WO2024062931A1 - 神経変性疾患のリスク判定方法及び判定装置 - Google Patents
神経変性疾患のリスク判定方法及び判定装置 Download PDFInfo
- Publication number
- WO2024062931A1 WO2024062931A1 PCT/JP2023/032629 JP2023032629W WO2024062931A1 WO 2024062931 A1 WO2024062931 A1 WO 2024062931A1 JP 2023032629 W JP2023032629 W JP 2023032629W WO 2024062931 A1 WO2024062931 A1 WO 2024062931A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- streptococcus
- prevotella
- diseases
- bacteria
- expression levels
- Prior art date
Links
- 230000004770 neurodegeneration Effects 0.000 title claims abstract description 71
- 208000015122 neurodegenerative disease Diseases 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 37
- 201000010099 disease Diseases 0.000 claims abstract description 87
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 87
- 241000894006 Bacteria Species 0.000 claims abstract description 81
- 241000894007 species Species 0.000 claims abstract description 57
- 230000001580 bacterial effect Effects 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 206010067889 Dementia with Lewy bodies Diseases 0.000 claims description 67
- 201000002832 Lewy body dementia Diseases 0.000 claims description 67
- 208000018737 Parkinson disease Diseases 0.000 claims description 58
- 206010012289 Dementia Diseases 0.000 claims description 48
- 208000010877 cognitive disease Diseases 0.000 claims description 45
- 208000027061 mild cognitive impairment Diseases 0.000 claims description 43
- 238000013517 stratification Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012502 risk assessment Methods 0.000 claims description 8
- 241000201856 Abiotrophia defectiva Species 0.000 claims description 4
- 241000544634 Actinomyces graevenitzii Species 0.000 claims description 4
- 241000132734 Actinomyces oris Species 0.000 claims description 4
- 241000606806 Aggregatibacter segnis Species 0.000 claims description 4
- 241000913130 Alloprevotella rava Species 0.000 claims description 4
- 241001288806 Alloprevotella tannerae Species 0.000 claims description 4
- 241000193838 Atopobium parvulum Species 0.000 claims description 4
- 241001135237 Bacteroides heparinolyticus Species 0.000 claims description 4
- 241000186020 Bifidobacterium dentium Species 0.000 claims description 4
- 241000589873 Campylobacter concisus Species 0.000 claims description 4
- 241000190566 Capnocytophaga granulosa Species 0.000 claims description 4
- 241000014851 Capnocytophaga leadbetteri Species 0.000 claims description 4
- 241000190882 Capnocytophaga sputigena Species 0.000 claims description 4
- 241000159549 Catonella morbi Species 0.000 claims description 4
- 241000880909 Corynebacterium durum Species 0.000 claims description 4
- 241000158496 Corynebacterium matruchotii Species 0.000 claims description 4
- 241001282092 Filifactor alocis Species 0.000 claims description 4
- 241000605986 Fusobacterium nucleatum Species 0.000 claims description 4
- 241000605994 Fusobacterium periodonticum Species 0.000 claims description 4
- 241000193814 Gemella haemolysans Species 0.000 claims description 4
- 241001147749 Gemella morbillorum Species 0.000 claims description 4
- 241001657446 Gemella sanguinis Species 0.000 claims description 4
- 241000201858 Granulicatella adiacens Species 0.000 claims description 4
- 241000978170 Granulicatella elegans Species 0.000 claims description 4
- 241000606788 Haemophilus haemolyticus Species 0.000 claims description 4
- 241000606822 Haemophilus parahaemolyticus Species 0.000 claims description 4
- 241000819598 Haemophilus sputorum Species 0.000 claims description 4
- 241000133697 Lachnoanaerobaculum orale Species 0.000 claims description 4
- 241000316282 Lactobacillus antri Species 0.000 claims description 4
- 241000218492 Lactobacillus crispatus Species 0.000 claims description 4
- 241000186840 Lactobacillus fermentum Species 0.000 claims description 4
- 241000186606 Lactobacillus gasseri Species 0.000 claims description 4
- 241000186605 Lactobacillus paracasei Species 0.000 claims description 4
- 241000186869 Lactobacillus salivarius Species 0.000 claims description 4
- 241000186783 Lactobacillus vaginalis Species 0.000 claims description 4
- 241000217863 Lautropia mirabilis Species 0.000 claims description 4
- 241000123728 Leptotrichia buccalis Species 0.000 claims description 4
- 241000029588 Leptotrichia hofstadii Species 0.000 claims description 4
- 241000029590 Leptotrichia wadei Species 0.000 claims description 4
- 241000588673 Neisseria elongata Species 0.000 claims description 4
- 241000588674 Neisseria macacae Species 0.000 claims description 4
- 241001294835 Neisseria oralis Species 0.000 claims description 4
- 241001464937 Neisseria perflava Species 0.000 claims description 4
- 241000039886 Oribacterium asaccharolyticum Species 0.000 claims description 4
- 241001311537 Parascardovia denticolens Species 0.000 claims description 4
- 241001464887 Parvimonas micra Species 0.000 claims description 4
- 241000684246 Peptostreptococcus stomatis Species 0.000 claims description 4
- 241001135213 Porphyromonas endodontalis Species 0.000 claims description 4
- 241001343073 Porphyromonas pasteri Species 0.000 claims description 4
- 241001135209 Prevotella denticola Species 0.000 claims description 4
- 241001482483 Prevotella histicola Species 0.000 claims description 4
- 241001135221 Prevotella intermedia Species 0.000 claims description 4
- 241000495654 Prevotella jejuni Species 0.000 claims description 4
- 241000605951 Prevotella loescheii Species 0.000 claims description 4
- 241001135223 Prevotella melaninogenica Species 0.000 claims description 4
- 241000782070 Prevotella multiformis Species 0.000 claims description 4
- 241001365165 Prevotella nanceiensis Species 0.000 claims description 4
- 241001135262 Prevotella oris Species 0.000 claims description 4
- 241001135263 Prevotella oulorum Species 0.000 claims description 4
- 241000864367 Prevotella pallens Species 0.000 claims description 4
- 241000665168 Prevotella pleuritidis Species 0.000 claims description 4
- 241000331195 Prevotella salivae Species 0.000 claims description 4
- 241000331194 Prevotella shahii Species 0.000 claims description 4
- 241000203719 Rothia dentocariosa Species 0.000 claims description 4
- 241000157939 Rothia mucilaginosa Species 0.000 claims description 4
- 241000951718 Selenomonas infelix Species 0.000 claims description 4
- 241001464874 Solobacterium moorei Species 0.000 claims description 4
- 241000191967 Staphylococcus aureus Species 0.000 claims description 4
- 241000194008 Streptococcus anginosus Species 0.000 claims description 4
- 241000176094 Streptococcus australis Species 0.000 claims description 4
- 241001291896 Streptococcus constellatus Species 0.000 claims description 4
- 241000191981 Streptococcus cristatus Species 0.000 claims description 4
- 241000193992 Streptococcus downei Species 0.000 claims description 4
- 241000194026 Streptococcus gordonii Species 0.000 claims description 4
- 241000960363 Streptococcus infantis Species 0.000 claims description 4
- 241001308339 Streptococcus lactarius Species 0.000 claims description 4
- 241001134658 Streptococcus mitis Species 0.000 claims description 4
- 241000194019 Streptococcus mutans Species 0.000 claims description 4
- 241000194025 Streptococcus oralis Species 0.000 claims description 4
- 241000193991 Streptococcus parasanguinis Species 0.000 claims description 4
- 241000194024 Streptococcus salivarius Species 0.000 claims description 4
- 241000194023 Streptococcus sanguinis Species 0.000 claims description 4
- 241000193987 Streptococcus sobrinus Species 0.000 claims description 4
- 241001135235 Tannerella forsythia Species 0.000 claims description 4
- 241000589892 Treponema denticola Species 0.000 claims description 4
- 241000935148 Veillonella infantium Species 0.000 claims description 4
- 241001494424 [Eubacterium] brachy Species 0.000 claims description 4
- 241001494431 [Eubacterium] nodatum Species 0.000 claims description 4
- 241000498616 [Eubacterium] saphenum Species 0.000 claims description 4
- 241001282046 [Eubacterium] sulci Species 0.000 claims description 4
- 229940012969 lactobacillus fermentum Drugs 0.000 claims description 4
- 241000605862 Porphyromonas gingivalis Species 0.000 claims 2
- 241001403829 Streptococcus pseudopneumoniae Species 0.000 claims 2
- 241001148134 Veillonella Species 0.000 claims 2
- 208000011580 syndromic disease Diseases 0.000 claims 2
- 210000003296 saliva Anatomy 0.000 abstract description 12
- 208000024827 Alzheimer disease Diseases 0.000 description 11
- 208000032859 Synucleinopathies Diseases 0.000 description 9
- 208000034799 Tauopathies Diseases 0.000 description 9
- 108020004465 16S ribosomal RNA Proteins 0.000 description 7
- 244000005700 microbiome Species 0.000 description 7
- 241000736262 Microbiota Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 108020004414 DNA Proteins 0.000 description 4
- 102000053602 DNA Human genes 0.000 description 4
- 208000001089 Multiple system atrophy Diseases 0.000 description 4
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 241000606766 Haemophilus parainfluenzae Species 0.000 description 2
- 241000605894 Porphyromonas Species 0.000 description 2
- 241000194017 Streptococcus Species 0.000 description 2
- 208000036278 TDP-43 proteinopathy Diseases 0.000 description 2
- 241001533207 Veillonella atypica Species 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000006999 cognitive decline Effects 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 208000035474 group of disease Diseases 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 208000004051 Chronic Traumatic Encephalopathy Diseases 0.000 description 1
- 208000011990 Corticobasal Degeneration Diseases 0.000 description 1
- 201000011240 Frontotemporal dementia Diseases 0.000 description 1
- 108010053229 Lysyl endopeptidase Proteins 0.000 description 1
- 102000016943 Muramidase Human genes 0.000 description 1
- 108010014251 Muramidase Proteins 0.000 description 1
- 108010062010 N-Acetylmuramoyl-L-alanine Amidase Proteins 0.000 description 1
- 206010060860 Neurological symptom Diseases 0.000 description 1
- 206010037180 Psychiatric symptoms Diseases 0.000 description 1
- 238000003559 RNA-seq method Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- YTRQFSDWAXHJCC-UHFFFAOYSA-N chloroform;phenol Chemical compound ClC(Cl)Cl.OC1=CC=CC=C1 YTRQFSDWAXHJCC-UHFFFAOYSA-N 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000005786 degenerative changes Effects 0.000 description 1
- 208000017004 dementia pugilistica Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 229960000274 lysozyme Drugs 0.000 description 1
- 235000010335 lysozyme Nutrition 0.000 description 1
- 239000004325 lysozyme Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000004498 neuroglial cell Anatomy 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 201000002212 progressive supranuclear palsy Diseases 0.000 description 1
- 210000003079 salivary gland Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Definitions
- the present invention relates to a method and device for determining the risk of neurodegenerative diseases.
- Neurodegenerative diseases are a group of diseases of the central nervous system that are caused by damage or loss of a specific group of nerve cells, and clinically, they are diseases of unknown cause that develop latently and cause psychiatric and neurological symptoms to progress slowly. Point.
- proteins have been classified based on the concept of proteinopathy, in which the same pathogenic protein causes a common pathological condition, based on the main abnormal proteins that accumulate in nerve cells or glial cells and their accumulation patterns.
- Tauopathy such as Alzheimer's disease (AD), TDP43 proteinopathy such as amyotrophic lateral sclerosis (ALS), Parkinson's disease (PD), dementia with Lewy bodies (DLB), multiple system atrophy (MSA) ) is classified as a synucleinopathy.
- Non-Patent Document 1 Non-Patent Document 1
- Non-Patent Document 2 uses a logistic regression analysis method based on microbiome genus and species data from salivary RNA sequencing to distinguish between early Parkinson's disease (PD) patients and healthy individuals from data on 11 bacterial groups.
- an object of the present invention is to provide a risk determination method that can stratify and evaluate the risk of neurodegenerative diseases into a plurality of diseases using easily collected saliva samples.
- the present inventor used the expression levels of multiple types of bacteria obtained from analysis of the salivary microbiota of healthy subjects and patients with multiple diseases belonging to neurodegenerative diseases as explanatory variables. Using a predictive model generated by machine learning using an algorithm obtained as the objective variable to obtain the disease status of patients stratified by disease as training data, multiple types obtained from analysis of the salivary flora of the subjects were used. The inventors have discovered that by applying the expression level of bacteria in the above prediction model, it is possible to stratify and evaluate the risk of neurodegenerative diseases of the subject into a plurality of diseases, and have completed the present invention.
- the present invention provides the following inventions [1] to [8].
- [1] A method executed by a processor of a computer, the method comprising: obtaining the expression levels of multiple types of bacteria from analysis of the salivary flora of the subject; Inputting the obtained expression levels of the plurality of types of bacteria into a prediction model to stratify and evaluate the risk of neurodegenerative diseases of the subject into a plurality of diseases,
- the above prediction model uses the expression levels of multiple types of bacteria obtained from analysis of the salivary flora of healthy subjects and patients with multiple diseases belonging to neurodegenerative diseases as explanatory variables, and uses the expression levels of multiple types of bacteria as explanatory variables, and It is generated by machine learning using an algorithm as training data to obtain the disease status of patients stratified by the objective variables.
- the plurality of types of bacteria are bacterial species with high expression levels in the analysis of the salivary flora of the stratified patients, and/or patients with different diseases in the analysis of the stratified patients' salivary flora.
- a risk determination method for stratifying and evaluating the risk of neurodegenerative diseases into multiple diseases characterized by including bacterial species with significant differences in expression levels among them.
- the above-mentioned stratification of multiple diseases includes stratification of healthy elderly people, mild cognitive impairment (MCI) and dementia (DE), and stratification of healthy elderly people, mild cognitive impairment (MCI) and dementia (DE). and stratification of dementia with Lewy bodies (DLB), or stratification of Parkinson's disease (PD) and dementia with Lewy bodies (DLB), the risk determination method according to [1].
- the plurality of types of bacteria are [Eubacterium] brachy, Porphyromonas endodontalis, Alloprevotella tannerae, Capnocytophaga leadbetteri, Streptococcus gordonii, Campylobacter concisus, Tannerella forsythia, Filifactor alocis, [Eubacterium] nodatum, Streptococcus cristatus, Neisseria elongata, Treponema denticola, Actinomyces oris, [Eubacterium] saphenum, Streptococcus constellatus, Parvimonas micra, Prevotella denticola, Leptotrichia hofstadii, Fusobacterium nucleatum, Catonella morbi, Lac
- a processor a storage device that stores a computer program executed by the processor; Equipped with a communication circuit that accepts the expression levels of multiple types of bacteria from analysis of salivary flora obtained from subjects, The processor executes the computer program to obtain the expression levels of the plurality of types of bacteria received by the communication circuit, inputting the obtained expression levels of the plurality of types of bacteria into a prediction model, stratifying and evaluating the risk of neurodegenerative diseases of the subject into a plurality of diseases;
- the above prediction model uses the expression levels of multiple types of bacteria obtained from analysis of the salivary flora of healthy subjects and patients with multiple diseases belonging to neurodegenerative diseases as explanatory variables, and uses the expression levels of multiple types of bacteria as explanatory variables, and It is generated by machine learning using an algorithm as training data to obtain the disease status of patients stratified by the objective variables.
- the plurality of types of bacteria are bacterial species with high expression levels in the analysis of the salivary flora of the stratified patients, and/or patients with different diseases in the analysis of the stratified patients' salivary flora.
- a risk determination device that stratifies and evaluates the risk of neurodegenerative diseases into multiple diseases, characterized by including bacterial species with significant differences in expression levels between the two.
- the above-mentioned stratification of multiple diseases includes stratification between healthy elderly, mild cognitive impairment (MCI) and dementia (DE), and stratification between healthy elderly and mild cognitive impairment (MCI) and dementia (DE). and stratification of dementia with Lewy bodies (DLB), or stratification of Parkinson's disease (PD) and dementia with Lewy bodies (DLB), the risk assessment device according to [5].
- the risk determination device wherein the plurality of diseases include dementia with Lewy bodies (DLB) and Parkinson's disease (PD).
- the plurality of types of bacteria are [Eubacterium] brachy, Porphyromonas endodontalis, Alloprevotella tannerae, Capnocytophaga leadbetteri, Streptococcus gordonii, Campylobacter concisus, Tannerella forsythia, Filifactor alocis, [Eubacterium] nodatum, Streptococcus cristatus, Neisseria elongata, Treponema denticola, Actinomyces oris, [Eubacterium] saphenum, Streptococcus constellatus, Parvimonas micra, Prevotella denticola, Leptotrichia hofstadii, Fusobacterium nucleatum, Catonella morbi, Lac
- multiple diseases such as healthy subjects, MCI, dementia, AD and DLB, and DLB and PD can be classified using a small amount of easily collected saliva sample. stratification to accurately determine neurodegenerative disease risk. Therefore, it is useful as a means for determining the risk of neurodegenerative diseases in regular medical examinations, and contributes to stratified early diagnosis of neurodegenerative diseases.
- FIG. 1 is a diagram showing the configuration of a determination method of the present invention.
- FIG. 2 is a diagram illustrating an example of the configuration of a risk assessment device.
- 2 is a flowchart illustrating the operation of the determination process in the determination method and risk determination device of the present invention.
- 2 is a flowchart illustrating the operation of training processing in the determination method and risk determination device of the present invention.
- FIG. 3 is a diagram showing the AUC-RF obtained by constructing a prediction model by performing machine learning based on the expression levels of 94 types of bacteria (Table 1) with high expression levels at the species level.
- FIG. 3 is a diagram showing the AUC-RF obtained by constructing a prediction model by performing machine learning based on the expression levels of 95 types of bacteria (Table 2) with high expression levels at the species level.
- FIG. 4 is a diagram showing the AUC-RF obtained by constructing a prediction model by performing machine learning based on the expression levels of 74 types of bacteria (Table 4) with high expression levels at the species level.
- the present invention provides a risk determination method and a determination device for stratifying and evaluating the risk of neurodegenerative diseases into a plurality of diseases.
- neurodegenerative diseases refers to a group of diseases in which each region of the nervous system is affected and exhibits various degenerative changes mainly in nerve cells.
- tauopathies such as Alzheimer's disease (AD); TDP43 proteinopathies such as amyotrophic lateral sclerosis (ALS); Parkinson's disease (PD), dementia with Lewy bodies (DLB), multiple system atrophy ( Examples include synucleinopathy such as MSA).
- the neurodegenerative diseases of the present invention include mild cognitive impairment (MCI).
- tauopathies that indicate cognitive decline, including AD.
- AD Alzheimer's disease
- tauopathies include primary age-related tauopathies, chronic traumatic encephalopathy, progressive supranuclear palsy, corticobasal degeneration, FTDP-17, and Lytiko-Podig disease.
- stratification means grouping. Therefore, in the present invention, any plurality of these neurodegenerative diseases can be stratified and evaluated. Examples include stratification between healthy elderly, MCI, and dementia (DE), stratification between healthy elderly, MCI, dementia (DE), and DLB, and stratification between PD and DLB.
- stratification into healthy subjects, MCI, dementia, and DLB, and stratification into PD and DLB are more preferable.
- both PD and DLB are synucleinopathies, being able to stratify these diseases would be extremely useful.
- dementia (DE) can be stratified into tauopathy and synucleinopathy.
- saliva usually refers to the secreted fluid secreted into the oral cavity from the salivary glands.
- the saliva to be measured in the present invention is saliva collected from healthy individuals and patients with neurodegenerative diseases.
- salivary microbiota refers to a collection of living bacteria in saliva, and their genetic information is sometimes called the microbiome.
- the salivary microbiota is preferably determined by measuring the genetic information of bacteria, specifically 16S rRNA, and therefore is preferably the microbiome.
- One aspect of the risk assessment method of the present invention is A method performed by a processor of a computer, the method comprising: obtaining the expression levels of multiple types of bacteria from analysis of the salivary flora of the subject; Inputting the obtained expression levels of the plurality of types of bacteria into a prediction model to stratify and evaluate the risk of neurodegenerative diseases of the subject into a plurality of diseases,
- the above prediction model uses the expression levels of multiple types of bacteria obtained from analysis of the salivary flora of healthy subjects and patients with multiple diseases belonging to neurodegenerative diseases as explanatory variables, and uses the expression levels of multiple types of bacteria as explanatory variables, and It is generated by machine learning using an algorithm as training data to obtain the disease status of patients stratified by the objective variables.
- the plurality of types of bacteria are bacterial species with high expression levels in the analysis of the salivary flora of the stratified patients, and/or patients with different diseases in the analysis of the stratified patients' salivary flora. This is a risk determination method that stratifies and evaluates the risk of neurodegenerative diseases into multiple diseases, which is characterized by including bacterial species that have significant differences in expression levels among them.
- the method of the present invention includes a step 1 in which the bacterial expression level acquisition device 10 acquires the expression levels of multiple types of bacteria from analysis of the salivary flora of the subject, and a determination device in the processor of the computer.
- step 2 of inputting the obtained expression levels of the plurality of types of bacteria into a prediction model according to No. 20, and stratifying and evaluating the risk of neurodegenerative diseases of the subject into a plurality of diseases.
- step 1 can be carried out, for example, as follows.
- the V1-V2 region of 16S rRNA is amplified by PCR, and the fragments amplified by PCR are sequenced using a next-generation sequencer.
- the determined sequences (reads) that pass a quality check are clustered at a similarity of 97% to form operational taxonomic units (OTUs).
- the OTU sequences are identified by referring to the 16S rRNA sequences registered in the genome database.
- the expression level of each species can be identified from the number of reads for each OTU.
- the process of obtaining the expression levels of multiple types of bacteria from the analysis of the salivary bacterial flora in order to construct a prediction model is also carried out in a similar manner.
- Step 2 is to stratify the risk of neurodegenerative diseases of the subject into a plurality of diseases by inputting the obtained expression levels of the plurality of types of bacteria into a prediction model by the determination device 20 in the processor of the computer. This is done by evaluating. Since the prediction model is input in advance to the processor of the computer that performs step 2, as shown in FIG. It is possible to stratify and evaluate the risks of multiple diseases, and output prediction results.
- the prediction model uses the expression levels of multiple types of bacteria obtained from analysis of the salivary flora of healthy subjects and patients with multiple neurodegenerative diseases as explanatory variables. It is generated by machine learning using an algorithm obtained as the objective variable to obtain stratified patient disease states as training data. For example, as shown in Figure 4, the expression levels of multiple types of bacteria obtained from analysis of the salivary flora of healthy subjects and patients with multiple diseases belonging to neurodegenerative diseases, which are explanatory variables, are obtained and used. Then, a predictive model is generated by machine learning using an algorithm as training data, which uses an algorithm obtained as a target variable to obtain the disease status of patients stratified into healthy subjects and multiple diseases belonging to neurodegenerative diseases. Can be done.
- the above-mentioned bacterial species and their expression levels are analyzed for a cohort consisting of healthy elderly (HC), patients with mild cognitive impairment (MCI), and patients with dementia (DE). From the analysis of bacterial species and their expression levels, we identify bacterial species with high expression levels and characteristic bacterial species (bacterial species that serve as markers with significant differences). Then, using the expression levels of multiple types of bacteria obtained from analysis of the salivary flora of healthy subjects and patients with multiple diseases belonging to neurodegenerative diseases as explanatory variables, we stratified them into healthy subjects and patients with multiple diseases belonging to neurodegenerative diseases.
- a predictive model can be constructed by machine learning using an algorithm obtained as training data to obtain the patient's disease state as a target variable.
- the machine learning for example, random forest can be adopted.
- the plurality of types of bacteria are bacterial species that have a high expression level in the analysis of the salivary flora of the stratified patients, and/or the analysis of the stratified salivary flora of the patients.
- stratifying bacteria to include bacterial species that have significant differences in expression levels between patients with different diseases, it is possible to stratify and evaluate the risk of neurodegenerative diseases into multiple diseases.
- stratification into healthy subjects, MCI, dementia, DLB, PD and DLB, etc. can be performed.
- stratification into healthy subjects, MCI, dementia, and DLB, and stratification into PD and DLB are more preferable.
- both PD and DLB are synucleinopathies, being able to stratify these diseases would be extremely useful.
- PD can be classified according to severity.
- PD is classified into mild (Horn & Yahr severity level 1 or 2) and severe disease (Horn & Yahr severity 3 or higher) based on Horn & Yahr severity.
- mild PD mild PD
- severe PD severe PD
- early stage 5 years or less from onset
- late stage 6 years or more
- examples of bacteria that can be used to stratify the risk of neurodegenerative diseases into multiple diseases include one or more of the bacteria shown in Table 1 below.
- the bacterial species in Table 1 are those used for stratification between healthy subjects, MCI, DE, and DLB.
- the bacterial species used for healthy subjects, DLB, and PD were one or more selected from the bacterial species shown in Table 2.
- the bacterial species used for healthy subjects, DLB, and PD were one or more selected from the bacterial species shown in Table 3.
- the bacterial species used for healthy subjects, DLB, and PD were one or more selected from Table 4.
- One aspect of the determination device of the present invention is a processor; a storage device that stores a computer program executed by the processor; Equipped with a communication circuit that accepts the expression levels of multiple types of bacteria from analysis of salivary flora obtained from subjects, The processor executes the computer program to obtain the expression levels of the plurality of types of bacteria received by the communication circuit, inputting the obtained expression levels of the plurality of types of bacteria into a prediction model, stratifying and evaluating the risk of neurodegenerative diseases of the subject into a plurality of diseases;
- the above prediction model uses the expression levels of multiple types of bacteria obtained from analysis of the salivary flora of healthy subjects and patients with multiple diseases belonging to neurodegenerative diseases as explanatory variables, and uses the expression levels of multiple types of bacteria as explanatory variables, and It is generated by machine learning using an algorithm as training data to obtain the disease status of patients stratified by the objective variables.
- the plurality of types of bacteria are bacterial species with high expression levels in the analysis of the salivary flora of the stratified patients, and/or patients with different diseases in the analysis of the stratified patients' salivary flora.
- This is a risk determination device that stratifies and evaluates the risk of neurodegenerative diseases into multiple diseases, which is characterized by including bacterial species that have significant differences in expression levels among them.
- FIG. 2 shows an outline of the determination device of the present invention.
- the determination device 20 is configured with an information processing device such as a computer, for example.
- the determination device 20 includes a CPU 21 that performs calculation processing, a storage device 22 that stores various data and computer programs, and an input/output interface (I/F) 26 that communicates with other devices.
- I/F input/output interface
- the prediction model 21 is generated by machine learning using as training data an algorithm obtained as an explanatory variable the expression levels of multiple types of bacteria obtained from the analysis of the salivary bacterial flora of healthy individuals and patients with multiple neurodegenerative diseases, and as a target variable obtaining the disease state of patients stratified into healthy individuals and multiple neurodegenerative diseases.
- the explanatory variables are the expression levels of multiple types of bacteria obtained from the analysis of the salivary microbiota of healthy individuals and patients with multiple neurodegenerative diseases
- a prediction model can be generated by performing machine learning on the training data of an algorithm that uses the explanatory variables to obtain the disease state of patients stratified into healthy individuals and multiple neurodegenerative diseases.
- the above-mentioned bacterial species and their expression levels are analyzed for a cohort consisting of healthy elderly people (HC), patients with mild cognitive impairment (MCI), and patients with dementia (DE). From the analysis of the bacterial species and their expression levels, bacterial species with high expression levels and characteristic bacterial species (bacterial species that serve as markers with significant differences) are identified. Then, a prediction model can be constructed by machine learning using an algorithm obtained as training data, with the expression levels of multiple types of bacteria obtained from the analysis of the salivary microbiota of healthy people and patients with multiple diseases belonging to neurodegenerative diseases as explanatory variables, and the objective variable being to obtain the disease state of patients stratified into healthy people and multiple diseases belonging to neurodegenerative diseases.
- random forests can be adopted as the machine learning.
- the plurality of types of bacteria are bacterial species that have a high expression level in the analysis of the salivary flora of the stratified patients, and/or the analysis of the stratified salivary flora of the patients.
- stratifying bacteria to include bacterial species that have significant differences in expression levels between patients with different diseases, it is possible to stratify and evaluate the risk of neurodegenerative diseases into multiple diseases.
- stratification into healthy subjects, MCI, dementia, DLB, PD and DLB, etc. can be performed.
- stratification into healthy subjects, MCI, dementia, and DLB, and stratification into PD and DLB are more preferable.
- both PD and DLB are synucleinopathies, being able to stratify these diseases would be extremely useful.
- the processor executes the computer program to obtain the expression levels of the plurality of types of bacteria received by the communication circuit.
- Step 1 This is performed by inputting the obtained expression levels of the plurality of types of bacteria into the prediction model 21 and stratifying and evaluating the risk of neurodegenerative diseases of the subject into a plurality of diseases (step 2).
- step 1 can be performed, for example, as follows.
- the V1-V2 region of 16S rRNA is amplified by PCR, and the base sequence of the PCR-amplified fragment is determined using a next-generation sequencer.
- the base sequence of the PCR-amplified fragment is determined using a next-generation sequencer.
- reads that have passed the quality check are clustered with a degree of similarity of 97% to form operational classification units (OTUs).
- the bacterial species of each OTU is identified by referring to the base sequence of the OTU and the base sequence of 16S rRNA registered in a genome database.
- the expression level of each bacterial species can be identified from the number of reads for each OTU. Note that the step of obtaining the expression levels of a plurality of types of bacteria from the analysis of salivary bacterial flora for constructing a predictive model is also performed in the same manner.
- Step 2 is performed by inputting the acquired expression levels of the multiple types of bacteria into a prediction model by a determination device 20 in a computer processor, and stratifying and evaluating the subject's risk of neurodegenerative disease into multiple diseases.
- a prediction model has been input in advance into the processor of the computer performing step 2. Therefore, by inputting the expression levels of the multiple types of bacteria obtained in step 1, as shown in Figure 3, the subject's risk of neurodegenerative disease can be stratified into multiple diseases and evaluated, and the prediction results are output.
- Example 1 (Stratification of HC, MCI, DE, and DLB) In multiple cohorts, saliva (0.5-1 .0 mL) was collected. Since it has been suggested that the microbiome may differ depending on the living environment and diet, healthy subjects were chosen to have a spouse or cohabitant with similar lifestyle habits whenever possible. Additionally, patients receiving antibiotics were excluded to minimize drug effects.
- Bacterial deoxyribonucleic acid (DNA) is extracted from the collected saliva using lysozyme and achromopeptidase. The extracted DNA is purified using a phenol-chloroform solution or the like. Using this DNA solution as a template, amplification was performed by PCR using primers designed for the V1-V2 region of the 16S rRNA gene. The nucleotide sequence was obtained from the obtained amplification product using a next generation sequencer such as MiSeq.
- a next generation sequencer such as MiSeq.
- a quality check was performed on the obtained sequence data, primer sequences were removed, and OTU analysis was performed by clustering with a degree of similarity of 97%.
- the OTU base sequence was referenced to the 16S rRNA base sequence registered in the genome database to identify the bacterial species and analyze the bacterial species composition.
- MCI and Machine learning is used to identify these diseases with high accuracy using multiple types of highly expressed bacterial species and characteristic bacterial species (bacterial species that serve as markers with significant differences) between two groups: DE, MCI and DLB, and DE and DLB. We determined combinations of multiple bacteria that could be stratified.
- the constructed prediction model was verified using a different cohort of patients from the patient cohort used for model construction. Alternatively, the prediction accuracy was verified by cross-validation of the constructed prediction model in the cohort used for model construction.
- a prediction model was constructed by performing machine learning based on the expression levels of 94 types of bacteria (Table 1) with high expression levels at the species level.
- the obtained AUC-RF is shown in FIG.
- HC and MCI, HC and DE tauopathy
- MCI and DE semucleinopathy
- MCI and DE tauopathy
- MCI and DLB semucleinopathy
- DE tauopathy
- Example 2 (Stratification of HC, DLB, and PD) In the same manner as in Example 1, stratification of HC, DLB, and PD was attempted. A prediction model was constructed by performing machine learning based on the expression levels of 95 types of bacteria (Table 2) with high expression levels at the species level. The obtained AUC-RF is shown in FIG. 2. As is clear from Figure 6, it was found that the risks of neurodegenerative diseases of HC, DLB, and PD can be stratified and predicted with high accuracy.
- Example 3 (Stratification of HC, DLB, mild PD, and severe PD) In the same manner as in Example 1, an attempt was made to stratify HC, DLB, mild PD, and severe PD. A prediction model was constructed by performing machine learning based on the expression levels of 34 types of bacteria (Table 3) with high expression levels at the species level. The obtained AUC-RF is shown in FIG. As is clear from Figure 7, it was found that the risks of neurodegenerative diseases of HC, DLB, mild PD, and severe PD can be stratified and predicted with high accuracy.
- Example 4 (Stratification of HC, DLB, early PD, and late PD) In the same manner as in Example 1, an attempt was made to stratify HC, DLB, early PD, and late PD. A prediction model was constructed by performing machine learning based on the expression levels of 74 types of bacteria (Table 4) with high expression levels at the species level. The obtained AUC-RF is shown in FIG. As is clear from Figure 8, it was found that the risk of neurodegenerative diseases of HC, DLB, early PD, and late PD can be stratified and predicted with high accuracy.
- multiple diseases such as healthy subjects, MCI, dementia, AD and DLB, and DLB and PD can be classified using a small amount of easily collected saliva sample. stratification to accurately determine neurodegenerative disease risk. Therefore, it is useful as a means for determining the risk of neurodegenerative diseases in regular medical examinations, and contributes to stratified early diagnosis of neurodegenerative diseases.
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
容易に採取できる唾液検体を用いる、神経変性疾患のリスクを複数の疾患に層別化して評価できるリスク判定方法及び判定装置を提供する。 本発明は、コンピュータのプロセッサによって実行される方法であって、 被験者の唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程と、 予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価する工程を含み、 前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、 前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定方法である。
Description
本発明は、神経変性疾患のリスク判定方法及び判定装置に関する。
神経変性疾患は、それぞれ特有の神経細胞群の障害・脱落によって生じる中枢神経系の疾患群であり、臨床的には潜在的に発症し、精神・神経症状が緩徐に進行する原因不明の疾患を指す。近年は、神経細胞あるいはグリア細胞内に蓄積する主要な異常タンパク質や蓄積パターンをもとに、同一の病原タンパク質が共通の病態を惹起するというプロテイノパチーという概念に基づいた分類がされている。アルツハイマー病（Ａｌｚｈｅｉｍｅｒ'ｓ ｄｉｓｅａｓｅ：ＡＤ）などのタウオパチー、筋委縮性側索硬化症（ＡＬＳ）などのＴＤＰ４３プロテイノパチー、パーキンソン病（ＰＤ）、レビー小体型認知症（ＤＬＢ）、多系統萎縮症（ＭＳＡ）などのシヌクレイノパチーに分類される。
これらの神経変性疾患に対する根本的治療薬は、いまだに存在しない。これらの神経変性疾患は、臨床症状が現れたときには、病理学的には治療が困難なところまで進行していることが多い。従って、これらの神経変性疾患の早期診断法、リスク判定法の開発、またこれらの原疾患の早期層別化が望まれている。
最近、腸や口腔内に常在する細菌叢(マイクロバイオーム)が宿主の免疫システムをはじめ、生理状態や病態形成と密接に関与するという報告がある。アルツハイマー病をはじめとした認知症においても、認知機能低下と細菌叢の変化に相関があることが明らかになりつつあり、マイクロバイオームが神経変性疾患のバイオマーカーになる可能性が示唆されている。また、唾液マイクロバイオームのプロファイリングに基づくロジスティック回帰分析により、いくつかの菌種による予測モデルを構築し、軽度認知障害（ＭＣＩ）とアルツハイマー病を判別できることが報告されている（非特許文献１）。また、唾液ＲＮＡのシークエンシングによるマイクロバイオームの属と種のデータに基づくロジスティック回帰分析の手法により、１１種の細菌群のデータから、初期のパーキンソン病（ＰＤ）患者と健常者を識別できたことも報告されている（非特許文献２）。
Ａｌｚｈｅｉｍｅｒ'ｓ Ｄｅｍｅｎｔｉａ，２０２０，ｖｏｌ．１２，ｅ１２０００
ＰｌｏｓＯｎｅ ２０１９ ｖｏｌ．１４，Ｎｏ．６，ｅ０２１８２５２
しかしながら、いずれの手段によっても、健常者と複数の疾患との層別化はできておらず、種々の神経変性疾患の層別化バイオマーカーは開発されていなかった。
従って、本発明の課題は、容易に採取できる唾液検体を用いる、神経変性疾患のリスクを複数の疾患に層別化して評価できるリスク判定方法を提供することにある。
従って、本発明の課題は、容易に採取できる唾液検体を用いる、神経変性疾患のリスクを複数の疾患に層別化して評価できるリスク判定方法を提供することにある。
そこで本発明者は、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成された予測モデルを用い、被験者の唾液細菌叢の分析から得られた複数種類の細菌の発現量を、前記予測モデルに適用すれば、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価できることを見出し、本発明を完成した。
すなわち、本発明は、次の発明［１］～［８］を提供するものである。
［１］コンピュータのプロセッサによって実行される方法であって、
被験者の唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程と、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価する工程を含み、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定方法。
［２］前記複数の疾患の層別化が、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）の層別化、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）とレビー小体型認知症（ＤＬＢ）の層別化、又はパーキンソン病（ＰＤ）とレビー小体型認知症（ＤＬＢ）の層別化を含むことを特徴とする、［１］に記載のリスク判定方法。
［３］前記複数の疾患が、レビー小体型認知症（ＤＬＢ）及びパーキンソン病（ＰＤ）を含むことを特徴とする、［１］に記載のリスク判定方法。
［４］前記複数種類の細菌が、[Eubacterium] brachy、Porphyromonas endodontalis、Alloprevotella tannerae、Capnocytophaga leadbetteri、Streptococcus gordonii、Campylobacter concisus、Tannerella forsythia、Filifactor alocis、[Eubacterium] nodatum、Streptococcus cristatus、Neisseria elongata、Treponema denticola、Actinomyces oris、[Eubacterium] saphenum、Streptococcus constellatus、Parvimonas micra、Prevotella denticola、Leptotrichia hofstadii、Fusobacterium nucleatum、Catonella morbi、Lactobacillus antri、Alloprevotella rava、Streptococcus anginosus、Prevotella jejuni、Streptococcus mitis、Gemella haemolysans、Neisseria macacae、Prevotella multiformis、Abiotrophia defectiva、Streptococcus salivarius、Streptococcus lactarius、Corynebacterium matruchotii、Oribacterium asaccharolyticum、Prevotella loescheii、Aggregatibacter segnis、Peptostreptococcus stomatis、Veillonella infantium、Capnocytophaga granulosa、Leptotrichia buccalis、Veillonella atypica、Streptococcus pseudopneumoniae、Corynebacterium durum、Granulicatella adiacens、[Eubacterium] sulci、Selenomonas infelix、Capnocytophaga sputigena、Lactobacillus crispatus、Streptococcus parasanguinis、Rothia mucilaginosa、Streptococcus sobrinus、Atopobium parvulum、Solobacterium moorei、Neisseria perflava、Bifidobacterium dentium、Actinomyces graevenitzii、Streptococcus mutans、Prevotella pallens、Porphyromonas gingivalis、Rothia dentocariosa、Fusobacterium periodonticum、Lactobacillus fermentum、Prevotella melaninogenica、Leptotrichia wadei、Lautropia mirabilis、Streptococcus infantis、Neisseria oralis、Prevotella pleuritidis、Prevotella oris、Lactobacillus paracasei、Lachnoanaerobaculum orale、Haemophilus parahaemolyticus、Prevotella nanceiensis、Lactobacillus salivarius、Streptococcus sanguinis、Haemophilus parainfluenzae、Lactobacillus vaginalis、Bacteroides heparinolyticus、Prevotella salivae、Gemella morbillorum、Gemella sanguinis、Prevotella shahii、Haemophilus haemolyticus、Schaalia odontolytica、Lactobacillus gasseri、Streptococcus australis、Streptococcus oralis、Prevotella histicola、Schaalia meyeri、Porphyromonas pasteri、Prevotella intermedia、Granulicatella elegans、Streptococcus downei、Parascardovia denticolens、Staphylococcus aureus、Haemophilus sputorum、及びPrevotella oulorumからなる群から選択される１以上の種の細菌を含むことを特徴とする、［１］～［３］のいずれかに記載のリスク判定方法。
［１］コンピュータのプロセッサによって実行される方法であって、
被験者の唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程と、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価する工程を含み、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定方法。
［２］前記複数の疾患の層別化が、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）の層別化、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）とレビー小体型認知症（ＤＬＢ）の層別化、又はパーキンソン病（ＰＤ）とレビー小体型認知症（ＤＬＢ）の層別化を含むことを特徴とする、［１］に記載のリスク判定方法。
［３］前記複数の疾患が、レビー小体型認知症（ＤＬＢ）及びパーキンソン病（ＰＤ）を含むことを特徴とする、［１］に記載のリスク判定方法。
［４］前記複数種類の細菌が、[Eubacterium] brachy、Porphyromonas endodontalis、Alloprevotella tannerae、Capnocytophaga leadbetteri、Streptococcus gordonii、Campylobacter concisus、Tannerella forsythia、Filifactor alocis、[Eubacterium] nodatum、Streptococcus cristatus、Neisseria elongata、Treponema denticola、Actinomyces oris、[Eubacterium] saphenum、Streptococcus constellatus、Parvimonas micra、Prevotella denticola、Leptotrichia hofstadii、Fusobacterium nucleatum、Catonella morbi、Lactobacillus antri、Alloprevotella rava、Streptococcus anginosus、Prevotella jejuni、Streptococcus mitis、Gemella haemolysans、Neisseria macacae、Prevotella multiformis、Abiotrophia defectiva、Streptococcus salivarius、Streptococcus lactarius、Corynebacterium matruchotii、Oribacterium asaccharolyticum、Prevotella loescheii、Aggregatibacter segnis、Peptostreptococcus stomatis、Veillonella infantium、Capnocytophaga granulosa、Leptotrichia buccalis、Veillonella atypica、Streptococcus pseudopneumoniae、Corynebacterium durum、Granulicatella adiacens、[Eubacterium] sulci、Selenomonas infelix、Capnocytophaga sputigena、Lactobacillus crispatus、Streptococcus parasanguinis、Rothia mucilaginosa、Streptococcus sobrinus、Atopobium parvulum、Solobacterium moorei、Neisseria perflava、Bifidobacterium dentium、Actinomyces graevenitzii、Streptococcus mutans、Prevotella pallens、Porphyromonas gingivalis、Rothia dentocariosa、Fusobacterium periodonticum、Lactobacillus fermentum、Prevotella melaninogenica、Leptotrichia wadei、Lautropia mirabilis、Streptococcus infantis、Neisseria oralis、Prevotella pleuritidis、Prevotella oris、Lactobacillus paracasei、Lachnoanaerobaculum orale、Haemophilus parahaemolyticus、Prevotella nanceiensis、Lactobacillus salivarius、Streptococcus sanguinis、Haemophilus parainfluenzae、Lactobacillus vaginalis、Bacteroides heparinolyticus、Prevotella salivae、Gemella morbillorum、Gemella sanguinis、Prevotella shahii、Haemophilus haemolyticus、Schaalia odontolytica、Lactobacillus gasseri、Streptococcus australis、Streptococcus oralis、Prevotella histicola、Schaalia meyeri、Porphyromonas pasteri、Prevotella intermedia、Granulicatella elegans、Streptococcus downei、Parascardovia denticolens、Staphylococcus aureus、Haemophilus sputorum、及びPrevotella oulorumからなる群から選択される１以上の種の細菌を含むことを特徴とする、［１］～［３］のいずれかに記載のリスク判定方法。
［５］プロセッサと、
前記プロセッサによって実行されるコンピュータプログラムを格納する記憶装置と、
被験者から取得される唾液細菌叢の分析から複数種類の細菌の発現量を受け付ける通信回路とを備え、
前記プロセッサは、前記コンピュータプログラムを実行することにより、前記通信回路により受け付けられた前記複数種類の細菌の発現量を取得し、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価し、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定装置。
［６］前記複数の疾患の層別化が、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）の層別化、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）とレビー小体型認知症（ＤＬＢ）の層別化、又はパーキンソン病（ＰＤ）とレビー小体型認知症（ＤＬＢ）の層別化を含むことを特徴とする、［５］に記載のリスク判定装置。
［７］前記複数の疾患が、レビー小体型認知症（ＤＬＢ）及びパーキンソン病（ＰＤ）を含むことを特徴とする、［５］に記載のリスク判定装置。
［８］前記複数種類の細菌が、[Eubacterium] brachy、Porphyromonas endodontalis、Alloprevotella tannerae、Capnocytophaga leadbetteri、Streptococcus gordonii、Campylobacter concisus、Tannerella forsythia、Filifactor alocis、[Eubacterium] nodatum、Streptococcus cristatus、Neisseria elongata、Treponema denticola、Actinomyces oris、[Eubacterium] saphenum、Streptococcus constellatus、Parvimonas micra、Prevotella denticola、Leptotrichia hofstadii、Fusobacterium nucleatum、Catonella morbi、Lactobacillus antri、Alloprevotella rava、Streptococcus anginosus、Prevotella jejuni、Streptococcus mitis、Gemella haemolysans、Neisseria macacae、Prevotella multiformis、Abiotrophia defectiva、Streptococcus salivarius、Streptococcus lactarius、Corynebacterium matruchotii、Oribacterium asaccharolyticum、Prevotella loescheii、Aggregatibacter segnis、Peptostreptococcus stomatis、Veillonella infantium、Capnocytophaga granulosa、Leptotrichia buccalis、Veillonella atypica、Streptococcus pseudopneumoniae、Corynebacterium durum、Granulicatella adiacens、[Eubacterium] sulci、Selenomonas infelix、Capnocytophaga sputigena、Lactobacillus crispatus、Streptococcus parasanguinis、Rothia mucilaginosa、Streptococcus sobrinus、Atopobium parvulum、Solobacterium moorei、Neisseria perflava、Bifidobacterium dentium、Actinomyces graevenitzii、Streptococcus mutans、Prevotella pallens、Porphyromonas gingivalis、Rothia dentocariosa、Fusobacterium periodonticum、Lactobacillus fermentum、Prevotella melaninogenica、Leptotrichia wadei、Lautropia mirabilis、Streptococcus infantis、Neisseria oralis、Prevotella pleuritidis、Prevotella oris、Lactobacillus paracasei、Lachnoanaerobaculum orale、Haemophilus parahaemolyticus、Prevotella nanceiensis、Lactobacillus salivarius、Streptococcus sanguinis、Haemophilus parainfluenzae、Lactobacillus vaginalis、Bacteroides heparinolyticus、Prevotella salivae、Gemella morbillorum、Gemella sanguinis、Prevotella shahii、Haemophilus haemolyticus、Schaalia odontolytica、Lactobacillus gasseri、Streptococcus australis、Streptococcus oralis、Prevotella histicola、Schaalia meyeri、Porphyromonas pasteri、Prevotella intermedia、Granulicatella elegans、Streptococcus downei、Parascardovia denticolens、Staphylococcus aureus、Haemophilus sputorum、及びPrevotella oulorumからなる群から選択される１以上の種の細菌を含むことを特徴とする、［５］～［７］のいずれかに記載のリスク判定装置。
前記プロセッサによって実行されるコンピュータプログラムを格納する記憶装置と、
被験者から取得される唾液細菌叢の分析から複数種類の細菌の発現量を受け付ける通信回路とを備え、
前記プロセッサは、前記コンピュータプログラムを実行することにより、前記通信回路により受け付けられた前記複数種類の細菌の発現量を取得し、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価し、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定装置。
［６］前記複数の疾患の層別化が、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）の層別化、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）とレビー小体型認知症（ＤＬＢ）の層別化、又はパーキンソン病（ＰＤ）とレビー小体型認知症（ＤＬＢ）の層別化を含むことを特徴とする、［５］に記載のリスク判定装置。
［７］前記複数の疾患が、レビー小体型認知症（ＤＬＢ）及びパーキンソン病（ＰＤ）を含むことを特徴とする、［５］に記載のリスク判定装置。
［８］前記複数種類の細菌が、[Eubacterium] brachy、Porphyromonas endodontalis、Alloprevotella tannerae、Capnocytophaga leadbetteri、Streptococcus gordonii、Campylobacter concisus、Tannerella forsythia、Filifactor alocis、[Eubacterium] nodatum、Streptococcus cristatus、Neisseria elongata、Treponema denticola、Actinomyces oris、[Eubacterium] saphenum、Streptococcus constellatus、Parvimonas micra、Prevotella denticola、Leptotrichia hofstadii、Fusobacterium nucleatum、Catonella morbi、Lactobacillus antri、Alloprevotella rava、Streptococcus anginosus、Prevotella jejuni、Streptococcus mitis、Gemella haemolysans、Neisseria macacae、Prevotella multiformis、Abiotrophia defectiva、Streptococcus salivarius、Streptococcus lactarius、Corynebacterium matruchotii、Oribacterium asaccharolyticum、Prevotella loescheii、Aggregatibacter segnis、Peptostreptococcus stomatis、Veillonella infantium、Capnocytophaga granulosa、Leptotrichia buccalis、Veillonella atypica、Streptococcus pseudopneumoniae、Corynebacterium durum、Granulicatella adiacens、[Eubacterium] sulci、Selenomonas infelix、Capnocytophaga sputigena、Lactobacillus crispatus、Streptococcus parasanguinis、Rothia mucilaginosa、Streptococcus sobrinus、Atopobium parvulum、Solobacterium moorei、Neisseria perflava、Bifidobacterium dentium、Actinomyces graevenitzii、Streptococcus mutans、Prevotella pallens、Porphyromonas gingivalis、Rothia dentocariosa、Fusobacterium periodonticum、Lactobacillus fermentum、Prevotella melaninogenica、Leptotrichia wadei、Lautropia mirabilis、Streptococcus infantis、Neisseria oralis、Prevotella pleuritidis、Prevotella oris、Lactobacillus paracasei、Lachnoanaerobaculum orale、Haemophilus parahaemolyticus、Prevotella nanceiensis、Lactobacillus salivarius、Streptococcus sanguinis、Haemophilus parainfluenzae、Lactobacillus vaginalis、Bacteroides heparinolyticus、Prevotella salivae、Gemella morbillorum、Gemella sanguinis、Prevotella shahii、Haemophilus haemolyticus、Schaalia odontolytica、Lactobacillus gasseri、Streptococcus australis、Streptococcus oralis、Prevotella histicola、Schaalia meyeri、Porphyromonas pasteri、Prevotella intermedia、Granulicatella elegans、Streptococcus downei、Parascardovia denticolens、Staphylococcus aureus、Haemophilus sputorum、及びPrevotella oulorumからなる群から選択される１以上の種の細菌を含むことを特徴とする、［５］～［７］のいずれかに記載のリスク判定装置。
本発明方法及び装置によれば、容易に採取可能な少量の唾液サンプルを用いて、健常者とＭＣＩと認知症、ＡＤとＤＬＢなどのプロテイノパチーの分類、ＤＬＢとＰＤなどのように、複数の疾患に層別化して神経変性疾患リスクの判定が正確にできる。従って、通常の健康診断における神経変性疾患のリスク判定手段として有用であり、層別化された神経変性疾患の早期診断に資するものである。
本発明は、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定方法及び判定装置である。
本明細書において「神経変性疾患」とは、前記のように、それぞれ特有の領域の神経系が侵され、神経細胞を中心とする様々な退行性変化を呈する疾患群であり、具体的には、アルツハイマー病（Ａｌｚｈｅｉｍｅｒ'ｓ ｄｉｓｅａｓｅ：ＡＤ）などのタウオパチー；筋委縮性側索硬化症（ＡＬＳ）などのＴＤＰ４３プロテイノパチー；パーキンソン病（ＰＤ）、レビー小体認知症（ＤＬＢ）、多系統萎縮症（ＭＳＡ）などのシヌクレイノパチーが挙げられる。また、本発明の神経変性疾患には、軽度認知障害（ＭＣＩ）が含まれる。本明細書で、単に認知症（ＤＥ）というときは、ＡＤを含む認知機能低下を示すタウオパチーの総称とする。
タウオパチーには、アルツハイマー病の他、原発性年齢関連タウオパチー、慢性外傷性脳症、進行性核上性麻痺、大脳皮質基底核変性症、ＦＴＤＰ－１７、リティコ－ポディグ病などが挙げられる。
本明細書において「神経変性疾患」とは、前記のように、それぞれ特有の領域の神経系が侵され、神経細胞を中心とする様々な退行性変化を呈する疾患群であり、具体的には、アルツハイマー病（Ａｌｚｈｅｉｍｅｒ'ｓ ｄｉｓｅａｓｅ：ＡＤ）などのタウオパチー；筋委縮性側索硬化症（ＡＬＳ）などのＴＤＰ４３プロテイノパチー；パーキンソン病（ＰＤ）、レビー小体認知症（ＤＬＢ）、多系統萎縮症（ＭＳＡ）などのシヌクレイノパチーが挙げられる。また、本発明の神経変性疾患には、軽度認知障害（ＭＣＩ）が含まれる。本明細書で、単に認知症（ＤＥ）というときは、ＡＤを含む認知機能低下を示すタウオパチーの総称とする。
タウオパチーには、アルツハイマー病の他、原発性年齢関連タウオパチー、慢性外傷性脳症、進行性核上性麻痺、大脳皮質基底核変性症、ＦＴＤＰ－１７、リティコ－ポディグ病などが挙げられる。
本明細書において、層別化とは、グループ分けすることを意味する。従って、本発明においては、これらの神経変性疾患のうちの任意の複数の疾患を層別化して評価することができる。例えば、健常高齢者とＭＣＩと認知症（ＤＥ）の層別化、健常高齢者とＭＣＩと認知症（ＤＥ）とＤＬＢの層別化、ＰＤとＤＬＢの層別化などが挙げられる。
ここで、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化がより好ましい。ＰＤとＤＬＢはいずれもシヌクレイノパチーであるにもかかわらず、これらの疾患を層別化できることは、極めて有用である。また、認知症（ＤＥ）をタウオパチーとシヌクレイノパチーとして層別化できる。
ここで、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化がより好ましい。ＰＤとＤＬＢはいずれもシヌクレイノパチーであるにもかかわらず、これらの疾患を層別化できることは、極めて有用である。また、認知症（ＤＥ）をタウオパチーとシヌクレイノパチーとして層別化できる。
「唾液」とは、通常、唾液腺から口腔内に分泌される分泌液をいう。本発明で測定対象となる唾液は、健常者及び神経変性疾患患者から採取される唾液である。
「唾液細菌叢」とは、唾液中における生きた細菌の集合を意味し、それらの遺伝情報をマイクロバイオームと呼ぶこともある。本発明においては、唾液細菌叢は、細菌の遺伝情報、具体的には１６Ｓ ｒＲＮＡを測定して行うのが好ましいので、マイクロバイオームであるのが好ましい。
本発明リスク判定方法の一態様は、
コンピュータのプロセッサによって実行される方法であって、
被験者の唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程と、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価する工程を含み、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定方法である。
コンピュータのプロセッサによって実行される方法であって、
被験者の唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程と、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価する工程を含み、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定方法である。
本発明方法は、図１に示すように、細菌の発現量取得装置１０による、被験者の唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程１と、コンピュータのプロセッサ中の判定装置２０による、予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価する工程２とを含む。
ここで、工程１は、例えば、次のようにして行うことができる。
唾液検体中の細菌について、１６Ｓ ｒＲＮＡのＶ１－Ｖ２領域をＰＣＲにより増幅し、ＰＣＲにより増幅した断片について、次世代シークエンサーを用いて塩基配列を決定する。次に、決定した塩基配列（リード）のうちクオリティチェックをパスしたリードを、９７％の類似度でクラスタリングして、操作上の分類単位（ＯＴＵ）とする。ＯＴＵの塩基配列を、ゲノムデータベースに登録されている１６Ｓ ｒＲＮＡの塩基配列を参照して、各ＯＴＵの菌種を同定する。各ＯＴＵのリードの数から、各菌種の発現量を同定することができる。
なお、予測モデルを構築するための唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程も同様にして行われる。
唾液検体中の細菌について、１６Ｓ ｒＲＮＡのＶ１－Ｖ２領域をＰＣＲにより増幅し、ＰＣＲにより増幅した断片について、次世代シークエンサーを用いて塩基配列を決定する。次に、決定した塩基配列（リード）のうちクオリティチェックをパスしたリードを、９７％の類似度でクラスタリングして、操作上の分類単位（ＯＴＵ）とする。ＯＴＵの塩基配列を、ゲノムデータベースに登録されている１６Ｓ ｒＲＮＡの塩基配列を参照して、各ＯＴＵの菌種を同定する。各ＯＴＵのリードの数から、各菌種の発現量を同定することができる。
なお、予測モデルを構築するための唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程も同様にして行われる。
工程２は、コンピュータのプロセッサ中の判定装置２０による、予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価することにより行われる。
工程２を行うコンピュータのプロセッサには、予め予測モデルが入力されているので、図３のように、工程１で取得した前記複数種類の細菌の発現量を入力すれば、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価することができ、予測結果が出力される。
工程２を行うコンピュータのプロセッサには、予め予測モデルが入力されているので、図３のように、工程１で取得した前記複数種類の細菌の発現量を入力すれば、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価することができ、予測結果が出力される。
次に、予測モデルの構築について説明する。
予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成される。
例えば、図４に示すように、説明変数である、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を取得し、これを用いて、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習させることにより、予測モデルを生成させることができる。
より具体的には、例えば、健常高齢者（ＨＣ）、軽度認知障害（ＭＣＩ）の患者、認知症（ＤＥ）の患者からなるコホートに対して、前記の菌種とその発現量を分析する。菌種とその発現量の分析から、発現量の多い菌種や、特徴菌種（有意差のあるマーカーとなる菌種）を特定する。そして、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により、予測モデルを構築することができる。
ここで、機械学習としては、例えば、ランダムフォレストを採用することができる。
予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成される。
例えば、図４に示すように、説明変数である、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を取得し、これを用いて、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習させることにより、予測モデルを生成させることができる。
より具体的には、例えば、健常高齢者（ＨＣ）、軽度認知障害（ＭＣＩ）の患者、認知症（ＤＥ）の患者からなるコホートに対して、前記の菌種とその発現量を分析する。菌種とその発現量の分析から、発現量の多い菌種や、特徴菌種（有意差のあるマーカーとなる菌種）を特定する。そして、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により、予測モデルを構築することができる。
ここで、機械学習としては、例えば、ランダムフォレストを採用することができる。
本発明においては、前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むように層別化することにより、神経変性疾患のリスクを複数の疾患に層別化して評価することができる。
具体的には、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化などを行うことができる。ここで、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化がより好ましい。ＰＤとＤＬＢはいずれもシヌクレイノパチーであるにもかかわらず、これらの疾患を層別化できることは、極めて有用である。
具体的には、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化などを行うことができる。ここで、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化がより好ましい。ＰＤとＤＬＢはいずれもシヌクレイノパチーであるにもかかわらず、これらの疾患を層別化できることは、極めて有用である。
ＰＤは重症度によって分類ができる。ここでは、ホーン＆ヤール重症度を基準にＰＤを軽症（ホーン＆ヤール重症度 １度または２度）、重症（ホーン＆ヤール重症度 ３度以上）に分類する。具体的には、健常者とＤＬＢと軽症ＰＤと重症ＰＤの層別化を行うことができる。また、ＰＤを罹患期間で早期（発症から５年以下）と後期（６年以上）に分類する。健常者とＤＬＢと早期ＰＤと後期ＰＤの層別化を行うことができる。
ここで、神経変性疾患のリスクを複数の疾患に層別化に用いることのできる細菌としては、下記表１に示す細菌の１種又は２種以上が挙げられる。表１の菌種は、健常者とＭＣＩとＤＥとＤＬＢの層別化に用いた菌種である。
健常者とＤＬＢとＰＤに用いた菌種は、表２の菌種から選ばれる１種又は２種以上である。
健常者とＤＬＢとＰＤ（重症度層別）に用いた菌種は、表３の菌種から選ばれる１種又は２種以上である。
健常者とＤＬＢとＰＤ（罹患期間層別）に用いた菌種は、表４から選ばれる１種又は２種以上である。
本発明の判定装置の一態様は、
プロセッサと、
前記プロセッサによって実行されるコンピュータプログラムを格納する記憶装置と、
被験者から取得される唾液細菌叢の分析から複数種類の細菌の発現量を受け付ける通信回路とを備え、
前記プロセッサは、前記コンピュータプログラムを実行することにより、前記通信回路により受け付けられた前記複数種類の細菌の発現量を取得し、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価し、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定装置である。
プロセッサと、
前記プロセッサによって実行されるコンピュータプログラムを格納する記憶装置と、
被験者から取得される唾液細菌叢の分析から複数種類の細菌の発現量を受け付ける通信回路とを備え、
前記プロセッサは、前記コンピュータプログラムを実行することにより、前記通信回路により受け付けられた前記複数種類の細菌の発現量を取得し、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価し、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定装置である。
本発明判定装置の概略を図２に示す。判定装置２０は、例えばコンピュータのような情報処理装置で構成される。判定装置２０は、演算の処理を行うＣＰＵ２１と、各種データ及びコンピュータプログラムを記憶する記憶装置２２と、他の機器と通信を行うための入出力インタフェース（Ｉ／Ｆ）２６とを備える。
予測モデル２１は、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成される。
例えば、図４に示すように、説明変数である、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を取得し、これを用いて、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習させることにより、予測モデルを生成させることができる。
より具体的には、例えば、健常高齢者（ＨＣ）、軽度認知障害（ＭＣＩ）の患者、認知症（ＤＥ）の患者からなるコホートに対して、前記の菌種とその発現量を分析する。菌種とその発現量の分析から、発現量の多い菌種や、特徴菌種（有意差のあるマーカーとなる菌種）を特定する。そして、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により、予測モデルを構築することができる。
ここで、機械学習としては、例えば、ランダムフォレストを採用することができる。
例えば、図４に示すように、説明変数である、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を取得し、これを用いて、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習させることにより、予測モデルを生成させることができる。
より具体的には、例えば、健常高齢者（ＨＣ）、軽度認知障害（ＭＣＩ）の患者、認知症（ＤＥ）の患者からなるコホートに対して、前記の菌種とその発現量を分析する。菌種とその発現量の分析から、発現量の多い菌種や、特徴菌種（有意差のあるマーカーとなる菌種）を特定する。そして、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により、予測モデルを構築することができる。
ここで、機械学習としては、例えば、ランダムフォレストを採用することができる。
本発明においては、前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むように層別化することにより、神経変性疾患のリスクを複数の疾患に層別化して評価することができる。
具体的には、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化などを行うことができる。ここで、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化がより好ましい。ＰＤとＤＬＢはいずれもシヌクレイノパチーであるにもかかわらず、これらの疾患を層別化できることは、極めて有用である。
具体的には、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化などを行うことができる。ここで、健常者とＭＣＩと認知症とＤＬＢの層別化、ＰＤとＤＬＢの層別化がより好ましい。ＰＤとＤＬＢはいずれもシヌクレイノパチーであるにもかかわらず、これらの疾患を層別化できることは、極めて有用である。
本発明判定装置を用いて、神経変性疾患のリスクを判定するには、前記プロセッサにおいて、前記コンピュータプログラムを実行することにより、前記通信回路により受け付けられた前記複数種類の細菌の発現量を取得し（工程１）、
予測モデル２１に、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価すること（工程２）により行われる。
予測モデル２１に、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価すること（工程２）により行われる。
ここで、工程１は、例えば、次のようにして行うことができる。
唾液検体中の細菌について、１６Ｓ ｒＲＮＡのＶ１－Ｖ２領域をＰＣＲにより増幅し、ＰＣＲにより増幅した断片について、次世代シークエンサーを用いて塩基配列を決定する。次に、決定した塩基配列（リード）のうちクオリティチェックをパスしたリードを、９７％の類似度でクラスタリングして、操作上の分類単位（ＯＴＵ）とする。ＯＴＵの塩基配列を、ゲノムデータベースに登録されている１６Ｓ ｒＲＮＡの塩基配列を参照して、各ＯＴＵの菌種を同定する。各ＯＴＵのリードの数から、各菌種の発現量を同定することができる。
なお、予測モデルを構築するための唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程も同様にして行われる。
唾液検体中の細菌について、１６Ｓ ｒＲＮＡのＶ１－Ｖ２領域をＰＣＲにより増幅し、ＰＣＲにより増幅した断片について、次世代シークエンサーを用いて塩基配列を決定する。次に、決定した塩基配列（リード）のうちクオリティチェックをパスしたリードを、９７％の類似度でクラスタリングして、操作上の分類単位（ＯＴＵ）とする。ＯＴＵの塩基配列を、ゲノムデータベースに登録されている１６Ｓ ｒＲＮＡの塩基配列を参照して、各ＯＴＵの菌種を同定する。各ＯＴＵのリードの数から、各菌種の発現量を同定することができる。
なお、予測モデルを構築するための唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程も同様にして行われる。
工程２は、コンピュータのプロセッサ中の判定装置２０による、予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価することにより行われる。
工程２を行うコンピュータのプロセッサには、予め予測モデルが入力されているので、図３のように、工程１で取得した前記複数種類の細菌の発現量を入力すれば、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価することができ、予測結果が出力される。
工程２を行うコンピュータのプロセッサには、予め予測モデルが入力されているので、図３のように、工程１で取得した前記複数種類の細菌の発現量を入力すれば、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価することができ、予測結果が出力される。
次に実施例を挙げて本発明を、さらに詳細に説明するが、本発明はこれらの実施例に何ら限定されるものではない。
実施例１（ＨＣとＭＣＩとＤＥとＤＬＢの層別化）
複数のコホートにおいて、ＭＭＳＥやＨＤＳ－Ｒなどの認知機能テスト、脳画像解析（ＭＲＩ／ＳＰＥＣＴ）からＭＣＩ、ＤＥ、ＤＬＢと診断された患者、および健常者（ＨＣ）から唾液（０．５～１．０ｍＬ）を採取した。マイクロバイオームは、生活環境や食生活で異なる可能性が示唆されているため、可能な限り健常者は生活習慣の近い配偶者あるいは同居人とした。さらに、薬剤の影響を最小限にするため、抗生剤を投与中の患者は除外した。採取した唾液からリゾチーム、アクロモペプチダーゼを用いて細菌のデオキシリボ核酸（ＤＮＡ）を抽出する。抽出したＤＮＡをフェノールクロロホルム溶液などを用いて精製する。このＤＮＡ溶液を鋳型に、１６Ｓ ｒＲＮＡ遺伝子のＶ１－Ｖ２領域に設計したプライマーを用いてＰＣＲ法により増幅した。得られた増幅産物からＭｉＳｅｑなどの次世代シークエンサーを用いて塩基配列を取得した。
複数のコホートにおいて、ＭＭＳＥやＨＤＳ－Ｒなどの認知機能テスト、脳画像解析（ＭＲＩ／ＳＰＥＣＴ）からＭＣＩ、ＤＥ、ＤＬＢと診断された患者、および健常者（ＨＣ）から唾液（０．５～１．０ｍＬ）を採取した。マイクロバイオームは、生活環境や食生活で異なる可能性が示唆されているため、可能な限り健常者は生活習慣の近い配偶者あるいは同居人とした。さらに、薬剤の影響を最小限にするため、抗生剤を投与中の患者は除外した。採取した唾液からリゾチーム、アクロモペプチダーゼを用いて細菌のデオキシリボ核酸（ＤＮＡ）を抽出する。抽出したＤＮＡをフェノールクロロホルム溶液などを用いて精製する。このＤＮＡ溶液を鋳型に、１６Ｓ ｒＲＮＡ遺伝子のＶ１－Ｖ２領域に設計したプライマーを用いてＰＣＲ法により増幅した。得られた増幅産物からＭｉＳｅｑなどの次世代シークエンサーを用いて塩基配列を取得した。
取得したシーケンスデータからクオリティチェック、プライマー配列の除去を行い、９７％の類似度でクラスタリングしＯＴＵ解析を行なった。ＯＴＵの塩基配列を、ゲノムデータベースに登録されている１６Ｓ ｒＲＮＡの塩基配列を参照して、菌種の特定、菌種組成の解析などを行なった。ＨＣ、ＭＣＩ、ＤＥ、ＤＬＢの各群において全リード数の０．１％以上発現している菌群（門・属・種レベル）から、ＨＣとＭＣＩ、ＨＣとＤＥ、ＨＣとＤＬＢ、ＭＣＩとＤＥ、ＭＣＩとＤＬＢ、ＤＥとＤＬＢの各２群間において、複数種類の発現量の多い菌種及び特徴菌種（有意差のあるマーカーとなる菌種）から機械学習によってこれらの疾患を高精度に層別化可能な複数の菌の組み合わせを決定した。
モデル構築に用いた患者コホートとは別の集団のコホートを用いて、構築した予測モデルの検証を行なった。あるいはモデル構築に用いたコホートにおいて、構築した予測モデルの交差検証(クロスバリデーション)により予測精度の検証を行なった。
種レベルにおける発現量の多い９４種類の菌（表１）の発現量をもとにした機械学習を行うことにより、予測モデルを構築した。得られたＡＵＣ－ＲＦを図１に示す。
図５から明らかなように、ＨＣとＭＣＩ、ＨＣとＤＥ（タウオパチー）、ＭＣＩとＤＥ（シヌクレイノパチー）、ＭＣＩとＤＥ（タウオパチー）、ＭＣＩとＤＬＢ（シヌクレイノパチ―）、ＤＥ（タウオパチー）とＤＬＢ（シヌクレイノパチー）の神経変性疾患のリスクが高精度で層別化して予測できることが判明した。
図５から明らかなように、ＨＣとＭＣＩ、ＨＣとＤＥ（タウオパチー）、ＭＣＩとＤＥ（シヌクレイノパチー）、ＭＣＩとＤＥ（タウオパチー）、ＭＣＩとＤＬＢ（シヌクレイノパチ―）、ＤＥ（タウオパチー）とＤＬＢ（シヌクレイノパチー）の神経変性疾患のリスクが高精度で層別化して予測できることが判明した。
実施例２（ＨＣとＤＬＢとＰＤの層別化）
実施例１と同様にして、ＨＣとＤＬＢとＰＤの層別化を試みた。
種レベルにおける発現量の多い９５種類の菌（表２）の発現量をもとにした機械学習を行うことにより、予測モデルを構築した。得られたＡＵＣ－ＲＦを図２に示す。
図６から明らかなように、ＨＣとＤＬＢとＰＤの神経変性疾患のリスクが高精度で層別化して予測できることが判明した。
実施例１と同様にして、ＨＣとＤＬＢとＰＤの層別化を試みた。
種レベルにおける発現量の多い９５種類の菌（表２）の発現量をもとにした機械学習を行うことにより、予測モデルを構築した。得られたＡＵＣ－ＲＦを図２に示す。
図６から明らかなように、ＨＣとＤＬＢとＰＤの神経変性疾患のリスクが高精度で層別化して予測できることが判明した。
実施例３（ＨＣとＤＬＢと軽症ＰＤと重症ＰＤの層別化）
実施例１と同様にして、ＨＣとＤＬＢと軽症ＰＤと重症ＰＤの層別化を試みた。
種レベルにおける発現量の多い３４種類の菌（表３）の発現量をもとにした機械学習を行うことにより、予測モデルを構築した。得られたＡＵＣ－ＲＦを図３に示す。
図７から明らかなように、ＨＣとＤＬＢと軽症ＰＤと重症ＰＤの神経変性疾患のリスクが高精度で層別化して予測できることが判明した。
実施例１と同様にして、ＨＣとＤＬＢと軽症ＰＤと重症ＰＤの層別化を試みた。
種レベルにおける発現量の多い３４種類の菌（表３）の発現量をもとにした機械学習を行うことにより、予測モデルを構築した。得られたＡＵＣ－ＲＦを図３に示す。
図７から明らかなように、ＨＣとＤＬＢと軽症ＰＤと重症ＰＤの神経変性疾患のリスクが高精度で層別化して予測できることが判明した。
実施例４（ＨＣとＤＬＢと早期ＰＤと後期ＰＤの層別化）
実施例１と同様にして、ＨＣとＤＬＢと早期ＰＤと後期ＰＤの層別化を試みた。
種レベルにおける発現量の多い７４種類の菌（表４）の発現量をもとにした機械学習を行うことにより、予測モデルを構築した。得られたＡＵＣ－ＲＦを図８に示す。
図８から明らかなように、ＨＣとＤＬＢと早期ＰＤと後期ＰＤの神経変性疾患のリスクが高精度で層別化して予測できることが判明した。
実施例１と同様にして、ＨＣとＤＬＢと早期ＰＤと後期ＰＤの層別化を試みた。
種レベルにおける発現量の多い７４種類の菌（表４）の発現量をもとにした機械学習を行うことにより、予測モデルを構築した。得られたＡＵＣ－ＲＦを図８に示す。
図８から明らかなように、ＨＣとＤＬＢと早期ＰＤと後期ＰＤの神経変性疾患のリスクが高精度で層別化して予測できることが判明した。
本発明方法及び装置によれば、容易に採取可能な少量の唾液サンプルを用いて、健常者とＭＣＩと認知症、ＡＤとＤＬＢなどのプロテイノパチーの分類、ＤＬＢとＰＤなどのように、複数の疾患に層別化して神経変性疾患リスクの判定が正確にできる。従って、通常の健康診断における神経変性疾患のリスク判定手段として有用であり、層別化された神経変性疾患の早期診断に資するものである。
１００ 判定方法
１０ 取得装置
２０ 判定装置
２１ ＣＰＵ
２２ 記憶装置
２３ 制御プログラム
２４ 予測モデル
２６ 入出力インタフェース
２００ 通信ネットワーク
１０ 取得装置
２０ 判定装置
２１ ＣＰＵ
２２ 記憶装置
２３ 制御プログラム
２４ 予測モデル
２６ 入出力インタフェース
２００ 通信ネットワーク
Claims (8)
- コンピュータのプロセッサによって実行される方法であって、
被験者の唾液細菌叢の分析から複数種類の細菌の発現量を取得する工程と、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価する工程を含み、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定方法。 - 前記複数の疾患の層別化が、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）の層別化、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）とレビー小体型認知症（ＤＬＢ）の層別化、又はパーキンソン病（ＰＤ）とレビー小体型認知症（ＤＬＢ）の層別化を含むことを特徴とする、請求項１に記載のリスク判定方法。
- 前記複数の疾患が、レビー小体型認知症（ＤＬＢ）及びパーキンソン病（ＰＤ）を含むことを特徴とする、請求項１に記載のリスク判定方法。
- 前記複数種類の細菌が、[Eubacterium] brachy、Porphyromonas endodontalis、Alloprevotella tannerae、Capnocytophaga leadbetteri、Streptococcus gordonii、Campylobacter concisus、Tannerella forsythia、Filifactor alocis、[Eubacterium] nodatum、Streptococcus cristatus、Neisseria elongata、Treponema denticola、Actinomyces oris、[Eubacterium] saphenum、Streptococcus constellatus、Parvimonas micra、Prevotella denticola、Leptotrichia hofstadii、Fusobacterium nucleatum、Catonella morbi、Lactobacillus antri、Alloprevotella rava、Streptococcus anginosus、Prevotella jejuni、Streptococcus mitis、Gemella haemolysans、Neisseria macacae、Prevotella multiformis、Abiotrophia defectiva、Streptococcus salivarius、Streptococcus lactarius、Corynebacterium matruchotii、Oribacterium asaccharolyticum、Prevotella loescheii、Aggregatibacter segnis、Peptostreptococcus stomatis、Veillonella infantium、Capnocytophaga granulosa、Leptotrichia buccalis、Veillonella atypica、Streptococcus pseudopneumoniae、Corynebacterium durum、Granulicatella adiacens、[Eubacterium] sulci、Selenomonas infelix、Capnocytophaga sputigena、Lactobacillus crispatus、Streptococcus parasanguinis、Rothia mucilaginosa、Streptococcus sobrinus、Atopobium parvulum、Solobacterium moorei、Neisseria perflava、Bifidobacterium dentium、Actinomyces graevenitzii、Streptococcus mutans、Prevotella pallens、Porphyromonas gingivalis、Rothia dentocariosa、Fusobacterium periodonticum、Lactobacillus fermentum、Prevotella melaninogenica、Leptotrichia wadei、Lautropia mirabilis、Streptococcus infantis、Neisseria oralis、Prevotella pleuritidis、Prevotella oris、Lactobacillus paracasei、Lachnoanaerobaculum orale、Haemophilus parahaemolyticus、Prevotella nanceiensis、Lactobacillus salivarius、Streptococcus sanguinis、Haemophilus parainfluenzae、Lactobacillus vaginalis、Bacteroides heparinolyticus、Prevotella salivae、Gemella morbillorum、Gemella sanguinis、Prevotella shahii、Haemophilus haemolyticus、Schaalia odontolytica、Lactobacillus gasseri、Streptococcus australis、Streptococcus oralis、Prevotella histicola、Schaalia meyeri、Porphyromonas pasteri、Prevotella intermedia、Granulicatella elegans、Streptococcus downei、Parascardovia denticolens、Staphylococcus aureus、Haemophilus sputorum、及びPrevotella oulorumからなる群から選択される１以上の種の細菌を含むことを特徴とする、請求項１～３のいずれか１項に記載のリスク判定方法。
- プロセッサと、
前記プロセッサによって実行されるコンピュータプログラムを格納する記憶装置と、
被験者から取得される唾液細菌叢の分析から複数種類の細菌の発現量を受け付ける通信回路とを備え、
前記プロセッサは、前記コンピュータプログラムを実行することにより、前記通信回路により受け付けられた前記複数種類の細菌の発現量を取得し、
予測モデルに、取得した前記複数種類の細菌の発現量を入力して、前記被験者の神経変性疾患のリスクを複数の疾患に層別化して評価し、
前記予測モデルは、健常者と神経変性疾患に属する複数の疾患の患者の唾液細菌叢の分析から得られる複数種類の細菌の発現量を説明変数とし、健常者と神経変性疾患に属する複数の疾患に層別化された患者の疾患状態を得ることを目的変数として得られるアルゴリズムを教師データとした機械学習により生成されており、
前記複数種類の細菌が、前記層別化された患者の唾液細菌叢の分析において発現量の多い菌種、及び／又は、前記層別化された患者の唾液細菌叢の分析において異なる疾患の患者の間で発現量に有意差のある菌種を含むことを特徴とする、神経変性疾患のリスクを複数の疾患に層別化して評価するリスク判定装置。 - 前記複数の疾患の層別化が、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）の層別化、健常高齢者と軽度認知障害（ＭＣＩ）と認知症（ＤＥ）とレビー小体型認知症（ＤＬＢ）の層別化、又はパーキンソン病（ＰＤ）とレビー小体型認知症（ＤＬＢ）の層別化を含むことを特徴とする、請求項５に記載のリスク判定装置。
- 前記複数の疾患が、レビー小体型認知症（ＤＬＢ）及びパーキンソン病（ＰＤ）を含むことを特徴とする、請求項５に記載のリスク判定装置。
- 前記複数種類の細菌が、[Eubacterium] brachy、Porphyromonas endodontalis、Alloprevotella tannerae、Capnocytophaga leadbetteri、Streptococcus gordonii、Campylobacter concisus、Tannerella forsythia、Filifactor alocis、[Eubacterium] nodatum、Streptococcus cristatus、Neisseria elongata、Treponema denticola、Actinomyces oris、[Eubacterium] saphenum、Streptococcus constellatus、Parvimonas micra、Prevotella denticola、Leptotrichia hofstadii、Fusobacterium nucleatum、Catonella morbi、Lactobacillus antri、Alloprevotella rava、Streptococcus anginosus、Prevotella jejuni、Streptococcus mitis、Gemella haemolysans、Neisseria macacae、Prevotella multiformis、Abiotrophia defectiva、Streptococcus salivarius、Streptococcus lactarius、Corynebacterium matruchotii、Oribacterium asaccharolyticum、Prevotella loescheii、Aggregatibacter segnis、Peptostreptococcus stomatis、Veillonella infantium、Capnocytophaga granulosa、Leptotrichia buccalis、Veillonella atypica、Streptococcus pseudopneumoniae、Corynebacterium durum、Granulicatella adiacens、[Eubacterium] sulci、Selenomonas infelix、Capnocytophaga sputigena、Lactobacillus crispatus、Streptococcus parasanguinis、Rothia mucilaginosa、Streptococcus sobrinus、Atopobium parvulum、Solobacterium moorei、Neisseria perflava、Bifidobacterium dentium、Actinomyces graevenitzii、Streptococcus mutans、Prevotella pallens、Porphyromonas gingivalis、Rothia dentocariosa、Fusobacterium periodonticum、Lactobacillus fermentum、Prevotella melaninogenica、Leptotrichia wadei、Lautropia mirabilis、Streptococcus infantis、Neisseria oralis、Prevotella pleuritidis、Prevotella oris、Lactobacillus paracasei、Lachnoanaerobaculum orale、Haemophilus parahaemolyticus、Prevotella nanceiensis、Lactobacillus salivarius、Streptococcus sanguinis、Haemophilus parainfluenzae、Lactobacillus vaginalis、Bacteroides heparinolyticus、Prevotella salivae、Gemella morbillorum、Gemella sanguinis、Prevotella shahii、Haemophilus haemolyticus、Schaalia odontolytica、Lactobacillus gasseri、Streptococcus australis、Streptococcus oralis、Prevotella histicola、Schaalia meyeri、Porphyromonas pasteri、Prevotella intermedia、Granulicatella elegans、Streptococcus downei、Parascardovia denticolens、Staphylococcus aureus、Haemophilus sputorum、及びPrevotella oulorumからなる群から選択される１以上の種の細菌を含むことを特徴とする、請求項５～７のいずれか１項に記載のリスク判定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023556884A JPWO2024062931A1 (ja) | 2022-09-20 | 2023-09-07 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022-149488 | 2022-09-20 | ||
| JP2022149488 | 2022-09-20 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2024062931A1 true WO2024062931A1 (ja) | 2024-03-28 |
Family
ID=90454260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2023/032629 WO2024062931A1 (ja) | 2022-09-20 | 2023-09-07 | 神経変性疾患のリスク判定方法及び判定装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JPWO2024062931A1 (ja) |
| WO (1) | WO2024062931A1 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021020198A1 (ja) * | 2019-07-26 | 2021-02-04 | 富士フイルム株式会社 | 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法 |
| JP2021516054A (ja) * | 2018-03-05 | 2021-07-01 | エムディー ヘルスケア インコーポレイテッドＭｄ Ｈｅａｌｔｈｃａｒｅ Ｉｎｃ． | ラクトバチルス属細菌由来のナノ小胞及びその用途 |
| JP2022516988A (ja) * | 2019-01-09 | 2022-03-03 | エムディー ヘルスケア インコーポレイテッド | デイノコッカス属細菌由来ナノ小胞及びその用途 |
-
2023
- 2023-09-07 JP JP2023556884A patent/JPWO2024062931A1/ja active Pending
- 2023-09-07 WO PCT/JP2023/032629 patent/WO2024062931A1/ja unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021516054A (ja) * | 2018-03-05 | 2021-07-01 | エムディー ヘルスケア インコーポレイテッドＭｄ Ｈｅａｌｔｈｃａｒｅ Ｉｎｃ． | ラクトバチルス属細菌由来のナノ小胞及びその用途 |
| JP2022516988A (ja) * | 2019-01-09 | 2022-03-03 | エムディー ヘルスケア インコーポレイテッド | デイノコッカス属細菌由来ナノ小胞及びその用途 |
| WO2021020198A1 (ja) * | 2019-07-26 | 2021-02-04 | 富士フイルム株式会社 | 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2024062931A1 (ja) | 2024-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Earl et al. | Species-level bacterial community profiling of the healthy sinonasal microbiome using Pacific Biosciences sequencing of full-length 16S rRNA genes | |
| CN105209918B (zh) | 生物标记鉴定方法和系统 | |
| CN105368944B (zh) | 可检测疾病的生物标志物及其用途 | |
| CN107075563B (zh) | 用于冠状动脉疾病的生物标记物 | |
| Xu et al. | Changes of saliva microbiota in nasopharyngeal carcinoma patients under chemoradiation therapy | |
| CN105324670B (zh) | 用于评估健康状况的方法和系统 | |
| US20140335534A1 (en) | Method And System For Identifying A Biomarker Indicative Of Health Condition | |
| EP4163391A1 (en) | Method of quantifying product impact on human microbiome | |
| KR102024857B1 (ko) | 소음인 진단용 조성물 및 이를 이용한 소음인 진단방법 | |
| Davila-Velderrain et al. | Single-cell anatomical analysis of human hippocampus and entorhinal cortex uncovers early-stage molecular pathology in Alzheimer’s disease | |
| KR101983985B1 (ko) | 사상체질 진단용 조성물 및 이를 이용한 사상체질 진단방법 | |
| WO2024062931A1 (ja) | 神経変性疾患のリスク判定方法及び判定装置 | |
| CN114657270B (zh) | 一种基于肠道菌群的阿尔茨海默病生物标志物及其应用 | |
| WO2020018954A1 (en) | Methods and systems for oral microbiome analysis | |
| Cebrián et al. | Optimization of genotypic and biochemical methods to profile P. acnes isolates from a patient population | |
| KR102024856B1 (ko) | 소양인 진단용 조성물 및 이를 이용한 소양인 진단방법 | |
| CN111261222B (zh) | 口腔微生物群落检测模型的构建方法 | |
| CN113930526A (zh) | 用于鉴别甲基苯丙胺涉毒人群的方法、组合物及其应用 | |
| KR102612258B1 (ko) | 남성의 탈모 진단을 위한 두피 마이크로바이옴 기반 바이오 마커, 이를 이용한 남성의 탈모를 진단하는 방법, 및 기계 학습을 이용한 마이크로바이옴 기반 바이오 마커를 선별하는 방법 | |
| KR20190059882A (ko) | 태음인 진단용 조성물 및 이를 이용한 태음인 진단방법 | |
| RU2607046C2 (ru) | Способ оценки обсемененности пародонта патогенными бактериями с применением полимеразной цепной реакции в реальном времени | |
| WO2024090455A1 (ja) | 多発性硬化症の診断方法及び診断用バイオマーカー | |
| CN109182577A (zh) | 自闭症生物标志物及其应用 | |
| CN112410443B (zh) | 一种用于鉴别高龄个体的生物种群标志物及其获得方法和应用 | |
| CN117385066B (zh) | 一种高血压诊断标志物及其应用 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| ENP | Entry into the national phase |
Ref document number: 2023556884 Country of ref document: JP Kind code of ref document: A |
|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23868054 Country of ref document: EP Kind code of ref document: A1 |