Host-microbiome interaction in organ damage of cardiovascular disease

Abstract

Background The gut microbiome crucially influences human health and physiology, and it is associated with cardiovascular and kidney diseases. Understanding host-microbiome interactions is vital for novel disease therapies. Challenges remain, such as the gut microbiome's impact on hypertension-induced damage and fasting effects in metabolic syndrome (MetS) patients. Longitudinal data collection mitigates inter-individual variations, gaining popularity in microbiome research in recent years. A covariates-aware approach is essential for precise analyses; however, current tools lack effective control of multiple covariates and explicit assessment of time variable impact amidst other covariates.

Aim To address the gap mentioned above and facilitate robust biomarker search in longitudinal microbiome analysis, an algorithm is developed and applied to microbiome datasets in order to clarify the role of the host-microbiome interaction in cardiovascular diseases (CVD), and also asses its generalizability.

Methods LongDat, a covariate-aware longitudinal analysis algorithm, employs unique capabilities to simultaneously detect, control covariates, and assess time variable significance. It leverages generalized linear mixed-effect models (GLMMs), accommodating inter-individual variance and various data distributions. For broader distribution and reproducibility, LongDat is compiled as an R package. LongDat was applied to MetS patients' gut microbiome data undergoing fasting. In addition, the gut microbiome's role in hypertension (HTN) in colonized (COL) and germ-free (GF) mice was also explored using models and correlation tests.

Results LongDat's performance was evaluated against existing tools using real and simulated data, illustrating its superior accuracy, runtime, and memory efficiency—particularly in scenarios with multiple covariates. When employed in the context of MetS patients un-dergoing fasting, LongDat unveiled alterations in the gut microbiome affecting microbial taxa, gene modules related to short-chain fatty acid (SCFA) synthesis, and indicating potential shifts in immune cells. Moreover, a comparison between COL and GF mice exposed their varied responses to HTN, with GF mice exhibiting worse renal damage. The lack of anti-inflammatory SCFA in GF mice suggests that colonization status influences HTN-relevant circulating metabolites. Additionally, correlations be-tween the gut microbiome, functional modules, and metabolites were identified. These findings emphasize the crucial role of the gut microbiome, SCFAs, and other metabo-lites in HTN and overall health.

Conclusion LongDat and the mixed effect models serve as a robust biomarker exploration tool in microbiome research, revealing fasting's potential for MetS intervention and the gut microbiome's significance in HTN development. This thesis emphasizes the essential role of covariate-aware tools in microbiome research, crucial for reproducibility and meaningful interstudy comparisons.

Hintergrund Das Darmmikrobiom beeinflusst die menschliche Gesundheit und wird mit Krankheiten wie Herz-Kreislauf-Erkrankungen und Nierenleiden in Verbindung gebracht. Das Verständnis von Wirt-Mikrobiom-Interaktionen ist für neue Therapien wichtig. Herausforderungen bestehen hier unter anderem bei der Erforschung des Einflusses des Mikrobioms auf durch Hypertonie verursachte Schäden oder das Fasten beim metabolischen Syndrom (MetS). Längsschnittdaten minimieren Variationen und gewinnen in Mikrobiomforschung an Bedeutung. Ein kovariatenbewusster Ansatz ist für präzise Analysen essenziell, allerdings beherrschen gegenwärtige Tools oft nicht die effektive Kontrolle multipler Kovariaten und die Bewertung des Zeitfaktors neben anderen Kovariaten.

Ziel Um diese Lücke zu schließen und Biomarker in längsschnittdatenbasierten Mikrobiomanalysen zu finden, wurde ein Algorithmus entwickelt. Dieser wurde auf Mikrobiomdaten angewendet, um die Wirt-Mikrobiom-Interaktion bei Herz-Kreislauf-Erkrankungen zu beleuchten und seine Verallgemeinerbarkeit zu prüfen.

Methoden Der Algorithmus LongDat erkennt, kontrolliert und bewertet Kovariaten sowie den Einfluss der Zeit. Dafür nutzt er verallgemeinerte lineare gemischte Modelle (GLMMs) für kovariatenbewusste Analysen. Um Reproduzierbarkeit zu gewährleisten und weit-läufig Anwendung zu finden, wurde LongDat als R-Paket erstellt. So wurden mithilfe von LongDat Mikrobiomdaten von MetS-Patienten während des Fastens analysiert. Auch die Rolle des Mikrobioms bei Hypertonie (HTN) in besiedelten (COL) und keimfreien (GF) Mäusen wurde mit Modellen und Korrelationstests untersucht.

Ergebnisse LongDat übertrifft aktuelle Tools sowohl in Anwendung auf reale als auch simulierte Daten hinsichtlich Genauigkeit, Laufzeit und Speichereffizienz, vor allem bei zahlreichen Kovariaten. Bei MetS-Patienten wurden festgestellt, dass Fasten zu einer Veränderungen im Mikrobiom führt. Auch wurden Unterschiede in bakteriellen Taxa und Genmodulen, die kurzkettige Fettsäuren (SCFA) betreffen, sowie Hinweise auf Veränderungen in Immunzellen sichtbar. COL- und GF-Mäuse zeigten unterschiedliche Reaktionen auf HTN, wobei GF-Mäuse stärkere Nierenschäden aufwiesen. Das Fehlen entzündungshemmender SCFA bei GF-Mäusen legt nahe, dass der Besiedlungsstatus HTN-relevante Metabolite beeinflusst. Zudem wurden Korrelationen zwischen dem Darmmikrobiom, seinem funktionellen Potential und Metaboliten gefunden. Dies betont die Bedeutung des Mikrobioms, SCFAs und anderen Metaboliten für HTN und die menschliche Gesundheit im Allgemeinen.

Fazit LongDat und gemischte Effektmodelle sind robuste Werkzeuge für die Mikrobiomforschung. Sie zeigen das Potential des Fastens als Internvention bei MetS und die Rolle des Mikrobioms bei HTN. Diese Dissertation unterstreicht die essentielle Rolle kovariatenbewusster Tools in der Mikrobiomforschung zur Sicherung von Reproduzierbarkeit und robuster Studienvergleiche.