Un registro de metabolitos fecales de glucosa en ayunas alterada: resultados de dos cohortes poblacionales independientes. Ana Nogal, Francesca Tettamanzi, Qiuling Dong, Panayiotis Louca, Alessia Visconti, Colette Christiansen. et al. Diabetes. 2023; 72(12):1870-1880.

Metabolitos fecales asociados significativamente con IFG en 1247 personas de TwinsUK después de ajustar por edad inicial e IMC, sexo y pruebas múltiples (FDR <0,05). Las barras representan el quirófano. Las etiquetas base ilustran subrutas. met., metabolismo.

Resumen

La prediabetes es una condición metabólica asociada con la composición del microbioma intestinal, aunque los mecanismos siguen siendo difíciles de alcanzar. Buscamos metabolitos fecales, una lectura de la función del microbioma intestinal, asociados con la alteración de la glucosa en ayunas (GAA / IFG) en 142 personas con GAA y 1105 individuos sanos del Registro de Gemelos Adultos del Reino Unido (TwinsUK). Utilizamos la cohorte de Investigación Cooperativa de Salud en la Región de Augsburgo (KORA) (318 individuos del IFG, 689 individuos sanos) para replicar nuestros hallazgos. Combinamos linealmente ocho metabolitos asociados positivamente a IFG (1-metilxantina, nicotinato, glucuronato, uridina, colesterol, serina, cafeína y protoporfirina IX) en una puntuación de metabolito de IFG, que se asoció significativamente con índices de probabilidad (OR) más altos para IFG. (TwinsUK: OR 3,9 [IC 95 % 3,02-5,02], P < 0,0001, KORA: OR 1,3 [IC 95 % 1,16-1,52], P < 0,0001) y diabetes tipo 2 incidente (DT2; TwinsUK: índice de riesgo 4 [95 % IC 1,97-8], P = 0,0002). Aunque estos son metabolitos producidos por el huésped, encontramos que el microbioma intestinal está fuertemente asociado con sus niveles fecales (área bajo la curva >70%). Abundancias de Faecalibacillus intestinalis, Dorea formicigenerans, Ruminococcus torques y Dorea sp. AF24-7LB se asociaron positivamente con IFG, y dichas asociaciones estuvieron parcialmente mediadas por 1-metilxantina y nicotinato (la varianza representó una media del 14,4% [DE 5,1], P <0,05). Nuestros resultados sugieren que el microbioma intestinal está relacionada con la prediabetes no solo a través de la producción de metabolitos microbianos sino también al afectar la absorción/excreción intestinal de metabolitos y xenobióticos producidos por el huésped, que se correlacionan con el riesgo de IFG. Los metabolitos fecales permiten modelar otro mecanismo del efecto de la microbiota intestinal sobre la prediabetes y la aparición de diabetes tipo 2.

Aspectos destacados del artículo:

La prediabetes es una condición metabólica asociada con la composición del microbioma intestinal, aunque los mecanismos siguen siendo difíciles de alcanzar. Investigamos si existe un registro de metabolitos fecales de glucosa en ayunas alterada (GAA) y los posibles mecanismos de acción subyacentes. Identificamos un registro de metabolitos fecales de IFG asociada con IFG prevalente en dos cohortes independientes y diabetes tipo 2 incidente en un subanálisis. Aunque el registro consta de metabolitos de origen no microbiano, está fuertemente correlacionada con la composición del microbioma intestinal. Los metabolitos fecales permiten modelar otro mecanismo del efecto del microbioma intestinal sobre la prediabetes al afectar la absorción intestinal o la excreción de compuestos del huésped y xenobióticos.

Propósito

La alteración de la glucosa en ayunas (GAA / IFG) se asocia con un mayor riesgo de múltiples enfermedades. Por lo tanto, la identificación e intervención tempranas del IFG son particularmente importantes. Nuestro estudio tiene como objetivo construir y validar un modelo de nomograma (CLN) clínico y de laboratorio para predecir el riesgo de IFG.

Pacientes y métodos

Este estudio transversal recopiló información sobre sujetos para control de salud. Los predictores de riesgo se seleccionaron principalmente mediante el análisis de regresión LASSO y se aplicaron para construir el modelo CLN. Además, mostramos ejemplos de aplicaciones. Luego, la precisión del modelo CLN se evaluó mediante la curva de característica operativa del receptor (ROC), el área bajo los valores de la curva ROC (AUC) y la curva de calibración del modelo CLN en el conjunto de entrenamiento y el conjunto de validación, respectivamente. Se utilizó el análisis de la curva de decisión (DCA) para estimar el nivel de beneficio clínico. Además, el rendimiento del modelo CLN se evaluó en el conjunto de datos de validación independiente.

Construcción y validación de un modelo para predecir la glucosa en ayunas alterada basado en más de 4000 individuos de la población general. Cuicui Wang, Xu Zhang, Chenwei Li, Na Li, Xueni Jia , Hui Zhao. Int J Gen Med. 2023:16:1415-1428.

Resultados

En el conjunto de datos de desarrollo del modelo, 2340 sujetos fueron asignados aleatoriamente al conjunto de entrenamiento (N = 1638) y al conjunto de validación (N = 702). Se seleccionaron y utilizaron seis predictores significativamente asociados con IFG en la construcción del modelo CLN, se seleccionó un sujeto al azar y se predijo que el riesgo de desarrollar IFG sería del 83,6% utilizando el modelo CLN. Los valores de AUC del modelo CLN fueron 0,783 en el conjunto de entrenamiento y 0,789 en el conjunto de validación. La curva de calibración demostró una buena concordancia. DCA demostró que el modelo CLN tiene una buena aplicación clínica. Además, realizamos una validación independiente (N = 1875), mostramos un AUC de 0,801, con buena concordancia y valor de diagnóstico clínico.

Conclusión

Desarrollamos y validamos el modelo CLN que podría predecir el riesgo de IFG en la población general. No sólo facilita el diagnóstico y tratamiento del IFG, sino que también ayuda a reducir las demandas médicas y económicas de las enfermedades relacionadas con el IFG.

Bibliografía

En inglés

1. Jiao B, Ouyang Z, Liu Q, Xu T, Wan M, Ma G, Zhou L, Guo J, Wang J, Tang B, Zhao Z, Shen L. Integrated analysis of gut metabolome, microbiome, and brain function reveal the role of gut-brain axis in longevity. Gut Microbes. 2024;16(1):2331434.
2. Liang B, Shi L, Du D, Li H, Yi N, Xi Y, Cui J, Li P, Kang H, Noda M, Sun X, Liu J, Qin S, Long J. Hydrogen- Rich Water Ameliorates Metabolic Disorder via Modifying Gut Microbiota in Impaired Fasting Glucose Patients: A Randomized Controlled Study. Antioxidants (Basel). 2023;12(6):1245.
3. Zhao H, Jin K, Jiang C, Pan F, Wu J, Luan H, Zhao Z, Chen J, Mou T, Wang Z, Lu J, Lu S, Hu S, Xu Y, Huang M. A pilot exploration of multi-omics research of gut microbiome in major depressive disorders. Transl Psychiatry. 2022;12(1):8.
4. Esquivel-Hernández DA, Martínez- López YE, Sánchez-Castañeda JP, Neri-Rosario D, Padrón-Manrique C, Giron-Villalobos D, Mendoza- Ortíz C, Resendis-Antonio O. A network perspective on the ecology of gut microbiota and progression of type 2 diabetes: Linkages to keystone taxa in a Mexican cohort. Front Endocrinol (Lausanne). 2023;14:1128767.

En español

1. Chaila MZ, Viniegra M, Gagliardino JJ, Lucarelli C, Maccallini G, Frusti M, et al. . Glucemia en ayunas entre 100 y 109 mg/dL versus prediabetes según hemoglobina glicosilada. Revista De La Sociedad Argentina De Diabetes. 2022; 56(2): 51–6.
2. Belén L, Rossi ML, Alorda MB, Maffei L, Squillace C, Olivaa ML, et al . Factores asociados a glucemia alterada en ayunas en mujeres adultas no diabéticas. Rev. argent. endocrinol. metab. 2018 ; 55(4): 31-40.
3. Rosas Guzmán J, Calles J. (ed). Consenso de Prediabetes. Documento de posición de la Asociación Latinoamericana de Diabetes (ALAD). Revista de la Asociación Latinoamericana de Diabetes. 2009;17(4):146-158.
4. Roselló Azcanio Y, Vázquez Vigoa A, Fernández-Britto Rodríguez JE, Bacallao Gallestey J, Roselló Silva N, Cruz Álvarez NM. Disglucemia de ayuno asociada o no a la tolerancia alterada a la glucosa como marcador de riesgo en la aterosclerosis carotídea subclínica. Clin Invest Arterioscl. 2008;20(5):177-82.