера и формирование рекомендации по диетической интервенции для пользователя.

Description

СПОСОБ И СИСТЕМА ГЕНЕРАЦИИ ИНДИВИДУАЛЬНЫХ РЕКОМЕНДАЦИЙ ПО ДИЕТЕ НА ОСНОВАНИИ АНАЛИЗА СОСТАВА МИКРОБИОТЫ
ОБЛАСТЬ ТЕХНИКИ
[001] Данное техническое решение в общем относится к области микробиологии, а также к применению вычислительной техники в микробиологии и диетологии, а в частности, к способам и системам для исследования и интерпретации данных о составе микробиоты кишечника человека с целью выработки рекомендаций пользователю по использованию пищевых добавок и диете.
УРОВЕНЬ ТЕХНИКИ
[002] Организм человека содержит порядка 100 триллионов бактерий, что значительно превышает общее число эукариотических клеток всех тканей и органов человека. Совокупность всех микроорганизмов человека называется микробиотой, а совокупность их генов — метагеномом. Большая часть микроорганизмов находится в желудочно-кишечном тракте (ЖКТ), поэтому исследование микробиоты ЖКТ и интерпретация этих данных является очень важной технической задачей. Исследования последних лет показали, что изменения видового состава микроорганизмов, присутствующих в ЖКТ, а также количественные изменения отдельных видов микроорганизмов ЖКТ, могут быть ассоциированы с различными заболеваниями человека (Shaw et al. 2016; de la Cuesta-Zuluaga et al. 2018; Cui et al. 2017; Gevers et al. 2014). Данная ассоциация обусловлена возникшим симбиозом между организмом человека и микробиотой. Микроорганизмы используют питательные вещества и пищевые волокна, поступающие с пищей, для своего размножения. В свою очередь, они синтезируют витамины, частично поступающие в организм человека, и короткоцепочечные жирные кислоты (КЖК), некоторые из которых обладают противовоспалительным, противораковым действием и играют важную роль в регуляции систем организма человека. Дисбаланс состава микробиоты может вызывать развитие хронических воспалительных состояний. Это, в совокупности с другими факторами, может приводить к различным серьезным заболеваниям: сахарному диабету второго типа, болезни Крона и язвенному колиту, ожирению и др. [003] В уровне техники содержатся многочисленные источники информации, указывающие на важность употребления пробиотиков (Isolauri et al. 2000; Kim et al. 2010; Singh et al. 2013) (живых симбиотических микроорганизмов, которые при приеме в адекватном количестве могут оказывать положительное влияние на здоровье человека - как отдельно, так и в составе пищевых продуктов, например, кисломолочных продуктов), а также сбалансированной диеты, богатой пищевыми волокнами (выступающими в роли пребиотиков - компонентов пищи, не усваиваемых человеком, но вызывающих рост или повышение активности симбиотических микроорганизмов), для поддержания здоровой микробиоты в ЖКТ человека, и потенциально, предотвращения развития или улучшения симптомов вышеуказанных заболеваний (Khaw and Barrett-Connor 1987; Ludwig et al. 1999; Anderson et al. 1987). Однако проведенные клинические исследования, изучавшие эффективность пробиотиков и пребиотиков для профилактики и лечения этих заболеваний, показали неоднозначные результаты (Rondanelli et al. 2017; Makki et al. 2018). Исследования показывают, что не все люди одинаково реагируют на одни и те же пищевые добавки, и реакция организма зависит в том числе от начального состава микробиоты в ЖКТ индивида. Например, один и тот же продукт может вызывать существенные изменения в микрофлоре ЖКТ одних индивидуумов и вызывать лишь небольшие изменения у других (Klimenko NS, et al., Microbiome Responses to an Uncontrolled Short-Term Diet Intervention in the Frame of the Citizen Science Project. Nutrients. 2018 May 8; 10(5)). Таким образом, несмотря на наличие общих для широкого круга населения рекомендаций по сбалансированному питанию, сохраняется потребность в способах выработки индивидуальных диетических рекомендаций для конкретного пациента, учитывающий состав его микробиоты в ЖКТ.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[004] Данное техническое решение направлено на устранение недостатков, свойственных решениям, известным из уровня техники.
[005] Технической задачей или технической проблемой, решаемой в данном техническом решении, является осуществление способа и системы определения эффективности диетических интервенций для индивидуального пользователя, включающих добавление в пищу пищевых волокон определенного типа или других пребиотиков, потребления определенных продуктов, обогащенных пробиотиками, или биологически активных добавок с пробиотиками, а также добавления, ограничения или исключения из рациона определенных продуктов питания.
[006] Техническим результатом, достигающимся при решении вышеуказанной технической задачи, является повышение эффективности различных диетических интервенций, оцениваемой как изменение состава микробиоты кишечника индивидуального пользователя (например, относительную представленность микробных таксонов) и/или как влияние на здоровье пользователя.
[007] Указанный технический результат достигается посредством осуществления способа генерации рекомендации по диетической интервенции для пользователя, в котором получают набор, состоящий из по меньшей мере одной диетической интервенции для по меньшей мере одного пользователя и его данные, содержащие по меньшей мере данные о составе его микробиоты кишечника и данные о представленности таксонов микроорганизмов, присутствующих в ЖКТ, на сервер; затем извлекают из по меньшей мере одной базы данных диетических интервенций посредством процессора наборы данных об изменении представленности присутствующих в ЖКТ микробных таксонов у пользователей после полученной на предыдущем шаге по меньшей мере одной диетической интервенции, при этом выбирают только наборы данных от пользователей, проживающих на той же территории, что и указанный пользователь; далее распределяют каждого из числа выбранных на предыдущем шаге пользователей, имеющих наборы данных, в группу с высокой степенью ответа (респондер) на полученную диетическую интервенцию и с низкой степенью ответа (нереспондер), используя в качестве меры степени ответа величину изменения представленности микробных таксонов, присутствующих в ЖКТ после диетической интервенции; после чего формируют на основании данных о составе микробиоты кишечника и группе ответа на полученную диетическую интервенцию пользователей, извлеченных ранее, алгоритм предсказания степени индивидуального ответа на полученную интервенцию по составу микробиоты кишечника, классифицирующий пользователя как респондера или нереспондера; затем классифицируют по меньшей мере одного пользователя, для которого затем формируют рекомендации по диетической интервенции, как респондера или нереспондера на основании алгоритма предсказания степени индивидуального ответа, причем если пользователь был классифицирован как респондер на полученную диетическую интервенцию, то формируют рекомендацию по ней.
[008] В некоторых вариантах реализации технического решения степень ответа на интервенцию оценивается дополнительно по результатам биохимических тестов и/или опросников по желудочно-кишечным симптомам и/или частоте дефекации и/или самочувствию.
[009] В некоторых вариантах реализации технического решения биохимическим тестом является анализ уровня триглицеридов и других показателей в крови и/или копрограмма, и/или микробиологический анализ кала.
[0010] В некоторых вариантах реализации технического решения в качестве алгоритма предсказания степени индивидуального ответа используют алгоритм «случайный лес», метод опорных векторов, искусственную нейронную сеть.
[0011 ] В некоторых вариантах реализации технического решения пользователей относят к группе респондеров на диетическую интервенцию тех, у которых величина изменения представленности микробных таксонов после указанной интервенции превысила пороговую величину, либо к группе нереспондеров тех, у которых данная величина не превысила пороговую величину.
[0012] В некоторых вариантах реализации технического решения наборы данных от пользователей, получают путем анализа образцов микробиоты, полученных от пользователей и содержащих микроорганизмы, присутствующие в ЖКТ этих пользователей.
[0013] В некоторых вариантах реализации технического решения образцами, полученными от пользователей, являются образцы кала.
[0014] В некоторых вариантах реализации технического решения наборы данных от пользователей получают путем секвенирования библиотек, приготовленных из ДНК, выделенной из образцов с помощью ферментативного лизиса и/или механического лизиса, и/или отмывки.
[0015] В некоторых вариантах реализации технического решения стандартизированной методикой является ДНК-секвенирование полной или частичной последовательности генов 16S рРНК либо полногеномное метагеномное секвенирование.
[0016] В некоторых вариантах реализации технического решения величины изменения представленности микробных таксонов рассчитывают, используя только заранее заданные таксоны.
[0017] В некоторых вариантах реализации технического решения диетическая интервенция представляет собой прием в течение длительного времени продукта или множества продуктов, богатых определенным классом пищевых волокон, пребиотика, пробиотика или пищевого продукта, обогащенного пребиотиками или пробиотиками.
[0018] В некоторых вариантах реализации технического решения диетическая интервенция представляет собой голодание.
[0019] В некоторых вариантах реализации технического решения рекомендация заключается в исключении из рациона определенного пищевого продукта, пробиотика или пребиотика на основании того, что субъект был отнесен к группе нереспондеров по указанной интервенции.
[0020] В некоторых вариантах реализации технического решения рекомендация формируется относительно нескольких интервенций.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
[001] Признаки и преимущества настоящего технического решения станут очевидными из приведенного ниже подробного описания и прилагаемых чертежей, на которых:
[0021 ] На Фиг. 1 показан вариант осуществления способа генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты в виде блок-схемы.
[0022] На Фиг. 2 показана ROC-кривая для классификатора, позволяющего определить степень ответа на диету, богатую пищевыми волокнами, по составу микробиоты до интервенции.
[0023] На Фиг. 3 показана ROC-кривая для классификатора, позволяющего определить степень ответа на прием продукта, обогащенного пробиотиками, по составу микробиоты до интервенции. [0024] На Фиг. 4 показан вариант реализации системы генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты в виде блок-схемы.
ПОДРОБНОЕ РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
[0025] Ниже будут подробно рассмотрены термины и их определения, используемые в описании технического решения.
[0026] В данном изобретении под системой подразумевается компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, четко определенную последовательность операций (действий, инструкций).
[0027] Под устройством обработки команд подразумевается электронный блок либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы). Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройства хранения данных. В роли устройства хранения данных могут выступать, но, не ограничиваясь, жесткие диски (HDD), флеш-память, ПЗУ (постоянное запоминающее устройство), твердотельные накопители (SSD), оптические приводы.
[0028] Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.
[0029] Микробиота (нормальная микрофлора, нормофлора, микробном) человека - это совокупность всех микроорганизмов в теле человека.
[0030] Секвенирование ДНК— определение последовательности нуклеотидов в молекуле ДНК. Под этим может подразумеваться как амл иконное секвенирование (прочтение последовательностей выделенных фрагментов ДНК, полученных в результате ПЦР-реакции - таких, как ген 16S рРНК или его фрагменты), так и полногеномное секвенирование (прочтение последовательностей всей ДНК, присутствующей в образце). [0031 ] Чтения (риды, reads) - данные, представляющие собой нуклеотидные последовательности фрагментов ДНК, полученные с помощью ДНК- секвенатора.
[0032] FASTA - формат записи последовательностей ДНК.
[0033] FASTQ - формат записи последовательностей ДНК, при котором записывается аппаратное качество прочтения каждой позиции.
[0034] Картирование прочтений — биоинформатический метод анализа результатов секвенирования нового поколения, состоящий в определении позиций в референсной базе геномов или генов, откуда с высокой и наибольшей вероятностью могло быть получено каждое конкретное короткое прочтение.
[0035] В результате секвенирования ДНК создается набор чтений. Длина чтения у современных секвенаторов составляет от нескольких сотен до нескольких тысяч нуклеотидов.
[0036] Биомаркер — биологический измеряемый фактор - например, относительная представленность бактериального вида или рода ассоциированный с наличием или отсутствием того или иного состояния у организма хозяина, например, определенного заболевания.
[0037] Таксономия — учение о принципах и практике классификации и систематизации сложноорганизованных иерархически соотносящихся сущностей.
[0038] Донор - человек, предоставляющий образец микробиоты для последующего анализа состава или других целей - например, пересадки реципиенту.
[0039] Диетическая интервенция может представлять собой прием в течение длительного времени продуктов, богатых пищевыми волокнами, пребиотиков, пробиотиков или пищевых продуктов, обогащенных пробиотиками.
[0040] В описании данного изобретения термины «включает» и «включающий» интерпретируются как означающие «включает, помимо всего прочего». Указанные термины не предназначены для того, чтобы их истолковывали как «состоит только из». Если не определено отдельно, технические и научные термины в данном описании имеют стандартные значения, общепринятые в научной и технической литературе. [0041 ] В настоящем описании изобретения представленность микробных таксонов означает набор количественных данных о микроорганизмах, присутствующих в ЖКТ субъектов. Как правило, это данные на уровне родов микроорганизмов, собранные в таблицы представленности. Для определения таксономического состава микробиоты используют таксоноспецифичную ПЦР в режиме реального времени, либо секвенирование гена 16S рРНК, либо полногеномное метагеномное секвенирование (WGS), либо гибридизационные панели на кишечные микробы.
[0042] Видовой состав образца микробиоты - это совокупность значений относительной представленности всех микробных таксонов, детектированных в образце.
[0043] a-разнообразие - числовая величина, характеризующая разнообразие микробного сообщества для единичного образца микробиоты а-разнообразие вычисляется с помощью того или иного алгоритма на основании данных о видовом составе микробиоты.
[0044] b-разнообразие - числовая величина, характеризующая меру различия между двумя микробными сообществами. Это разнообразие между сообществами, показатель степени дифференцированности распределения видов. Возможный путь определения b-разнообразия - сравнение видового состава различных сообществ. Чем меньше общих видов между двумя сообществами, тем выше b-разнообразие.
[0045] Способ генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты, подробно раскрывается ниже и показан в виде блок-схемы на Фиг. 1.
[0046] Шаг 110: получают набор, состоящий из по меньшей мере одной диетической интервенции для по меньшей мере одного пользователя и его данные, содержащие по меньшей мере его данные о составе микробиоты кишечника и данные о представленности таксонов микроорганизмов, присутствующих в ЖКТ, на сервер.
[0047] Под диетической интервенцией в данном техническом решении и в уровне техники понимается повышенное потребление продуктов с высоким содержанием клетчатки, добавление в пищу пищевых волокон определенного типа или других пребиотиков, потребление определенных кисломолочных продуктов или других пробиотиков, а также добавление, ограничение или исключение из рациона определенных продуктов питания. Говоря о пребиотиках, это вещества, которые не усваиваются или не полностью усваиваются организмом человека, но катаболизируются кишечными микробами. Среди наиболее распространенных видов пребиотиков - полисахариды (такие, как пектин, длинноцепочечный инулин, резистентный крахмал) и олигосахариды (фруктоолигосахариды, галактоолигосахариды и другие). В ходе пищевой интервенции пребиотики могут употребляться в пищу в виде изолированных компонент (в капсулах), в составе растительного экстракта (например, пшеничные отруби). Альтернативно, интервенция пребиотиком может проводиться благодаря увеличения приема в пищу продуктов, богатых данным волокном (например, топинамбур и цикорий в случае инулина). При переработке пребиотиков кишечными микробами выделяются вещества, оказывающие положительное воздействие на организм человека - такие, как короткоцепочечные жирные кислоты (КЖК). Важным образом, способность к переработке конкретных типов пищевых волокон существенно варьирует между микробными таксонами, а расщепление некоторых сложных разветвленных полисахаридов происходит в несколько шагов, на каждом из которых активен один из нескольких кооперирующих видов микробов. Таким образом, способность индивидуального кишечного сообщества расщеплять разные виды пищевых волокон широко варьирует, что подтверждается рядом исследований (например, Korpela et al, 2018. Koropatkin et al 2012, Kaoutari et al 2013). Это создает основу для персонализации приема пребиотиков.
[0048] Другой тип интервенций - прием пробиотиков - в изолированном виде, либо в составе пищевых продуктов (обычно кисломолочных). Пробиотический потенциал - это штаммоспецифичное свойство. К родам, в которые входит наибольшее число применяемых штаммов с пробиотическими свойствами, относятся Bifidobacterium (виды В. animalis, В. longum, В. bifidum) и Lactobacillus (виды L. rhamnosus, L. casei, L. reuteri).
[0049] В качестве примеров наиболее изученных штаммов часто приводится штамм Bifidobacterium animalis subsp. lactis BB-12: он способен переносить агрессивное воздействие желчи и желудочного сока в ЖКТ человека, может закрепляться на стенке кишечника; его прием может снижать риск острой диареи у детей, снижать частоту респираторных заболеваний, способен нормализовать работу кишечника (в том числе частоту дефекации и консистенцию кала). Другим примером является Lactobacillus casei штамм Shirota: помимо увеличенной способности выживания в ЖКТ, он проявляет активность против патогенных видов бактерий, нормализует пищеварение, способен модулировать иммунную систему.
[0050] В настоящем изобретении были проведены исследования относительной представленности таксонов присутствующих в ЖКТ субъектов микроорганизмов до и после двух типов диетических интервенций - диета с повышенным содержанием волокон и прием йогурта, обогащенного пробиотиком. Для этого был применен метагеномный анализ образцов кала субъектов по гену 16S рРНК. Было установлено, что степень ответа (изменение состава) микробиоты ЖКТ на диетические интервенции различалась между индивидами и зависела от состава кишечного сообщества до начала интервенции.
[0051 ] В некоторых вариантах изобретения получение набора данных о представленности таксонов микроорганизмов (составе микробиоты) производится следующим образом.
[0052] Вышеуказанный набор данных получают посредством использования набора для отбора проб, который может включать контейнер для образцов, имеющий компонент технологического реагента и сконфигурированный для приема образца из места сбора пользователем, которое может быть удаленным. Дополнительно или альтернативно набор для отбора проб может быть предоставлен непосредственно через устройство, установленное в помещении или на улице, которое предназначено для облегчения приема пробы от пользователя. В других вариантах осуществления набор для отбора проб может быть сдан в клинике или другом медицинском учреждении медицинскому лабораторному технику, а ранее доставлен пользователю, например, курьером. Однако предоставление набора (-ов) для отбора проб пользователя в блок получения первичных данных может дополнительно или альтернативно выполняться любым другим подходящим способом, например, в замороженном виде в стерильном контейнере.
[0053] Входные образцы могут представлять из себя образцы кала, которые могут быть обработаны, например, в лаборатории, и из которых получают данные о составе микробиоты кишечника путем секвенирования. Обработка включает в себя этапы очистки образца от дебриса путем центрифугирования, выделение тотальной ДНК, в том числе бактерий и архей. Альтернативно, из тотальной ДНК может быть проведена амплификация гена 16S рРНК или другого маркерного гена в зависимости от формата секвенирования.
[0054] Субъекты (или другими словами пациенты, пользователи и так далее, не ограничиваясь в терминологии), участвующие в исследовании, в конкретном варианте реализации технического решения сдавали образцы микробиоты непосредственно перед диетической интервенцией и после нее. Диетическая интервенция продолжалась в течение определенного периода времени, например, в течение двух недель или одного месяца. В течение этого периода субъекты следовали рекомендациям по изменению рациона питания, которое зависело от планируемой диетической интервенции. Образцы микробиоты были собраны субъектами самостоятельно, заморожены и доставлены в лабораторию, где была произведена процедура экстракции ДНК и секвенирование региона 16S (как описано в Klimenko NS, et al. , Nutrients. 2018 May 8; 10(5)). Секвенирование проводилось на приборе MiSeq (lllumina, USA). Обработку результатов секвенирования проводили с использованием программы QIIME v. 1.9.1 [Caporaso, J.G.; et al., QIIME allows analysis of high- throughput community sequencing data. Nature methods 2010, 7, 335]. Таксономический состав сообщества был получен путем выравнивания последовательностей на базу HITdb v. 1.0 [Ritari, J.; et al., Improved taxonomic assignment of human intestinal 16S rRNA sequences by a dedicated reference database. BMC genomics 2015, 16, 1056]. При выравнивании был применен closed-reference подход, реализованный с использованием алгоритма vsearch [Rognes, Т., Flouri, T., Nichols, В., Quince, С., & Mahe, F. (2016). VSEARCH: a versatile open source tool for metagenomics. PeerJ, 4, e2584]
[0055] Шаг 120: извлекают из по меньшей мере одной базы данных диетических интервенций посредством процессора наборы данных об изменении представленности присутствующих в ЖКТ микробных таксонов у пользователей после полученной на предыдущем шаге по меньшей мере одной диетической интервенции, при этом выбирают только наборы данных от пользователей, проживающих на той же территории, что и указанный пользователь [0056] В конкретном варианте реализации далее было произведено предсказание метаболического потенциала бактерий посредством использования базы данных Greengenes v. 13.5 [DeSantis, T.Z.; et al., Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB. Applied and environmental microbiology 2006, 72, 5069-5072] и компьютерной программы PICRUSt [Langille, M.G.; et al., Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nature biotechnology 2013, 31 , 814] с помощью процессора. Предсказание метаболического потенциала бактерии позволяет получить оценку относительной представленности генов, метаболических путей и модулей в бактериальном сообществе. В других вариантах реализации предсказание метаболического потенциала бактерий может быть произведено на любом другом устройстве обработки данных.
[0057] База данных может представлять из себя реляционную базу данных, объектно-ориентированную базу данных, иерархическую базу данных, сетевую базу данных, другие типы баз данных, некоторую комбинацию или расширение вышеупомянутого. Данные, представляющие собой набор предлагаемых диетических интервенций, а также данные о пользователях, могут быть организованы в виде таблиц, записей, объектов, других структур данных и т.п. Данные также могут храниться в специальных файлах базы данных, специальных разделах жестких дисков, HTML файлах, XML файлах, электронных таблицах, неструктурированных файлах, файлах документа, конфигурационных файлах, других файлах и т.п. в памяти вычислительной системы 400, описанной ниже. База данных может ссылаться на набор данных, который предназначен только для чтения, или иметь возможность читать набор данных и записывать в него.
[0058] При описании аспектов данного изобретения для простоты здесь иногда используется терминология, связанная с реляционными базами данных, однако раскрытые способы реализации могут быть также применены к другим типам баз данных, включая те, которые были ранее упомянуты.
[0059] Шаг 130: распределяют каждого из числа выбранных на предыдущем шаге пользователей, имеющих наборы данных, в группу с высокой степенью ответа (респондер) на полученную диетическую интервенцию и с низкой степенью ответа (нереспондер), используя в качестве меры степени ответа величину изменения представленности микробных таксонов, присутствующих в ЖКТ после диетической интервенции.
[0060] В некоторых вариантах реализации технического решения разделение субъектов, участвующих в исследовании, на группы в зависимости от степени изменения их микробиоты производили следующим образом. Степень ответа - изменения состава микробиоты - для каждого субъекта была вычислена с помощью расчета b-разнообразия между образцом до и после вмешательства по метрике Generalized Unifrac [Chen, J.; et al. , Associating microbiome composition with environmental covariates using generalized UniFrac distances. Bioinformatics 2012, 28, 2106-2113]. Далее было проведено разделение пользователй на два кластера (респондеры и нереспондеры) путем применения алгоритма k-средних к массиву расстояний.
[0061 ] В других вариантах изобретения в качестве меры ответа можно использовать как качественные, так и количественные метрики b-разнообразия между образцами микробиоты до и после диетического вмешательства. Среди количественных метрик можно использовать расстояние Bray-Curtis, Weighted Unifrac, Generalized Unifrac, не ограничиваясь. Качественные метрики, используемые в анализе микробиоты, включают в себя Jaccard index, Unweighted Unifrac.
[0062] В других вариантах изобретения в качестве меры ответа можно использовать величину изменения присутствия бактерий, ассоциированных с пользой для здоровья человека, в том числе относительная представленность Bifidobacterium и/или Lactobacillus, лактозосбраживающих бактерий в целом, бутират-производящих бактерий. Также ответ может быть оценен как изменения альфа-разнообразия (разнообразия сообщества), а также как уровень предсказанного метаболического потенциала микробиома к производству КЖК (в том числе масляной кислоты).
[0063] В некоторых вариантах реализации технического решения бактерии, различавшиеся по относительной представленности до диеты у группы с повышенной и с пониженной степенью ответа на диетическую интервенцию были определены с помощью алгоритма metagenomeSeq [Paulson, J.N.; Pop, М.; Bravo, H. metagenomeSeq: Statistical analysis for sparse high-throughput sequencing, 2013. Bioconductor package: 1.16.0.]. [0064] В других вариантах реализации технического решения бактерии, различавшиеся по относительной представленности до диеты у группы с повышенной и с пониженной степенью ответа на диетическую интервенцию, могут быть определены с использованием таких методов, как линейная регрессия, алгоритм MaAsLin [Morgan ХС, et al. Dysfunction of the intestinal microbiome in inflammatory bowel disease and treatment. Genome Biol. 2012 Apr 16;13(9):R79.], обобщенная линейная регрессия или критерий Манна-Уитни, не ограничиваясь.
[0065] Шаг 140: формируют на основании данных о составе микробиоты кишечника и группе ответа на полученную диетическую интервенцию пользователей, извлеченных ранее, алгоритм предсказания степени индивидуального ответа на полученную интервенцию по составу микробиоты кишечника, классифицирующий пользователя как респондера или нереспондера.
[0066] В некоторых вариантах реализации технического решения предсказание степени ответа на диетическую интервенцию по составу микробиоты производили следующим образом. Для определения потенциала микробиоты к предсказанию степени ответа на диетическую интервенцию для каждого из исследований был построен классификатор. Для построения классификатора был выбран алгоритм «случайный лес» (англ random forest). В качестве предикторов использовалась относительная представленность бактерий, значимо различающихся по представленности в микробиоте до диеты у группы с повышенной и с пониженной степенью ответа. Классификатор был построен и протестирован на каждом таксономическом уровне.
[0067] В других вариантах реализации технического решения в качестве алгоритма машинного обучения может быть использована линейная регрессия, логистическая регрессия, обобщенные линейные модели, регрессия с регуляризацией, метод опорных векторов, байесовский классификатор, нейронные сети. В каждом из перечисленных методов в качестве предикторов могут выступать представленности бактерий, метаболических путей, модулей, a-разнообразие, представленности различных групп бактерий. Предикторы могут быть преобразованы с помощью математических методов перед передачей их в классификатор, с целью лучшего соответствия их распределения выбранной модели. В случае если классификатор выдает численное значение, соответствующее вероятности отнесения индивида в один из кластеров, выбирается пороговая величина, начиная с которой индивид будет отнесен к группе с повышенной степенью ответа.
[0068] Обучение классификатора происходит на массиве данных, для которых известно, к какой группе принадлежат пользователи - с высоким или низким откликом на определенное вмешательство. Выборка должна быть сбалансирована. Далее происходит разбиение данной выборки на обучающую и тестовую в соотношении 2:1. В зависимости от выбранного метода машинного обучения происходит оптимизация различных параметров алгоритма для оптимальной классификации обучающей выборки. Далее с использованием тестовой выборки проводится оценка характеристик классификатора: чувствительности, специфичности и других. Разбиение выборки с последующим обучением и оценкой параметров модели проводится в несколько итераций. Далее проводится усреднение параметров модели, и в случае хороших характеристик производят обучение классификатора на всей выборке.
[0069] Для сравнительного анализа наборов данных от различных субъектов предпочтительно использовать наборы данных от субъектов, проживающих на одной территории. Например, схожесть места проживания (определенная территория), схожесть выбора места жительства (город, поселок, деревня), национальной принадлежности, принадлежности к определенному социальному классу, имеет значение для минимизации систематической погрешности в определении представленности бактериальных таксонов в ЖКТ субъектов. Также для повышения наиболее обобщаемых результатов предпочтительно, чтобы когорта была сбалансирована по полу (включала равные доли участников обоих полов) и по возрасту (были достаточно представлены разные возрастные группы).
[0070] Шаг 150: классифицируют по меньшей мере одного пользователя, для которого затем формируют рекомендации по диетической интервенции, как респондера или нереспондера на основании алгоритма предсказания степени индивидуального ответа, причем если пользователь был классифицирован как респондер на полученную диетическую интервенцию, формируют рекомендацию по ней. [0071 ] Нижеследующие примеры осуществления способа и системы приведены в целях раскрытия характеристик настоящего изобретения и их не следует рассматривать как каким-либо образом ограничивающие объем изобретения.
[0072] В одном из вариантов осуществления изобретения в качестве данных были использованы данные из неконтролируемого исследования по увеличению приема продуктов, богатых клетчаткой (Klimenko NS, et al. , Nutrients. 2018 May 8; 10(5)). В исследовании приняли участие 215 человек, в течение двух недель они придерживались диеты, богатой волокнами. У участников был собран образец микробиоты (кала) до и после диетического вмешательства; образцы были проанализированы с помощью 16S рРНК секвенирования. Для классификации субъектов по группам с высокой или с низкой степенью ответа на прием продуктов была использована степень изменения состава микробиоты с применением метрики b-разнообразия Generalized Unifrac. Разделение на два кластера проводилось путем применения к вектору расстояний метода k-средних. Поиск таксонов, значимо различающихся по уровню между группами, сильнее и слабее отреагировавшим микробиотой на вмешательство, проводился с использованием алгоритма MaAsLin. Группа с повышенной степенью ответа на диетическое вмешательство до диеты характеризовалась сниженной относительной представленностью типов Actinobacteria (порядок
Coriobacteriales), Firmicutes (порядки Bacillales, Erysipelotrichales и Clostridiales), Proteobacteria (порядок Enterobacteriales) и Verrucomicrobia (порядок Verrucomicrobiales), в то время как представленность Bacteroidales и Sphingomonadales была выше по сравнению с группой, слабее отреагировавшей на вмешательство. Функциональный анализ показал, что группа, сильнее отреагировавшая на вмешательство, характеризуется повышенной представленностью метаболических модулей и путей, характерных для Грам-отрицательных бактерий: lipopolysaccharide biosynthesis (md:M00060) и NADH:quinone oxidoreductase (md:M00144). Также были повышен уровень пути, связанного с деградацией углеводных компонентов мукозы - “Other glycan degradation pathway” (ko00511 ). Классификатор для определения степени ответа по составу микробиоты был построен с помощью алгоритма random Forest, с использованием всех таксонов бактерий, значимо отличающихся по представленности между группами до диеты, в качестве предикторов. Классификатор был построен и протестирован на каждом таксономическом уровне. Была проведена кросс-валидация (10 случайных под выборок образцов, на 70% проводилось обучение, на 30% — тестирование). Для каждой итерации была построена ROC-кривая и рассчитан параметр площадь под кривой, по которому оценивалась точность предсказаний, как показано на Фиг. 2. Площадь под кривой составила для данного классификатора 0,78.
[0073] В одном из вариантов осуществления изобретения, в качестве данных были использованы данные из исследования по влиянию кисломолочного продукта, обогащенного пробиотиком [Volokh, Olesya, et al. "Human Gut Microbiome Response Induced by Fermented Dairy Product Intake in Healthy Volunteers." Nutrients 11.3 (2019): 547.]. В исследовании приняли участие 150 человек, в течение месяца они добавляли к своему рациону 250 мл йогурта, обогащенного пробиотическим штаммом Bifidobacterium animalis subsp. lactis BB-12. У участников был собран образец микробиоты (кала) до и после диетического вмешательства; образцы были проанализированы с помощью 16S рРНК секвенирования. Для классификации субъектов по группам с высокой или с низкой степенью ответа на прием продуктов была использована степень изменения состава микробиоты с применением метрики b-разнообразия Вгау- Curtis, примененная к представленности группы лактозосбраживающих бактерий. Разделение на два кластера проводилось путем применения к вектору расстояний метода k-средних. Поиск таксонов, значимо различающихся по относительной представленности между группами, сильнее и слабее отреагировавшим на вмешательство, проводился с использованием алгоритма metagenomeSeq. Группа с повышенной степенью ответа на диетическое вмешательство характеризовалась сниженной представленностью типов Euryarcheota (порядок Methanobacteria) и Firmicutes (порядки Acidaminococcales, Clostridiales). Среди функциональных модулей данной группы был повышен уровень Folate biosynthesis (ko00790) по сравнению с группой, слабее отреагировавшей на диетическое вмешательство. Классификатор для определения степени ответа по составу микробиоты был построен с помощью алгоритма random Forest, с использованием всех таксонов бактерий, значимо отличающихся между группами до диеты в качестве предикторов. Классификатор был построен и протестирован на каждом таксономическом уровне. Была проведена кросс-валидация (10 случайных под выборок образцов, на 70% проводилось обучение, на 30% — тестирование). Для каждой итерации была построена ROC-кривая и рассчитан параметр площадь под кривой, по которому оценивалась точность предсказаний, как показано на Фиг. 3. Площадь под кривой составила для данного классификатора 0,75.
[0074] Несмотря на то, что изобретение описано со ссылкой на раскрываемые варианты воплощения, для специалистов в данной области должно быть очевидно, что конкретные подробно описанные случаи приведены лишь в целях иллюстрирования настоящего изобретения, и их не следует рассматривать как каким-либо образом ограничивающие объем изобретения. Должно быть понятно, что возможно осуществление различных модификаций без отступления от сути настоящего изобретения.
[0075] Ссылаясь на Фиг. 4, данное техническое решение может быть реализовано в виде вычислительной системы 400, которая содержит один или более из следующих компонент:
• компонент 401 обработки, содержащий по меньшей мере один процессор 402,
• память 403,
• компонент 405 мультимедиа,
• компонент 406 аудио,
• интерфейс 407 ввода / вывода (I / О),
• сенсорный компонент 408,
• компонент 409 передачи данных.
[0076] Компонент 401 обработки в основном управляет всеми операциями системы 400, например, формирует набор хэштегов по контенту для пользователя, а также управляет дисплеем, телефонным звонком, передачей данных, работой камеры и операцией записи мобильного устройства связи пользователя. Модуль 401 обработки может включать в себя один или более процессоров 402, реализующих инструкции для завершения всех или части шагов из указанных выше способов. Кроме того, модуль 401 обработки может включать в себя один или более модулей для удобного процесса взаимодействия между другими модулями 401 обработки и другими модулями. Например, модуль 401 обработки может включать в себя мультимедийный модуль для удобного облегченного взаимодействия между компонентом 405 мультимедиа и компонентом 401 обработки.
[0077] Память 403 выполнена с возможностью хранения различных типов данных для поддержки работы системы 400, например, базу данных с профилями пользователей. Примеры таких данных включают в себя инструкции из любого приложения или способа, контактные данные, данные адресной книги, сообщения, изображения, видео, и т. д., и все они работают на системе 400. Память 403 может быть реализована в виде любого типа энергозависимого запоминающего устройства, энергонезависимого запоминающего устройства или их комбинации, например, статического оперативного запоминающего устройства (СОЗУ), Электрически-Стираемого Программируемого постоянного запоминающего устройства (ЭСППЗУ), Стираемого Программируемого постоянного запоминающего устройства (СППЗУ), Программируемого постоянного запоминающего устройства (ППЗУ), постоянного запоминающего устройства (ПЗУ), магнитной памяти, флэш- памяти, магнитного диска или оптического диска и другого, не ограничиваясь.
[0078] Компонент 405 мультимедиа включает в себя экран, обеспечивающий выходной интерфейс между системой 400, которая может быть установлена на мобильном устройстве связи пользователя и пользователем. В некоторых вариантах реализации, экран может быть жидкокристаллическим дисплеем (ЖКД) или сенсорной панелью (СП). Если экран включает в себя сенсорную панель, экран может быть реализован в виде сенсорного экрана для приема входного сигнала от пользователя. Сенсорная панель включает один или более сенсорных датчиков в смысле жестов, прикосновения и скольжения сенсорной панели. Сенсорный датчик может не только чувствовать границу прикосновения пользователя или жест перелистывания, но и определять длительность времени и давления, связанных с режимом работы на прикосновение и скольжение. В некоторых вариантах осуществления компонент 405 мультимедиа включает одну фронтальную камеру и/или одну заднюю камеру. Когда система 400 находится в режиме работы, например, режиме съемки или режиме видео, фронтальная камера и/или задняя камера могут получать данные мультимедиа извне. Каждая фронтальная камера и задняя камера может быть одной фиксированной оптической системой объектива или может иметь фокусное расстояние или оптический зум. [0079] Компонент 406 аудио выполнен с возможностью выходного и/или входного аудио сигнала. Например, компонент 406 аудио включает один микрофон (MIC), который выполнен с возможностью получать внешний аудио сигнал, когда система 400 находится в режиме работы, например, режиме вызова, режима записи и режима распознавания речи. Полученный аудио сигнал может быть далее сохранен в памяти 403 или направлен по компоненту 409 передачи данных. В некоторых вариантах осуществления компонент 406 аудио также включает в себя один динамик выполненный с возможностью вывода аудио сигнала.
[0080] Интерфейс 407 ввода / вывода (I / О) обеспечивает интерфейс между компонентом 401 обработки и любым периферийным интерфейсным модулем. Вышеуказанным периферийным интерфейсным модулем может быть клавиатура, руль, кнопка, и т. д. Эти кнопки могут включать, но не ограничиваясь, кнопку запуска, кнопку регулировки громкости, начальную кнопку и кнопку блокировки.
[0081 ] Сенсорный компонент 408 содержит один или более сенсоров и выполнен с возможностью обеспечения различных аспектов оценки состояния системы 400. Например, сенсорный компонент 408 может обнаружить состояния вкп/выкл системы 400, относительное расположение компонентов, например, дисплея и кнопочной панели, одного компонента системы 400, наличие или отсутствие контакта между пользователем и системой 400, а также ориентацию или ускорение/замедление и изменение температуры системы 400. Сенсорный компонент 408 содержит бесконтактный датчик, выполненный с возможностью обнаружения присутствия объекта, находящегося поблизости, когда нет физического контакта. Сенсорный компонент 408 содержит оптический датчик (например, КМОП или ПЗС-датчик изображения) выполненный с возможностью использования в визуализации приложения. В некоторых вариантах сенсорный компонент 408 содержит датчик ускорения, датчик гироскопа, магнитный датчик, датчик давления или датчик температуры.
[0082] Компонент 409 передачи данных выполнен с возможностью облегчения проводной или беспроводной связи между системой 400 и другими устройствами. Система 400 может получить доступ к беспроводной сети на основе стандарта связи, таких как WiFi, 2G, 3G, 5G, или их комбинации. В одном примерном варианте компонент 409 передачи данных получает широковещательный сигнал или трансляцию, связанную с ними информацию из внешней широковещательной системы управления через широковещательный канал. В одном варианте осуществления компонент 409 передачи данных содержит модуль коммуникации ближнего поля (NFC), чтобы облегчить ближнюю связь. Например, модуль NFC может быть основан на технологии радиочастотной идентификации (RFID), технологии ассоциации передачи данных в инфракрасном диапазоне (IrDA), сверхширокополосных (UWB) технологии, Bluetooth (ВТ) технологии и других технологиях.
[0083] В примерном варианте осуществления система 400 может быть реализована посредством одной или более Специализированных Интегральных Схем (СИС), Цифрового Сигнального Процессора (ЦСП), Устройств Цифровой Обработки Сигнала (УЦОС), Программируемым Логическим Устройством (ПЛУ), логической микросхемой, программируемой в условиях эксплуатации (ППВМ), контроллера, микроконтроллера, микропроцессора или других электронных компонентов, и может быть сконфигурирован для реализации способа отображения альбома.
[0084] В примерном варианте осуществления, энергонезависимый компьютерно-читаемый носитель, содержит инструкции также предусмотренные, например, память 403 включает инструкции, где инструкции выполняются процессором 401 системы 400 для реализации описанных выше способов автоматизированного конструирования мультимодального сервиса грузоперевозок. Н1апример, энергонезависимым компьютерно-читаемым носителем может быть ПЗУ, оперативное запоминающее устройство (ОЗУ), компакт-диск, магнитная лента, дискеты, оптические устройства хранения данных и тому подобное.
[0085] Вычислительная система 400 может включать в себя интерфейс дисплея, который передает графику, текст и другие данные из коммуникационной инфраструктуры (или из буфера кадра, не показан) для отображения на компоненте 405 мультимедиа. Вычислительная система 400 дополнительно включает в себя устройства ввода или периферийные устройства. Периферийные устройства могут включать в себя одно или несколько устройств для взаимодействия с мобильным устройством связи пользователя, такие как клавиатура, микрофон, носимое устройство, камера, один или более звуковых динамиков и другие датчики. Периферийные устройства могут быть внешними или внутренними по отношению к мобильному устройству связи пользователя. Сенсорный экран может отображать, как правило, графику и текст, а также предоставляет пользовательский интерфейс (например, но не ограничиваясь ими, графический пользовательский интерфейс (GUI)), через который пользователь может взаимодействовать с мобильным устройством связи пользователя, например, получать доступ и взаимодействовать с приложениями, запущенными на устройстве.
[0086] Элементы заявляемого технического решения находятся в функциональной взаимосвязи, а их совместное использование приводит к созданию нового и уникального технического решения. Таким образом, все блоки функционально связаны.
[0087] Все блоки, используемые в системе, могут быть реализованы с помощью электронных компонент, используемых для создания цифровых интегральных схем, что очевидно для специалиста в данном уровне техники. Не ограничиваюсь, могут быть использоваться микросхемы, логика работы которых определяется при изготовлении, или программируемые логические интегральные схемы (ПЛИС), логика работы которых задаётся посредством программирования. Для программирования используются программаторы и отладочные среды, позволяющие задать желаемую структуру цифрового устройства в виде принципиальной электрической схемы или программы на специальных языках описания аппаратуры: Verilog, VHDL, AHDL и др. Альтернативой ПЛИС могут быть программируемые логические контроллеры (ПЛК), базовые матричные кристаллы (БМК), требующие заводского производственного процесса для программирования; ASIC специализированные заказные большие интегральные схемы (БИС), которые при мелкосерийном и единичном производстве существенно дороже.
[0088] Обычно, сама микросхема ПЛИС состоит из следующих компонент:
• конфигурируемых логических блоков, реализующих требуемую логическую функцию;
• программируемых электронных связей между конфигурируемыми логическими блоками; • программируемых блоков ввода/вывода, обеспечивающих связь внешнего вывода микросхемы с внутренней логикой.
[0089] Также блоки могут быть реализованы с помощью постоянных запоминающих устройств.
[0090] Таким образом, реализация всех используемых блоков достигается стандартными средствами, базирующимися на классических принципах реализации основ вычислительной техники.
[0091 ] Как будет понятно специалисту в данной области техники, аспекты настоящего технического решения могут быть выполнены в виде системы, способа или компьютерного программного продукта. Соответственно, различные аспекты настоящего технического решения могут быть реализованы исключительно как аппаратное обеспечение, как программное обеспечение (включая прикладное программное обеспечение и так далее) или как вариант осуществления, сочетающий в себе программные и аппаратные аспекты, которые в общем случае могут упоминаться как «модуль», «система» или «архитектура». Кроме того, аспекты настоящего технического решения могут принимать форму компьютерного программного продукта, реализованного на одном или нескольких машиночитаемых носителях, имеющих машиночитаемый программный код, который на них реализован.
[0092] Также может быть использована любая комбинация одного или нескольких машиночитаемых носителей. Машиночитаемый носитель хранилища может представлять собой, без ограничений, электронную, магнитную, оптическую, электромагнитную, инфракрасную или полупроводниковую систему, аппарат, устройство или любую подходящую их комбинацию. Конкретнее, примеры (неисчерпывающий список) машиночитаемого носителя хранилища включают в себя: электрическое соединение с помощью одного или нескольких проводов, портативную компьютерную дискету; жесткий диск, оперативную память (ОЗУ), постоянную память (ПЗУ), стираемую программируемую постоянную память (EPROM или Flash-память), оптоволоконное соединение, постоянную память на компакт- диске (CD-ROM), оптическое устройство хранения, магнитное устройство хранения или любую комбинацию вышеперечисленного. В контексте настоящего описания, машиночитаемый носитель хранилища может представлять собой любой гибкий носитель данных, который может содержать или хранить программу для использования самой системой, устройством, аппаратом или в соединении с ними.
[0093] Программный код, встроенный в машиночитаемый носитель, может быть передан с помощью любого носителя, включая, без ограничений, беспроводную, проводную, оптоволоконную, инфракрасную и любую другую подходящую сеть или комбинацию вышеперечисленного.
[0094] Компьютерный программный код для выполнения операций для шагов настоящего технического решения может быть написан на любом языке программирования или комбинаций языков программирования, включая объектно-ориентированный язык программирования, например Java, Smalltalk, C++ и так далее, и обычные процедурные языки программирования, например язык программирования «С» или аналогичные языки программирования. Программный код может выполняться на компьютере пользователя полностью, частично, или же как отдельный пакет программного обеспечения, частично на компьютере пользователя и частично на удаленном компьютере, или же полностью на удаленном компьютере. В последнем случае, удаленный компьютер может быть соединен с компьютером пользователя через сеть любого типа, включая локальную сеть (LAN), глобальную сеть (WAN) или соединение с внешним компьютером (например, через Интернет с помощью Интернет-провайдеров).
[0095] Аспекты настоящего технического решения были описаны подробно со ссылкой на блок-схемы, принципиальные схемы и/или диаграммы способов, устройств (систем) и компьютерных программных продуктов в соответствии с вариантами осуществления настоящего технического решения. Следует иметь в виду, что каждый блок из блок-схемы и/или диаграмм, а также комбинации блоков из блок-схемы и/или диаграмм, могут быть реализованы компьютерными программными инструкциями. Эти компьютерные программные инструкции могут быть предоставлены процессору компьютера общего назначения, компьютера специального назначения или другому устройству обработки данных для создания процедуры, таким образом, чтобы инструкции, выполняемые процессором компьютера или другим программируемым устройством обработки данных, создавали средства для реализации функций/действий, указанных в блоке или блоках блок-схемы и/или диаграммы. [0096] Эти компьютерные программные инструкции также могут храниться на машиночитаемом носителе, который может управлять компьютером, отличным от программируемого устройства обработки данных или отличным от устройств, которые функционируют конкретным образом, таким образом, что инструкции, хранящиеся на машиночитаемом носителе, создают устройство, включающее инструкции, которые осуществляют функции/действия, указанные в блоке блок-схемы и/или диаграммы.

Claims

ФОРМУЛА
1. Компьютерно-реализованный способ генерации рекомендации по диетической интервенции для пользователя, выполняемый по меньшей мере на одном процессоре, включающий следующие шаги:
• получают набор, состоящий из по меньшей мере одной предполагаемой диетической интервенции для этого пользователя и из данных этого пользователя, включающих данные по меньшей мере о составе его микробиоты кишечника, полученные до указанной предполагаемой диетической интервенции, на сервер;
• извлекают из по меньшей мере одной базы данных диетических интервенций посредством процессора наборы данных об изменении состава микробиоты кишечника у субъектов после указанной на предыдущем шаге по меньшей мере одной диетической интервенции, при этом выбирают наборы данных от субъектов, проживающих на той же территории, что и указанный пользователь;
• распределяют каждого из числа выбранных на предыдущем шаге субъектов в группу с высокой степенью ответа (респондер) на указанную диетическую интервенцию и с низкой степенью ответа (нереспондер), используя в качестве степени ответа величину изменения состава микробиоты кишечника в результате указанной диетической интервенции;
• формируют на основании данных о составе микробиоты кишечника и группе ответа на указанную диетическую интервенцию субъектов, извлеченных ранее, алгоритм предсказания степени индивидуального ответа на указанную диетическую интервенцию по составу микробиоты кишечника;
• классифицируют указанного пользователя как респондера или нереспондера на основании данных пользователя и сформированного алгоритма предсказания степени индивидуального ответа;
• формируют рекомендацию по диетической интервенции для указанного пользователя на основании результатов классификации, полученной на предыдущем шаге.
2. Способ по п. 1 , характеризующийся тем, что степень ответа на диетическую интервенцию оценивается дополнительно по результатам биохимических тестов и/или опросников по желудочно-кишечным симптомам и/или частоте дефекации и/или самочувствию.
3. Способ по п. 2, характеризующийся тем, что биохимическим тестом является анализ уровня триглицеридов и других показателей в крови и/или копрограмма, и/или микробиологический анализ кала.
4. Способ по п. 1 , характеризующийся тем, что в качестве алгоритма предсказания степени индивидуального ответа используют алгоритм «случайный лес», метод опорных векторов, искусственную нейронную сеть.
5. Способ по п. 1 , характеризующийся тем, что к группе респондеров на диетическую интервенцию относят тех субъектов, у которых величина изменения состава микробиоты кишечника после указанной диетической интервенции превысила пороговую величину, и к группе нереспондеров относят тех субъектов, у которых данная величина не превысила пороговую величину.
6. Способ по п. 1 , характеризующийся тем, что наборы данных от пользователей, получают путем анализа образцов микробиоты, полученных от пользователей и содержащих микроорганизмы, присутствующие в ЖКТ этих пользователей.
7. Способ по п. 6, характеризующийся тем, что образцами, полученными от пользователей, являются образцы кала.
8. Способ по п. 6, характеризующийся тем, что наборы данных от пользователей, получают путем секвенирования библиотек, приготовленных из ДНК, выделенной из образцов с помощью ферментативного лизиса и/или механического лизиса, и/или отмывки.
9. Способ по п. 6, характеризующийся тем, что стандартизированной методикой является ДНК-секвенирование полной или частичной последовательности генов 16S рРНК либо полногеномное метагеномное секвенирование.
10. Способ по п. 1 , характеризующийся тем, что данные о составе микробиоты кишечника включают следующие данные о микроорганизмах, присутствующих в ЖКТ: относительная представленность таксонов, а- разнообразие, b-разнообразие, и/или представленность заранее заданных таксонов.
1 1. Способ по п. 1 , характеризующийся тем, что диетическая интервенция представляет собой прием в течение длительного времени продукта или множества продуктов, богатых определенным классом пищевых волокон, пребиотика, пробиотика или пищевого продукта, обогащенного пребиотиками или пробиотиками.
12. Способ по п. 1 , характеризующийся тем, что диетическая интервенция представляет собой голодание.
13. Способ по п. 1 , характеризующийся тем, что рекомендация заключается в исключении из рациона определенного пищевого продукта, пробиотика или пребиотика на основании того, что субъект был отнесен к группе нереспондеров по указанной диетической интервенции.
14. Способ по п. 1 , характеризующийся тем, что рекомендация формируется относительно нескольких диетических интервенций.
15. Компьютерная система генерации рекомендации по диетической интервенции для пользователя, содержащая по меньшей мере один процессор и по меньшей мере одну память, соединенную с процессором, причем в указанной памяти записана программа для осуществления шагов способа по п.1.
PCT/RU2020/050090 2019-05-07 2020-05-06 Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты WO2020226535A1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP20802047.9A EP3968338A4 (en) 2019-05-07 2020-05-06 METHOD AND SYSTEM FOR GENERATION OF INDIVIDUAL NUTRITIONAL RECOMMENDATIONS BASED ON MICROBIOTIC COMPOSITION ANALYSIS

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2019113824 2019-05-07
RU2019113824A RU2724498C1 (ru) 2019-05-07 2019-05-07 Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты

Publications (1)

Publication Number Publication Date
WO2020226535A1 true WO2020226535A1 (ru) 2020-11-12

Family

ID=71135999

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2020/050090 WO2020226535A1 (ru) 2019-05-07 2020-05-06 Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты

Country Status (3)

Country Link
EP (1) EP3968338A4 (ru)
RU (1) RU2724498C1 (ru)
WO (1) WO2020226535A1 (ru)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2745633C1 (ru) * 2020-08-12 2021-03-29 Виктор Николаевич Литуев Способ формирования индивидуальных рекомендаций по питанию для пользователя
US20220399099A1 (en) * 2021-06-15 2022-12-15 Seoul National University R&Db Foundation System and method for providing personalized dietary suggestion platform

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074279A1 (en) * 2004-09-29 2006-04-06 Evgeny Brover Interactive dieting and exercise system
US20160232311A1 (en) * 2014-04-28 2016-08-11 Yeda Research And Development Co., Ltd. Method and apparatus for predicting response to food

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5639471A (en) * 1995-06-06 1997-06-17 Campbell Soup Company Method for determining diet program effectiveness
RU2438727C1 (ru) * 2010-06-18 2012-01-10 Ирина Владимировна Мальцева Способ снижения избыточного веса

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074279A1 (en) * 2004-09-29 2006-04-06 Evgeny Brover Interactive dieting and exercise system
US20160232311A1 (en) * 2014-04-28 2016-08-11 Yeda Research And Development Co., Ltd. Method and apparatus for predicting response to food

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
CAPORASO J. G. ET AL.: "QIIME allows analysis of high-throughput community sequencing data", NATURE METHODS, vol. 7, 2010, pages 335, XP055154026, DOI: 10.1038/nmeth.f.303
CHEN J. ET AL.: "Associating microbiome composition with environmental covariates using generalized UniFrac distances", BIOINFORMATICS, vol. 28, 2012, pages 2106 - 2113, XP055263480, DOI: 10.1093/bioinformatics/bts342
DESANTIS T. Z. ET AL.: "Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB", APPLIED AND ENVIRONMENTAL MICROBIOLOGY, vol. 72, 2006, pages 5069 - 5072
KLIMENKO N. S. ET AL., NUTRIENTS, vol. 10, no. 5, 8 May 2018 (2018-05-08)
KLIMENKO N. S. ET AL.: "Microbiome Responses to an Uncontrolled Short-Term Diet Intervention in the Frame of the Citizen Science Project", NUTRIENTS, vol. 10, no. 5, 8 May 2018 (2018-05-08)
LANGILLE M. G. ET AL.: "Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences", NATURE BIOTECHNOLOGY, vol. 31, 2013, pages 814, XP055328402, DOI: 10.1038/nbt.2676
MORGAN XC ET AL.: "Dysfunction of the intestinal microbiome in inflammatory bowel disease and treatment", GENOME BIOL, vol. 13, no. 9, 16 April 2012 (2012-04-16), pages R79, XP021123384, DOI: 10.1186/gb-2012-13-9-r79
PAULSON J. N.POP M.BRAVO H.: "metagenomeSeq: Statistical analysis for sparse high-throughput sequencing", BIOCONDUCTOR PACKAGE: 1.16.0., 2013
RITARI J. ET AL.: "Improved taxonomic assignment of human intestinal 16S rRNA sequences by a dedicated reference database", BMC GENOMICS, vol. 16, 2015, pages 1056
ROGNES T.FLOURI T.NICHOLS B.QUINCE C.MAHE F.: "VSEARCH: a versatile open source tool for metagenomics", PEERJ, vol. 4, 2016, pages e2584
See also references of EP3968338A4
VOLOKHOLESYA ET AL.: "Human Gut Microbiome Response Induced by Fermented Dairy Product Intake in Healthy Volunteers", NUTRIENTS, vol. 11, no. 3, 2019, pages 547
ZEEVI DAVID; KOREM TAL; ZMORA NIV; ISRAELI DAVID; ROTHSCHILD DAPHNA; WEINBERGER ADINA; BEN-YACOV ORLY; LADOR DAR; AVNIT-SAGI TALI;: "Personalized Nutrition by Prediction of Glycemic Responses", CELL, vol. 163, no. 5, 19 November 2015 (2015-11-19), pages 1079 - 1094, XP029306473, DOI: 10.1016/j.cell.2015.11.001 *

Also Published As

Publication number Publication date
EP3968338A4 (en) 2023-08-02
EP3968338A1 (en) 2022-03-16
RU2724498C1 (ru) 2020-06-23

Similar Documents

Publication Publication Date Title
JP7208223B2 (ja) 疾患関連マイクロバイオーム特徴解析プロセス
Maifeld et al. Fasting alters the gut microbiome reducing blood pressure and body weight in metabolic syndrome patients
Marcos-Zambrano et al. Applications of machine learning in human microbiome studies: a review on feature selection, biomarker identification, disease prediction and treatment
US10347366B2 (en) Method and system for microbiome-derived characterization, diagnostics, and therapeutics for cardiovascular disease conditions
US10327642B2 (en) Method and system for microbiome-derived characterization, diagnostics and therapeutics for conditions associated with functional features
Galkin et al. Human microbiome aging clocks based on deep learning and tandem of permutation feature importance and accumulated local effects
Yang et al. Systematic analysis of gut microbiota in pregnant women and its correlations with individual heterogeneity
Proctor The national institutes of health human microbiome project
US20190172555A1 (en) Method and system for microbiome-derived diagnostics and therapeutics for oral health
Zhu et al. MicroPro: using metagenomic unmapped reads to provide insights into human microbiota and disease associations
Eetemadi et al. The computational diet: a review of computational methods across diet, microbiome, and health
Guarino et al. Retraction: Composition and roles of intestinal microbiota in children
Tang et al. Prospective study reveals a microbiome signature that predicts the occurrence of post-operative enterocolitis in Hirschsprung disease (HSCR) patients
Paulson et al. Longitudinal differential abundance analysis of microbial marker-gene surveys using smoothing splines
EP3968338A1 (en) Method and system of generating individual dietary recommendations based on analysis of microbiota composition
CN107710205A (zh) 用于心血管疾病状况的微生物组来源的表征、诊断和治疗的方法及系统
WO2023015258A2 (en) Methods and systems for multi-omic interventions
Wu et al. Multi-omics approaches to studying gastrointestinal microbiome in the context of precision medicine and machine learning
WO2023212563A1 (en) Two competing guilds as core microbiome signature for human diseases
Loganathan The influence of machine learning technologies in gut microbiome research and cancer studies-A review
Herzog et al. The importance of age in compositional and functional profiling of the human intestinal microbiome
EP4057291A1 (en) Diet tracking and generation of a diet quality report
Hopson et al. Bioinformatics and machine learning in gastrointestinal microbiome research and clinical application
Abavisani et al. Deciphering the gut microbiome: The revolution of artificial intelligence in microbiota analysis and intervention
US11139063B1 (en) Systems and methods for generating a microbiome balance plan for prevention of bacterial infection

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20802047

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020802047

Country of ref document: EP

Effective date: 20211207