Introduction
Depression is a serious disabling health problem with high incidence worldwide;1 however, the mechanism of its occurrence and development remains unclear. Ostatnie badania sugerują, że oś mikrobiom-jelito-mózg może wpływać na nastrój i zachowanie ludzi na różne sposoby. Poprzez interakcję z nerwem błędnym, bezpośrednią zmianę funkcji ośrodkowego układu nerwowego, wpływ na jelitowy układ nerwowy, zmianę plastyczności mózgu,2 aktywację układu odpornościowego, a nawet na wiele innych sposobów,3,4 te warunkowo patogenne bakterie mogą wywoływać chorobę. Znaleziono coraz więcej dowodów, które prowadzą do przekonania, że związek między mikrobiotą jelitową a depresją jest istotny.
W przypadku mysiego modelu depresji stwierdzono, że zmiany mikrobioty jelitowej i fenotyp metaboliczny kału korelują z depresją poprzez sekwencjonowanie 16S rRNA i metody badawcze oparte na metabolomice chromatografii cieczowej ze spektrometrią mas.5 Ponadto w trzech badaniach wykazano, że myszy pozbawione zarazków wykazywały więcej zachowań podobnych do depresji po przeszczepieniu im mikrobioty jelitowej pochodzącej od osób z depresją.6-8 Te doświadczenia na zwierzętach sugerują, że zaburzenia mikrobioty jelitowej mogą być przyczyną depresji. Co więcej, rosnące dowody ciągłej reakcji zapalnej na niskim poziomie również nie mogą być ignorowane w patologicznym procesie rozwoju depresji,5,9 ponieważ źródło tej reakcji zapalnej jest prawdopodobnie związane z zaburzeniami mikrobioty jelitowej. Po pierwsze, bakterie Firmicutes w mikrobiocie jelitowej mogą fermentować węglowodany do różnych krótkołańcuchowych kwasów tłuszczowych (SCFAs),10 a brak tych SCFAs może prowadzić do zmniejszenia funkcji bariery jelitowej.11 Następnie, gdy wiele warunkowych patogenów i ich metabolitów w przewodzie jelitowym przekracza barierę i stymuluje odpowiedź immunologiczną, powstaje „nieszczelność jelit”, która może wpływać na występowanie i rozwój choroby.12 Może to być poparte badaniem Yu i wsp. które wykazało, że doszło do znacznego zmniejszenia liczby Firmicutes u myszy z depresją.13 W innym badaniu również stwierdzono istotną korelację między zmianami behawioralnymi wywołanymi stresem u myszy a zaburzeniami Firmicutes w mikrobiocie jelitowej.14 U pacjentów z nieswoistymi zapaleniami jelit (IBD) ilość Faecalibacterium prausnitzii w Firmicutes jest minimalna, a zmniejszenie proporcji bakterii wiązało się z obniżeniem funkcji ochronnej błony śluzowej jelit.15 Badania te sugerują, że Firmicutes, jako czynnik ochronny jelita, zasługują na dalsze badania.
Można zaobserwować, że Firmicutes i Bacteroidetes są nadal dwoma głównymi obiektami zainteresowania w badaniach dotyczących mikrobioty jelitowej i depresji. Na różnych poziomach, pewne różnice w mikrobiocie jelitowej zostały wykazane pomiędzy pacjentami a zdrową grupą kontrolną (HC), ale wyniki badań nad Firmicutes są niespójne. W badaniu przeprowadzonym przez Jiang i wsp.16 stwierdzono, że doszło do istotnego zmniejszenia liczby Firmicutes. Jednakże w trzech innych badaniach, nie było wyraźnej różnicy w Firmicutes na poziomie azylu.6 Ponadto, niektóre bakterie związane z Firmicutes zostały znacznie zmniejszone na niższych poziomach, podczas gdy inne wykazywały pewien wzrost. Niespójność tych wyników może być spowodowana następującymi czynnikami: 1) Grupa referencyjna HC nie była całkowicie normalna. 2) Indywidualny stan zdrowia rekrutowanych pacjentów był różny. 3) Rozpiętość wieku pacjentów była różna w tych badaniach. 4) Skutki powiązanego leczenia. 5) Różnice w diecie między typowymi objawami a atypowymi objawami depresji. Chociaż wyniki różnych badań są niespójne, zaburzenia Firmicutes nadal mogą być uważane za jedną z cech pacjentów z depresją.
W celu zbadania pewniejszej korelacji między zaburzeniami Firmicutes a występowaniem i rozwojem depresji, dostosowaliśmy kryteria włączenia do badania, aby lepiej ograniczyć możliwą ingerencję wyżej wymienionych czynników w mikrobiotę jelitową, tak aby uniknąć niespójności występujących w poprzednich badaniach. Naszym celem jest wyjaśnienie zmian Firmicutes u pacjentów z depresją i ich powiązanych efektów.
Materiały i metody
Uczestnicy
Badanie to zostało zatwierdzone przez komisję etyczną Szóstego Szpitala Uniwersytetu Pekińskiego i Pekińskiego Szpitala Chińskiej Medycyny Tradycyjnej i Zachodniej. Informacje kliniczne zostały zebrane w Pekińskim Szpitalu Tradycyjnej Medycyny Chińskiej i Zachodniej. Wszyscy badani podpisali pisemną świadomą zgodę przed udziałem w badaniu. Informacje kliniczne i zbieranie próbek przeprowadzono po uzyskaniu świadomej zgody wszystkich uczestników, a całe procedury były zgodne z dyrektywami Deklaracji Helsińskiej.
Rekrutowaliśmy uczestników po przeprojektowanych kryteriach włączenia z poprawkami do poprzednich badań.6,8,16-18 Dokonano pewnych dostosowań zgodnie ze specyficznymi standardami medycznymi w regionie Pekinu. Od 30 marca do 30 czerwca 2018 r., Rekrutowaliśmy 30 pacjentów z depresją, w których 27 spełniało kryteria badania i tworzyło grupę dużego zaburzenia depresyjnego (MDD); następnie 27 zdrowych osób zostało wybranych jako grupa HC zgodnie z wiekiem i płcią grupy MDD. Obie grupy to mieszkańcy Chin Han mieszkający od dłuższego czasu w Pekinie, bez specjalnych nawyków żywieniowych, których BMI mieściło się w zakresie 18-30 kg/m2. Grupa MDD spełniała kryteria diagnostyczne ICD-10 MDD, była w pierwszym epizodzie i bez systemowego leczenia przeciwdepresyjnego. Wykluczono epizody depresji spowodowane zaburzeniami organicznymi i uzależnieniem od substancji psychoaktywnych oraz epizody o cechach atypii. Grupa HC była oceniana przez dwóch certyfikowanych lekarzy prowadzących w celu wykluczenia innych chorób psychicznych.
Dodatkowo, uważnie analizując podejścia stosowane w poprzednich badaniach,19 wprowadziliśmy bardziej rygorystyczne ograniczenia dotyczące kryteriów wykluczenia. Dokonaliśmy przeglądu wcześniejszych danych medycznych dostarczonych przez badanych i żaden z następujących uczestników nie został włączony do tego badania: 1) cierpiący na jakąkolwiek inną chorobę przewlekłą, która może wpływać na stabilność mikrobioty jelitowej, taką jak nadciśnienie tętnicze, cukrzyca, zespół metaboliczny, niedobór odporności, choroba autoimmunologiczna, nowotwór, IBD, biegunka w ciągu ostatnich 3 miesięcy; 2) w ciągu ostatnich 6 miesięcy stosowano leki, które wpływają na mikrobiotę jelitową, w tym antybiotyki, glikokortykoidy, cytokiny, duże dawki probiotyków i czynników biologicznych itd; 3) u osób, u których w ciągu ostatnich 6 miesięcy wykonano gastroskopię, kolonoskopię lub posiłek barowy w przewodzie pokarmowym; 4) u osób, u których w ciągu ostatnich 5 lat wykonano duży zabieg chirurgiczny w obrębie przewodu pokarmowego (cholecystektomia, appendektomia, resekcja jelita); 5) u osób z ograniczeniem ruchowym z powodu poważnej choroby fizycznej lub psychicznej; 6) u osób, u których w ciągu ostatnich 6 miesięcy dokonano istotnych zmian w diecie; oraz 7) u kobiet w ciąży.
Zbieranie informacji klinicznych
Zbieraliśmy ogólne informacje o wszystkich badanych za pomocą kwestionariuszy. Informacje ogólne obejmowały wiek, płeć, rasę, wzrost, wagę, historię chorób w przeszłości, historię leków, historię palenia i historię picia.
Amplifikacja i sekwencjonowanie 16S rRNA
Próbki kału uczestników były umieszczane w sterylnych pojemnikach przez nich samych i zbierane w centrum kału przez specjalistę. Wszystkie 54 świeże próbki kału przechowywano w temperaturze -80°C przed ekstrakcją DNA. DNA ekstrahowano z 200 mg próbki kału przy użyciu PowerSoil DNA Kit (Missouri Biotechnology Association, Jefferson, MO, USA), działając zgodnie z instrukcjami producenta. Region V3-V4 16S rRNA amplifikowano i obserwowano przy użyciu uniwersalnych par primerów 341F (5′-GGACTACHVGGTWTCTAAT-3′) i 805R (5′-ACTCCTACGGAGGCAGCAG-3′) przy użyciu KAPA HiFi HotStart ReadyMix (KAPA Biosystems, Inc., Wilmington, MA, USA). W różnych próbkach do starterów dodawano unikalne 8 nt kody kreskowe. PCR prowadzono w warunkach cyklicznych: 95°C przez 5 minut, 20 cykli 98°C przez 20 sekund, 58°C przez 30 sekund, 72°C przez 30 sekund i 72°C przez 5 minut. Do reakcji PCR o objętości 50 μL dodawano 10 pmol starterów i 100 ng szablonów, następnie PCR wykonywano w trzech powtórzeniach, a produkty PCR łączono. Do selekcji segmentów DNA o odpowiednim rozmiarze użyto QIAquick Gel Extraction Kit (QIAGEN, Hilden, Niemcy). Wszystkie wybrane segmenty DNA były sekwencjonowane w trybie paired-end przy użyciu Illumina HiSeq2500 w Novogene Bioinformatics Institute, Beijing, China.
Analizy statystyczne
Analiza demograficzna
Do analizy danych użyto pakietu statystycznego SPSS 23.0 dla Windows. Dane demograficzne i charakterystyka kliniczna były porównywane między grupami. Zmienne ciągłe porównywano za pomocą testu t dla prób niezależnych. Poziom istotności ustalono na 0,05 (dwuogonowy).
Analiza danych sekwencjonowania
Raw reads were demultiplexed using seqtk (https://github.com/lh3/seqtk). Sparowane odczyty połączono przy użyciu FLASH i przefiltrowano jakościowo przy użyciu Trimmomatic: połączono pary z nakładaniem się >15 nt;20,21 połączone sekwencje przycięto, gdy średni wynik jakości w oknie 4 zasad wynosił <20, a sekwencje zawierające dwuznaczne zasady lub <400 bp usunięto. Wszystkie zakwalifikowane sekwencje łączono i wybierano operacyjne jednostki taksonomiczne (OTU) przy użyciu skryptu pick_open_reference_otus.py z QIIME 1.9.1,22 oraz usuwano chimery poprzez wyrównanie sekwencji do „złotej” referencyjnej bazy danych przy użyciu UCHIME. Sekwencje OTU przypisywano do taksonomii za pomocą skryptu assign_taxonomy.py z QIIME. Wszystkie reprezentatywne sekwencje (OTU) zmapowano do bazy danych Greengenes23 przy użyciu algorytmu UCLUST z 97% identycznością.24 Sekwencje reprezentatywne wyrównano przy użyciu mafft,25 a drzewo filogenetyczne wygenerowano przy użyciu FastTree z QIIME.26 Singletony i OTU występujące tylko w jednej próbce zostały usunięte, a tabelę OTU poddano rasteryzacji przy użyciu QIIME.
ACE, Chao1 i wartości różnorodności Shannona obliczono przy użyciu vegan,27 a testy statystyczne wykonano przy użyciu R.28 Różnorodność filogenetyczną Faith analizowano przy użyciu programów alpha_diversity.py i compare_alpha_diversity.py z QIIME. Nieważone i ważone odległości Unifrac obliczono przy użyciu beta_diversity.py z QIIME, a analizę współrzędnych głównych (PCoA) wykonano przy użyciu R. Test istotności różnorodności filogenetycznej Faith wykonano przy użyciu testu permutacji Monte Carlo w QIIME, a wszystkie inne testy istotności wykonano przy użyciu testu Wilcoxona w R.
Taksonomiczne biomarkery grup HC i MDD analizowano przy użyciu LEfSe (linear discriminant analysis Effect Size), a taksony z P-value <0,01 i LDA score >2,0 były wybierane jako biomarkery. Profilowanie funkcjonalne metagenomu przewidywano przy użyciu PICRUSt,29 a OTU de novo usuwano przed przewidywaniem profilowania funkcjonalnego zgodnie z instrukcją PICRUSt. Przewidywane KO (ortologia KEGG) i szlaki analizowano przy użyciu STAMP,30 a wartość P-value <0.01 został użyty do wyodrębnienia różnicowych KO i szlaków między próbkami HC i MDD.
Wyniki
Dane demograficzne i charakterystyka kliniczna badanych
Zupełnie zrekrutowaliśmy 54 badanych, w tym 27 pacjentów z MDD i 27 HC; obie grupy miały taki sam stosunek mężczyzn do kobiet 7:20. Średni wiek grupy pacjentów wynosił 48,7±12,8, a HC 42,3±14,1. Jak pokazuje tabela, nie było istotnej różnicy w wieku, wzroście, wadze i BMI pomiędzy obiema grupami (Tabela 1).
 |
Tabela 1 Charakterystyka demograficzna i kliniczna |
TU picking
Raw sequencing read pairs of samples range from 11,015 to 1,035,838, and the length of reads is 250 bp. Po połączeniu par odczytów, filtrowaniu jakości i grupowaniu OTU, dostępne sekwencje próbek zawierają się w przedziale od 3 505 do 662 238. Wskaźnik wykorzystania całkowitej liczby odczytów wynosi 52,26%. Po wyselekcjonowaniu OTU i przypisaniu taksonomii, ze wszystkich sekwencji wyselekcjonowano 2,888 OTU, a 183 znane taksony zostały zidentyfikowane.
Niższa różnorodność mikrobioty jelitowej u pacjentów z MDD
Nasze wyniki pokazują, że wskaźniki różnorodności alfa HC są wyższe niż u pacjentów z MDD (Rysunek 1). Wskaźniki różnorodności Chao1 i ACE mogą być użyte do oceny bogactwa gatunkowego próbek. Oba te indeksy są istotnie wyższe w HC niż w MDD (P<0.0008, test Wilcoxa), co wskazuje, że u osób zdrowych występuje większe bogactwo gatunkowe. Indeks Shannona może być użyty do oszacowania równomierności i bogactwa gatunkowego próbki, który jest istotnie wyższy w HC niż w próbkach MDD (P=0.003, test Wilcoxa), wskazując, że zdrowi ludzie mają większą różnorodność gatunkową. Indeks różnorodności filogenetycznej Faitha może być użyty do oszacowania różnorodności filogenetycznej gatunków w obrębie próbki, i ten indeks jest również znacząco wyższy w HC niż w próbkach MDD (P=0.04, test permutacji Monte Carlo). Wszystko to wskazuje na istotne zmniejszenie różnorodności mikrobioty jelitowej u osób z MDD niż u osób z HC. Wykres PCoA oparty na ważonej odległości Unifrac również pokazuje, że próbki z MDD i HC różnią się wyraźnie w profilu społeczności (Rysunek 2). Po przypisaniu taksonomii, względna liczebność Bacteroides i Firmicutes to najwyższe dwie faule zarówno w próbkach HC jak i MDD, które razem sumują się do 92% względnej liczebności w próbkach HC i 90% w próbkach MDD (Rysunek 3A). Inną istotną różnicą pomiędzy próbkami HC i MDD jest procentowy udział azylu Firmicutes (Rysunek 3B). Średnia względna obfitość Firmicutes w próbkach HC wynosi 43,46%, podczas gdy w próbkach MDD tylko 28,72% (P=0,00016, test Wilcoxa).
 |
Rysunek 1 Różnorodność alfa próbek HC i MDD. |
 |
Rysunek 2 Różnorodność beta w HC i MDD. |
 |
Rysunek 3 Taksony w poziomie azylu HC i MDD. |
Taksonomiczne biomarkery w HC są wszystkie z Firmicutes
W sumie znaleziono 13 taksonomicznych biomarkerów z P-value <0.01 (test Kruskala-Wallisa) i LDA score (log 10) >2.0, wśród których siedem jest wzbogaconych w HC, a sześć w MDD (Rycina 4). Wszystkie sześć biomarkerów w HC pochodzi z Firmicutes, w tym Lachnospiraceae, Ruminococcaceae, Coprococcus, Blautia, Clostridiaceae i Dorea. Sześć biomarkerów wzbogaconych w MDD pochodzi z Proteobacteria (Oxalobacter i Pseudomonas) i Firmicutes (Parvimonas, Bulleidia, Peptostreptococcus i Gemella).1 Sugeruje to, że Firmicutes jest najważniejszym azylem, który jest skorelowany z depresją.
 |
Rysunek 4 Biomarkery taksonomiczne w HC i MDD. |
Przewidywanie profilowania funkcji
Istnieje jedenaście ścieżek KEGG wzbogaconych w MDD (P<0.01, t-test Welcha), w tym biosynteza lipopolisacharydów, biosynteza ubichinonu i innych terpenoidów-chinonów, degradacja glikozaminoglikanów, biosynteza glikosfingolipidów, degradacja toluenu, antygenów komórkowych, trawienie i wchłanianie białek, biosynteza hormonów steroidowych, metabolizm kwasu liponowego. Sześć ścieżek jest wzbogaconych w HC, w tym: sporulacja, białka ruchliwości bakterii, chemotaksja bakterii, degradacja nitrotoluenu, kiełkowanie, synteza i degradacja ciał ketonowych (Rycina 5). Te zmiany mikrobioty u pacjentów z MDD i efekty w metabolitach mogłyby być dalej badane w przyszłych badaniach.
 |
Rycina 5 Przewidywane zróżnicowane ścieżki KEGG w HC i MDD. |
Dyskusja
Firmicutes stanowią około 40%-65% mikrobioty jelita grubego lub kału. Zgodnie z wynikami wcześniejszego sekwencjonowania 16S rRNA, dominująca flora obejmuje trzy główne gromady Clostridium (IV, IX i XIV), podczas gdy inne gromady mają niższą liczebność.10 W naszym badaniu wykazano, że ogólna zawartość Firmicutes u pacjentów z depresją była znacząco niższa niż w grupie osób zdrowych; jest to zgodne z wynikami Jiang i wsp.16. Na poziomie rodzaju, znacznie zredukowane rodzaje Firmicutes głównie spadły do trzech rodzin, które są Faecalibacterium z Ruminococcaceae i Dorea, podczas gdy Coprococcus z Lachnospiraceae mają najbardziej znaczącą różnicę (P<0,001). Rodzaje te należą odpowiednio do Clostridium cluster IV i XIVa i mogą metabolizować różne substraty węglowodanowe, tworząc różne SCFA, takie jak octan, maślan i mleczan.10 Zmniejszenie liczby tych bakterii związanych z fermentacją prowadzi do zmniejszenia produkcji SCFA, co z kolei prowadzi do dysfunkcji bariery jelitowej.11 Ta naturalna funkcja bariery jest osłabiona, narażone są liczne substancje antygenowe, a słaby przewód jelitowy staje się źródłem stanu zapalnego.
Wcześniejsze badania podkreślały, że SCFAs produkowane w jelitach odgrywają ważną rolę w poprawie przewlekłych chorób zapalnych i promowaniu komórek nabłonka jelita grubego. Stwierdzono, że SCFAs mogą hamować produkcję cytokin prozapalnych, zwiększać ekspresję IL-10, aktywować limfocyty T regulatorowe (Tregs) i łagodzić zapalenie jelita grubego.31,32 SCFAs obejmują głównie octan, propionian i kwas masłowy, które mają znaczący wpływ na proliferację, różnicowanie i metabolizm komórek nabłonka jelitowego. Wśród nich, maślan nie tylko może dostarczyć energii dla długiego nabłonka, ale także wzmocnić barierę obronną jelita grubego. Ponadto, kwas masłowy może również odgrywać rolę w immunoregulacji hamowania cyklu komórkowego, indukując programowanej śmierci komórek i różnicowania komórek w różnych typach komórek. Ostatnie dowody sugerują, że maślan i propionian są kluczami do regulacji produkcji Foxp3+ przez Tregs, podczas gdy Tregs odgrywają ważną rolę w tłumieniu odpowiedzi zapalnej.33 Ponieważ większość bakterii wytwarzających kwas masłowy należy do Firmicutes,11 wraz ze zmniejszeniem liczby Firmicutes, te czynniki ochronne ulegają osłabieniu, a organizm jest dalej narażony na ryzyko zapalenia.
W wielu badaniach wykazano, że cytokiny i zapalenie są ściśle związane z objawami depresji u pacjentów z depresją. Sugeruje się, że depresja może być postrzegana jako grupa objawów spowodowanych zapaleniem obwodowym i odpowiedź na zapalenie.34,35 Metaanaliza sugeruje, że stężenie IL-6 i TNF-α we krwi jest istotnie podwyższone w depresji bez żadnej choroby fizycznej.36 Duża liczba badań podłużnych wykazała, że egzogenne cytokiny mogą nasilać objawy depresji.37-41 Podobnie wstrzyknięcie endotoksyny lipopolisacharydowej lub związanej z nią szczepionki może zwiększać zarówno stężenie cytokin prozapalnych, jak i objawy depresji.42-44 W badaniu Zhanga i wsp. przeprowadzonym na myszach stwierdzono, że w modelu stresu związanego z porażką społeczną nastąpiło istotne zmniejszenie liczby Firmicutes, natomiast zmiana liczby Proteobacteria nie była istotna. Stwierdzili oni również, że dożylne wstrzyknięcie MR16-1 wywołuje działanie przeciwdepresyjne poprzez normalizację zmienionego składu mikrobiomu jelitowego.45 Jest to zgodne z naszymi wnioskami.
W dodatku w rozwój depresji mogą być również zaangażowane niektóre procesy immunologiczne o podłożu komórkowym.46 Dwie metaanalizy wykazały, że u pacjentów z depresją dochodzi do wielokrotnej aktywacji komórkowych szlaków immunologicznych.36,47 Chociaż obecnie nie ma bezpośrednich dowodów na to, że zapalenie o niskim stopniu nasilenia u pacjentów z depresją pochodzi z jelita, istnieje coraz więcej dowodów na to, że mikrobiota jelitowa odgrywa ważną rolę w wywoływaniu tego procesu zapalnego. Chociaż niektóre badania przedkliniczne i kliniczne potwierdziły pozytywny wpływ suplementacji probiotykami na objawy depresji, metaanaliza wykazała, że suplementacja probiotykami ma ogólnie nieistotny wpływ na nastrój.48 Dlatego nadal konieczne jest dalsze wyjaśnienie zmian mikrobioty jelitowej w depresji, co może pomóc w osiągnięciu lepszego efektu przez ukierunkowaną suplementację.
W podsumowaniu naszego badania stwierdzono, że u pacjentów z depresją występują istotne zaburzenia mikrobioty jelitowej, w której Firmicutes znacznie się zmniejszyły. Defekty Firmicutes mogą prowadzić do depresji w SCFA, co może być fizjologiczną podstawą dla niskiego poziomu zapalenia depresji. W przyszłości możemy dalej badać rolę Firmicutes w depresji poprzez metodę multiomics.
Limitation
This study still has some limitations. Po pierwsze, wielkość próbki, której użyliśmy była stosunkowo niewielka z powodu limitu finansowego. Po drugie, chociaż wyniki tego badania potwierdzają, że mikrobiota jelitowa odgrywa rolę w rozwoju depresji, obecnie nie jesteśmy w stanie zbadać, jak dokładnie mikrobiota jelitowa zmieniła się wraz z tym procesem. W przyszłych badaniach, zmiany mikrobioty jelitowej powinny być dalej obserwowane w grupach wysokiego ryzyka przez cały okres możliwego rozwoju objawów. Po trzecie, w tym badaniu brakuje istotnych wskaźników stanu zapalnego. Wreszcie, mimo starannej selekcji badanych, mającej na celu zmniejszenie wpływu czynników pokrewnych na mikrobiotę jelitową, niektóre czynniki zakłócające, takie jak dieta, nadal wymagają większej kontroli lub szczegółowej oceny. Co więcej, nietypowe objawy depresji, takie jak łakomstwo i senność, mogą również mieć potencjalny wpływ na mikrobiotę jelitową, co wymaga bardziej szczegółowej klasyfikacji depresji w przyszłych badaniach.
Podziękowania
Dziękujemy wszystkim badanym, którzy wzięli udział w tym badaniu. Wszystkie koszty tego badania zostały sfinansowane we własnym zakresie.
Ujawnienie informacji
Autorzy nie deklarują konfliktu interesów w tej pracy.
|
Kessler RC, Berglund P, Demler O, et al. The epidemiology of major depressive disorder: results from the National Comorbidity Survey Replication (NCS-R). JAMA. 2003;289(23):3095-3105. |
||
|
Ogbonnaya ES, Clarke G, Shanahan F, Dinan TG, Cryan JF, O’Leary OF. Adult hippocampal neurogenesis is regulated by the microbiome. Biol Psychiatry. 2015;78(4):e7-e9. |
||
|
Foster JA, McVey Neufeld KA. Gut-brain axis: how the microbiome influences anxiety and depression. Trends Neurosci. 2013;36(5):305-312. |
||
|
Maes M, Kubera M, Leunis JC. The gut-brain barrier in major depression: intestinal mucosal dysfunction with an increased translocation of LPS from gram negative enterobacteria (leaky gut) plays a role in the inflammatory pathophysiology of depression. Neuroendocrinol Lett. 2008;29(1):117-124. |
||
|
Kiecolt-Glaser JK, Derry HM, Fagundes CP. Inflammation: depression fans the flames and feasts on the heat. Am J Psychiatry. 2015;172(11):1075-1091. |
||
|
Kelly JR, Borre Y, O’Brien C, et al. Transferring the blues: depression-associated gut microbiota induces neurobehavioural changes in the rat. J Psychiatr Res. 2016;82:109-118. |
||
|
Li B, Guo K, Zeng L, et al. Metabolite identification in fecal microbiota transplantation mouse livers and combined proteomics with chronic unpredictive mild stress mouse livers. Transl Psychiatry. 2018;8(1):34. |
||
|
Zheng P, Zeng B, Zhou C, et al. Gut microbiome remodeling induces depressive-like behaviors through a pathway mediated by the host’s metabolism. Mol Psychiatry. 2016;21(6):786-796. |
||
|
Lotrich FE. Inflammatory cytokine-associated depression. Brain Res. 2015;1617:113-125. |
||
|
Duncan SH, Louis P, Flint HJ. Cultivable bacterial diversity from the human colon. Lett Appl Microbiol. 2007;44(4):343-350. |
||
|
Stilling RM, van de Wouw M, Clarke G, Stanton C, Dinan TG, Cryan JF. The neuropharmacology of butyrate: the bread and butter of the microbiota-gut-brain axis? Neurochem Int. 2016;99:110-132. |
||
|
Diehl GE, Longman RS, Zhang JX, et al. Microbiota restricts trafficking of bacteria to mesenteric lymph nodes by CX(3)CR1(hi) cells. Nature. 2013;494(7435):116-120. |
||
|
Yu M, Jia H, Zhou C, et al. Variations in gut microbiota and fecal metabolic phenotype associated with depression by 16S rRNA gene sequencing and LC/MS-based metabolomics. J Pharm Biomed Anal. 2017;138:231-239. |
||
|
Bangsgaard Bendtsen KM, Krych L, Sørensen DB, et al. Gut microbiota composition is correlated to grid floor induced stress and behavior in the BALB/c mouse. PLoS One. 2012;7(10):e46231. |
||
|
Sokol H, Seksik P, Furet JP, et al. Low counts of Faecalibacterium prausnitzii in colitis microbiota. Inflamm Bowel Dis. 2009;15(8):1183-1189. |
||
|
Jiang H, Ling Z, Zhang Y, et al. Altered fecal microbiota composition in patients with major depressive disorder. Brain Behav Immun. 2015;48:186-194. |
||
|
Lin P, Ding B, Feng C, et al. Prevotella and Klebsiella proportions in fecal microbial communities are potential characteristic parameters for patients with major depressive disorder. J Affect Disord. 2017;207:300-304. |
||
|
Naseribafrouei A, Hestad K, Avershina E, et al. Correlation between the human fecal microbiota and depression. Neurogastroenterol Motil. 2014;26(8):1155-1162. |
||
|
Shen Y, Xu J, Li Z, et al. Analysis of gut microbiota diversity and auxiliary diagnosis as a biomarker in patients with schizophrenia: a cross-sectional study. Schizophr Res. 2018;197:470-477. |
||
|
Magoč T, Salzberg SL. FLASH: fast length adjustment of short reads to improve genome assemblies. Bioinformatics. 2011;27(21):2957-2963. |
||
|
Bolger AM, Lohse M, Usadel B. Trimmomatic: a flexible trimmer for Illumina sequence data. Bioinformatics. 2014;30(15):2114-2120. |
||
|
Caporaso JG, Kuczynski J, Stombaugh J, et al. QIIME allows analysis of high-throughput community sequencing data. Nat Methods. 2010;7(5):335-336. |
||
|
McDonald D, Price MN, Goodrich J, et al. An improved Greengenes taxonomy with explicit ranks for ecological and evolutionary analyses of bacteria and archaea. ISME J. 2012;6(3):610-618. |
||
|
Edgar RC. Wyszukiwanie i grupowanie o rząd wielkości szybsze niż BLAST. Bioinformatics. 2010;26(19):2460-2461. |
||
|
Katoh K, Standley DM. MAFFT multiple sequence alignment software version 7: improvements in performance and usability. Mol Biol Evol. 2013;30(4):772-780. |
||
|
Price MN, Dehal PS, Arkin AP. FastTree: computing large minimum evolution trees with profiles instead of a distance matrix. Mol Biol Evol. 2009;26(7):1641-1650. |
||
|
Oksanen J, Blanchet F, Kindt R, Legendre P. Vegan: Community Ecology Package Version 2.0-10, 2013. |
||
|
R Development Core Team. R: A Language and Environment for Statistical Computing. Wiedeń, Austria: The R Foundation for Statistical Computing; 2013. |
||
|
Langille MG, Zaneveld J, Caporaso JG, et al. Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nat Biotechnol. 2013;31(9):814-821. |
||
|
Parks DH, Tyson GW, Hugenholtz P, Beiko RG. STAMP: statistical analysis of taxonomic and functional profiles. Bioinformatics. 2014;30(21):3123-3124. |
||
|
Smith PM, Howitt MR, Panikov N, et al. The microbial metabolites, short-chain fatty acids, regulate colonic Treg cell homeostasis. Science. 2013;341(6145):569-573. |
||
|
Sonnenburg ED, Zheng H, Joglekar P, et al. Specificity of polysaccharide use in intestinal bacteroides species determines diet-induced microbiota alterations. Cell. 2010;141(7):1241-1252. |
||
|
Schippa S, Conte MP. Dysbiotic events in gut microbiota: impact on human health. Nutrients. 2014;6(12):5786-5805. |
||
|
Dantzer R, O’Connor JC, Freund GG, Johnson RW, Kelley KW. From inflammation to sickness and depression: when the immune system subjugates the brain. Nat Rev Neurosci. 2008;9(1):46-56. |
||
|
Raison CL, Capuron L, Miller AH. Cytokines sing the blues: inflammation and the pathogenesis of depression. Trends Immunol. 2006;27(1):24-31. |
||
|
Dowlati Y, Herrmann N, Swardfager W, et al. A meta-analysis of cytokines in major depression. Biol Psychiatry. 2010;67(5):446-457. |
||
|
Caraceni A, Gangeri L, Martini C, et al. Neurotoksyczność interferonu alfa w terapii czerniaka: wyniki randomizowanego badania kontrolowanego. Cancer. 1998;83(3):482-489. |
||
|
Malaguarnera M, Di Fazio I, Restuccia S, Pistone G, Ferlito L, Rampello L. Interferon alfa-induced depression in chronic hepatitis C patients: comparison between different types of interferon alpha. Neuropsychobiology. 1998;37(2):93-97. |
||
|
Pavol MA, Meyers CA, Rexer JL, Valentine AD, Mattis PJ, Talpaz M. Pattern of neurobehavioral deficits associated with interferon alfa therapy for leukemia. Neurology. 1995;45(5):947-950. |
||
|
Raison CL, Dantzer R, Kelley KW, et al. CSF concentrations of brain tryptophan and kynurenines during immune stimulation with IFN-alpha: relationship to CNS immune responses and depression. Mol Psychiatry. 2010;15(4):393-403. |
||
|
Schaefer M, Engelbrecht MA, Gut O, et al. Interferon alfa (IFN-alfa) and psychiatric syndromes: a review. Prog Neuropsychopharmacol Biol Psychiatry. 2002;26(4):731-746. |
||
|
Brydon L, Walker C, Wawrzyniak A, et al. Synergistic effects of psychological and immune stressors on inflammatory cytokine and sickness responses in humans. Brain Behav Immun. 2009;23(2):217-224. |
||
|
Geubelle F. . Clin Chim Acta. 1956;1(3):225-228. |
||
|
Strike PC, Wardle J, Steptoe A. Mild acute inflammatory stimulation induces transient negative mood. J Psychosom Res. 2004;57(2):189-194. |
||
|
Zhang JC, Yao W, Dong C, et al. Blockade of interleukin-6 receptor in the periphery promotes rapid and sustained antidepressant actions: a possible role of gut-microbiota-brain axis. Transl Psychiatry. 2017;7(5):e1138. |
||
|
Leonard B, Maes M. Mechanistic explanations how cell-mediated immune activation, inflammation and oxidative and nitrosative stress pathways and their sequels and concomitants play a role in the pathophysiology of unipolar depression. Neurosci Biobehav Rev. 2012;36(2):764-785. |
||
|
Liu Y, Ho RC, Mak A. Interleukin (IL)-6, tumor necrosis factor alpha (TNF-α) and soluble interleukin-2 receptors (sIL-2R) are elevated in patients with major depressive disorder: a meta-analysis and meta-regression. J Affect Disord. 2012;139(3):230-239. |
||
|
Ng QX, Peters C, Ho CYX, Lim DY, Yeo WS. A meta-analysis of the use of probiotics to alleviate depressive symptoms. J Affect Disord. 2018;228:13-19. |