Характеристика микробиома верхних дыхательных путей больных острыми респираторными инфекциями по данным секвенирования гена 16S рРНК

Введение. Острые респираторные инфекции (ОРИ) являются одной из основных причин заболеваемости и смертности от инфекционных заболеваний в мире. Респираторные инфекции могут быть вызваны патогенами различной природы: вирусами, бактериями, микоплазмами и др. Быстрая и точная идентификация в биологических образцах патогенов, таких как бактерии является важной задачей, для которой используется секвенирование гена 16S рРНК с применением платформ нового поколения.

Цель – сравнительный анализ качественных характеристик микробиома ротоглотки здоровых добровольцев и больных ОРИ неустановленной этиологии по данным секвенирования гена 16S рРНК.

Методы и материалы. Получены и проанализированы данные секвенирования MiSeq Illumina региона V3–V4 16S рРНК мазков из ротоглотки госпитализированных пациентов с симптомами ОРИ и здоровых пациентов.

Результаты. Был проведен анализ данных секвенирования области V3–V4 16S рРНК у 116 госпитализированных пациентов с симптомами ОРИ и 81 здорового пациента. У пациентов с ОРИ наблюдалось более высокое содержание условно-патогенной микрофлоры, в частности Staphylococcus, Ralstonia, Aeribacillus, Acinetobacter baumannii, Methylobacterium-Methylorubrum, Rhodococcus equi. В контрольных образцах преобладала нормальная комменсальная микробиота дыхательных путей, такая как Neisseria, Prevotella, Fusobacterium, Veilonella.

Выводы. В образцах микробиоты госпитализированных пациентов с ОРИ обнаружено преобладание оппортунистической и потенциально патогенной микробиоты, в то время как у здоровых добровольцев преобладают нормальные представители микробиоты дыхательных путей. Для более детального анализа необходимы данные о видовом составе микробиоты, которые можно получить при секвенировании полной последовательности гена 16S рРНК.

1. Kurskaya O. G., Prokopyeva E. A., Sobolev I. A. et al. Changes in the Etiology of Acute Respiratory Infections among Children in Novosibirsk, Russia, between 2019 and 2022: The Impact of the SARS-CoV-2 Virus // Viruses. ‒ 2023. ‒ Vol. 15, № 4. ‒ P. 934. https://doi.org/10.3390/v15040934.

2. Бурцева Е. И., Колобухина Л. В., Воронина О. Л. и др. Особенности циркуляции возбудителей ОРВИ на фоне появления и широкого распространения SARSCoV-2 в 2018–2021 годы // Эпидемиология и вакцинопрофилактика. ‒ 2022. ‒ Т. 21, № 4. ‒ С. 16‒26. https://doi.org/10.31631/2073-3046-2022-21-4-16-26.

3. Соминина А. А., Даниленко Д. М., Столяров К. А. и др. Интерференция SARS-CoV-2 с другими возбудителями респираторных вирусных инфекций в период пандемии // Эпидемиология и вакцинопрофилактика. ‒ 2021.‒ Т. 20, № 4. ‒ С. 28‒39. https.://doi.org/10.31631/2073-3046-2021-20-4-28-39.

4. Huang X. B., Yuan L., Ye C. X. et al. Epidemiological characteristics of respiratory viruses in patients with acute respiratory infections during 2009-2018 in Southern China // Int J Infect Dis. ‒ 2020. ‒ Vol. 98. ‒ P. 21‒32. https://doi.org/10.1016/j.ijid.2020.06.051.

5. Sanz I., Perez D., Rojo S. et al. Coinfections of influenza and other respiratory viruses are associated to children // An Pediatr (Engl Ed.). ‒ 2022. ‒ Vol. 96, № 4. ‒ P. 334‒341. https://doi.org/10.1016/j.anpede.2021.03.002. PMID: 35609953.

6. Milucky J. L., Compaore T., Obulbiga F. et al. Estimating the catchment population and incidence of severe acute respiratory infections in a district hospital in Boussé, Burkina Faso // J Glob Health. ‒ 2020. ‒ Vol. 10, № 1. ‒ P. 010422. https://doi.org/10.7189/jogh.10.010422.

7. Simner P. J., Miller S., Carroll K. C. Understanding the Promises and Hurdles of Metagenomic Next-Generation Sequencing as a Diagnostic Tool for Infectious Diseases // Clin Infect Dis. ‒ 2018. ‒ Vol. 10. ‒ Vol. 66, № 5. ‒ P. 778‒788. https://doi.org/10.1093/cid/cix881.

8. Datta S., Budhauliya R., Das B. et al. Next-generation sequencing in clinical virology: Discovery of new viruses // World J Virol. ‒ 2015. ‒ Vol. 4, № 3. ‒ P. 265‒76. https://doi.org/10.5501/wjv.v4.i3.265.

9. Clarridge J. E. 3rd. Impact of 16S rRNA gene sequence analysis for identification of bacteria on clinical microbiology and infectious diseases // Clin Microbiol Rev. ‒ 2004. ‒ Vol. 17, № 4. ‒ P. 840‒62. https://doi.org/10.1128/CMR.17.4.840-862.2004.

10. Мохов А. С., Азаров Д. В., Колоджиева В. В. и др. Особенности структуры микробиома верхних дыхательных путей амбулаторных и госпитализированных пациентов с новой коронавирусной инфекцией // Профилактическая и клиническая медицина. ‒ 2022. ‒ Т. 3, № 84. ‒ С. 51–56. https://doi.org/10.47843/2074-9120_2022_3_51.

11. Low L., Fuentes-Utrilla P., Hodson J. et al. Evaluation of full-length nanopore 16S sequencing for detection of pathogens in microbial keratitis // PeerJ. ‒ 2021. ‒ Vol. 9. ‒ P. e10778. https://doi.org/10.7717/peerj.10778.

12. 16S Metagenomic Sequencing Library Preparation. URL: https://support.illumina.com/documents/documentation/chemistry_documentation/16s/16s-metagenomic-library-prep-guide-15044223-b.pdf/ accessed 01.10.2024).

13. Bolyen E., Rideout J. R., Dillon M. R. et al. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2 // Nat Biotechnol. – 2019. ‒ Vol. 37, № 8. ‒ P. 852‒857. https://doi.org/10.1038/s41587-019-0209-9.

14. Shannon C. E. A mathematical theory of communication // The Bell System Technical Journal. ‒ 1948. ‒ Vol. 27, № 3. ‒ P. 379‒423. https://doi.org/10.1002/j.1538-7305.1948.tb01338.x.

15. Chao A. Nonparametric Estimation of the Number of Classes in a Population // Scandinavian Journal of Statistics. ‒ 1984. ‒ Vol. 11, № 4. ‒ P. 265–70.

16. Segata N., Izard J., Waldron L. et al. Metagenomic biomarker discovery and explanation // Genome Biol. ‒ 2011. ‒ Vol. 12, №6. ‒ P. R60. https://doi.org/10.1186/gb-2011-12-6-r60.

17. Anderson M. J. Permutational Multivariate Analysis of Variance (PERMANOVA) // Wiley StatsRef: Statistics Reference Online. ‒ 2017. ‒ P. 1–15. https://doi.org/10.1002/9781118445112.stat07841.

18. Odintsova V. E., Klimenko N., Tyakht A. V. Note on the Difference between the Principal Balance Analysis with NearestBalance and Constrained Methods // mSystems. ‒ 2023. ‒ Vol. 8, № 2. ‒ P. e0016423. https://doi.org/10.1128/msystems.00164-23.

19. R Core Team. R.: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 2021. URL: https://www.R-project.org/ (accessed 01.10.2024).

20. Лопатин А.С., Азизов И.С., Козлов Р.С. Микробиом полости носа и околоносовых пазух в норме и при патологии. Часть I// Российская ринология. ‒ 2021. ‒ Т. 29, № 1. ‒ С. 23‒30. https://doi.org/10.17116/rosrino20212901123.

21. De Boeck I., Wittouck S., Wuyts S. et al. Comparing the Healthy Nose and Nasopharynx Microbiota Reveals Continuity As Well As Niche-Specificity // Front Microbiol. ‒ 2017. ‒ Vol. 8. ‒ P. 2372. https://doi.org/10.3389/fmicb.2017.02372.

22. Natalini J. G., Singh S., Segal L. N. The dynamic lung microbiome in health and disease // Nat Rev Microbiol. ‒ 2023. ‒ Vol. 21. ‒ P. 222–235. https://doi.org/10.1038/s41579-022-00821-x.

23. Li R., Li J., Zhou X. Lung microbiome: new insights into the pathogenesis of respiratory diseases // Signal Transduct Target Ther. ‒ 2024. ‒ Vol. 9, № 1. ‒ P. 19. https://doi.org/10.1038/s41392-023-01722-y.

24. Türkmen Recen Ö., Gazi H., Bayturan Şen S. et al. SARS-CoV-2 Pandemisinin İlerleyen Dönemlerinde Akut Solunum Yolu Enfeksiyonu ile Başvuran Çocuklarda Viral Patojenlerin Mevsimsel Eğilimleri ve Etkileşimleri [Seasonal Trends and Interactions of Viral Pathogens in Children Presenting with Acute Respiratory Tract Infections in the Advancing Periods of SARS-CoV-2 Pandemic] // Mikrobiyol Bul. ‒ 2023. ‒ Vol. 57, № 4. ‒ P. 580‒596. Turkish. https://doi.org/10.5578/mb.20239947.

25. Костинов М. П., Мещерякова А. К., Фошина Е. П. и др. Клиническое течение острой респираторной инфекции и состояние микробиоценоза верхних дыхательных путей у беременных // Журнал микробиологии, эпидемиологии и иммунобиологии. ‒ 2012. ‒ Т. 5. ‒ С. 12‒16.

26. Campos M., Cickovski T., Fernandez M. et al. Lower respiratory tract microbiome composition and community interactions in smokers// Access Microbiol. ‒ 2023. ‒ Vol. 5, №3. ‒ P. acmi000497.v3. https://doi.org/10.1099/acmi.0.000497.v3.

27. Yoon J. G., Lim S., Hyun H. J. et al. Respiratory microbiome and clinical course of carbapenem-resistant Acinetobacter baumannii pneumonia in critically Ill patients // Medicine (Baltimore). ‒ 2024. ‒ Vol. 103, № 31. ‒ P. e38988. https://doi.org/10.1097/MD.0000000000038988.

28. Xiao T., Guo Q., Zhou Y. et al. Comparative Respiratory Tract Microbiome Between Carbapenem-Resistant Acinetobacter baumannii Colonization and Ventilator Associated Pneumonia // Front Microbiol. ‒ 2022. ‒ Vol. 13. ‒ P. 782210. https://doi.org/10.3389/fmicb.2022.782210.

29. Xie L., Chen L., Li X. et al. Analysis of Lung Microbiome in COVID-19 Patients during Time of Hospitalization // Pathogens. ‒ 2023. ‒ Vol. 12, № 7. ‒ P. 944. https://doi.org/10.3390/pathogens12070944.

30. Xia X., Chen J., Cheng Y. et al. Comparative analysis of the lung microbiota in patients with respiratory infections, tuberculosis, and lung cancer: A preliminary study // Front Cell Infect Microbiol. ‒ 2022. ‒ Vol. 12. ‒ P. 1024867. https://doi.org/10.3389/fcimb.2022.1024867.

31. Lin W. V., Kruse R. L., Yang K. et al. Diagnosis and management of pulmonary infection due to Rhodococcus equi // Clin Microbiol Infect. 2019. ‒ Vol. 25, № 3. ‒ P. 310‒315. https://doi.org/10.1016/j.cmi.2018.04.033.