การศึกษาชุมชนแบคทีเรียด้วยเทคโนโลยี Next-Generation Sequencing (Part 2.)

68 จำนวนผู้เข้าชม  | 


การศึกษาชุมชนแบคทีเรียด้วยเทคโนโลยี Next-Generation Sequencing (Part 2.)

แนวทางการเลือกวิธีตรวจวิเคราะห์ให้เหมาะสมกับคำถามวิจัย

          การออกแบบการศึกษา Bacterial Microbiome ควรเริ่มต้นจากคำถามวิจัย ไม่ใช่เริ่มจากการเลือกแพลตฟอร์ม Sequencing

          หากวัตถุประสงค์หลักคือการศึกษาองค์ประกอบของแบคทีเรียหรือเปรียบเทียบความหลากหลายระหว่างกลุ่มตัวอย่าง 16S rRNA Gene Sequencing อาจเป็นทางเลือกที่เหมาะสม โดยควรพิจารณาความครอบคลุมของ Primer และระดับความละเอียดที่ต้องการ

          สำหรับการศึกษาที่ต้องการประเมินกิจกรรมทางชีวภาพโดยตรง อาจต้องใช้ข้อมูลจาก Metatranscriptomics, Metaproteomics หรือ Metabolomics รวมถึงการทดลองเชิงหน้าที่ เพื่อให้สามารถตอบคำถามวิจัยได้ตรงตามเป้าหมาย นอกจากนี้ การรายงานผลการศึกษาควรระบุรายละเอียดสำคัญเกี่ยวกับวิธีเก็บตัวอย่าง การสกัด DNA การเตรียม Library เทคโนโลยี Sequencing การประมวลผลข้อมูล และวิธีวิเคราะห์ทางสถิติ

          แนวทาง STORMS (Strengthening The Organization and Reporting of Microbiome Studies) เสนอรายการตรวจสอบสำหรับรายงานรายละเอียดการศึกษาชุมชนจุลินทรีย์ในมนุษย์ เพื่อสนับสนุนความโปร่งใสและความสามารถในการประเมินและทำซ้ำงานวิจัย

 

สรุป

          Bacterial Microbiome เป็นองค์ประกอบสำคัญของระบบนิเวศจุลินทรีย์ที่เกี่ยวข้องกับกระบวนการทางชีวภาพในสิ่งมีชีวิตและสิ่งแวดล้อม การศึกษาชุมชนแบคทีเรียช่วยให้สามารถตรวจสอบความหลากหลาย องค์ประกอบ และการเปลี่ยนแปลงของจุลินทรีย์ภายใต้สภาวะต่าง ๆ เทคโนโลยี Next-Generation Sequencing ทำให้สามารถศึกษาชุมชนจุลินทรีย์จากสารพันธุกรรมในตัวอย่างได้โดยตรง โดย 16S rRNA Gene Amplicon Sequencing เหมาะกับการศึกษาความหลากหลายและองค์ประกอบทางอนุกรมวิธานของแบคทีเรีย ขณะที่ Shotgun Metagenomics สามารถให้ข้อมูลเกี่ยวกับสารพันธุกรรมและศักยภาพทางชีวภาพของชุมชนจุลินทรีย์ได้กว้างกว่า อย่างไรก็ตาม ความน่าเชื่อถือของข้อมูล Microbiome ขึ้นอยู่กับการออกแบบการทดลอง การควบคุมคุณภาพ การเลือกวิธี Sequencing และการวิเคราะห์ข้อมูลอย่างเหมาะสม ผลการตรวจพบลำดับพันธุกรรมหรือการเปลี่ยนแปลงของ Relative Abundance ต้องได้รับการแปลผลภายใต้ข้อจำกัดของเทคนิคที่ใช้ และไม่ควรถูกนำไปตีความเป็นกิจกรรมทางชีวภาพหรือความสัมพันธ์เชิงเหตุและผลโดยปราศจากหลักฐานเพิ่มเติม การเลือกวิธีตรวจวิเคราะห์ให้สอดคล้องกับวัตถุประสงค์ และการรายงานผลอย่างครบถ้วน จึงเป็นพื้นฐานของการศึกษาชุมชนแบคทีเรียด้วย NGS ที่สามารถตรวจสอบและนำไปใช้ในงานวิจัยต่อยอดได้

 

เอกสารอ้างอิง

  1. Berg G, Rybakova D, Fischer D, et al. Microbiome definition re-visited: old concepts and new challenges. Microbiome. 2020;8:103. https://doi.org/10.1186/s40168-020-00875-0

  2. The Human Microbiome Project Consortium. Structure, function and diversity of the healthy human microbiome. Nature. 2012;486:207–214. https://doi.org/10.1038/nature11234

  3. Thompson LR, Sanders JG, McDonald D, et al. A communal catalogue reveals Earth’s multiscale microbial diversity. Nature. 2017;551:457–463. https://doi.org/10.1038/nature24621

  4. Knight R, Vrbanac A, Taylor BC, et al. Best practices for analysing microbiomes. Nature Reviews Microbiology. 2018;16:410–422. https://doi.org/10.1038/s41579-018-0029-9

  5. Quince C, Walker AW, Simpson JT, Loman NJ, Segata N. Shotgun metagenomics, from sampling to analysis. Nature Biotechnology. 2017;35:833–844. https://doi.org/10.1038/nbt.3935

  6. Morrison DJ, Preston T. Formation of short chain fatty acids by the gut microbiota and their impact on human metabolism. Gut Microbes. 2016;7(3):189–200. https://doi.org/10.1080/19490976.2015.1134082

  7. Lauber CL, Hamady M, Knight R, Fierer N. Pyrosequencing-based assessment of soil pH as a predictor of soil bacterial community structure at the continental scale. Applied and Environmental Microbiology. 2009;75(15):5111–5120. https://doi.org/10.1128/AEM.00335-09

  8. Levy M, Kolodziejczyk AA, Thaiss CA, Elinav E. Dysbiosis and the immune system. Nature Reviews Immunology. 2017;17:219–232. https://doi.org/10.1038/nri.2017.7

  9. Klindworth A, Pruesse E, Schweer T, et al. Evaluation of general 16S ribosomal RNA gene PCR primers for classical and next-generation sequencing-based diversity studies. Nucleic Acids Research. 2013;41(1):e1. https://doi.org/10.1093/nar/gks808

  10. Johnson JS, Spakowicz DJ, Hong BY, et al. Evaluation of 16S rRNA gene sequencing for species and strain-level microbiome analysis. Nature Communications. 2019;10:5029. https://doi.org/10.1038/s41467-019-13036-1

  11. Louca S, Doebeli M, Parfrey LW. Correcting for 16S rRNA gene copy numbers in microbiome surveys remains an unsolved problem. Microbiome. 2018;6:41. https://doi.org/10.1186/s40168-018-0420-9

  12. Costea PI, Zeller G, Sunagawa S, et al. Towards standards for human fecal sample processing in metagenomic studies. Nature Biotechnology. 2017;35:1069–1076. https://doi.org/10.1038/nbt.3960

  13. Salter SJ, Cox MJ, Turek EM, et al. Reagent and laboratory contamination can critically impact sequence-based microbiome analyses. BMC Biology. 2014;12:87. https://doi.org/10.1186/s12915-014-0087-z

  14. Fierer N, Leung PM, Lappan R, et al. Guidelines for preventing and reporting contamination in low-biomass microbiome studies. Nature Microbiology. 2025;10:1570–1580. https://doi.org/10.1038/s41564-025-02035-2

  15. Callahan BJ, McMurdie PJ, Rosen MJ, Han AW, Johnson AJA, Holmes SP. DADA2: High-resolution sample inference from Illumina amplicon data. Nature Methods. 2016;13:581–583. https://doi.org/10.1038/nmeth.3869

  16. Quast C, Pruesse E, Yilmaz P, et al. The SILVA ribosomal RNA gene database project: improved data processing and web-based tools. Nucleic Acids Research. 2013;41(D1):D590–D596. https://doi.org/10.1093/nar/gks1219

  17. Bolyen E, Rideout JR, Dillon MR, et al. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nature Biotechnology. 2019;37:852–857. https://doi.org/10.1038/s41587-019-0209-9

  18. Anderson MJ, Ellingsen KE, McArdle BH. Multivariate dispersion as a measure of beta diversity. Ecology Letters. 2006;9(6):683–693. https://doi.org/10.1111/j.1461-0248.2006.00926.x

  19. Gloor GB, Macklaim JM, Pawlowsky-Glahn V, Egozcue JJ. Microbiome Datasets Are Compositional: And This Is Not Optional. Frontiers in Microbiology. 2017;8:2224. https://doi.org/10.3389/fmicb.2017.02224

  20. Vandeputte D, Kathagen G, D’hoe K, et al. Quantitative microbiome profiling links gut community variation to microbial load. Nature. 2017;551:507–511. https://doi.org/10.1038/nature24460

  21. Nearing JT, Douglas GM, Hayes MG, et al. Microbiome differential abundance methods produce different results across 38 datasets. Nature Communications. 2022;13:342. https://doi.org/10.1038/s41467-022-28034-z

  22. Mirzayi C, Renson A, Zohra F, et al. Reporting guidelines for human microbiome research: the STORMS checklist. Nature Medicine. 2021;27:1885–1892. https://doi.org/10.1038/s41591-021-01552-x

 

อ่านหน้าแรก

เนื้อหาที่เกี่ยวข้อง

เว็บไซต์นี้มีการใช้งานคุกกี้ เพื่อเพิ่มประสิทธิภาพและประสบการณ์ที่ดีในการใช้งานเว็บไซต์ของท่าน ท่านสามารถอ่านรายละเอียดเพิ่มเติมได้ที่ นโยบายความเป็นส่วนตัว  และ  นโยบายคุกกี้