Identification of biomarker signatures for the discrimination of pneumococcal pneumonia from staphylococcal pneumonia
Bacterial pneumonia is still a major cause of morbidity and mortality worldwide. One of the reasons for this may be the lack of accurate diagnostic tests that results in delayed identification of the causative agent and subsequent delay in initiating appropriate therapy. In this regard, the objective of this thesis was the identification of host biomarkers which could discriminate between pneumococcal pneumonia and staphylococcal pneumonia in experimental murine infection models using transcriptomics, metabolomics and lipidomics. A genome-wide gene expression profile was determined in the lungs and blood of mice intranasally infected with S. pneumoniae or with S. aureus using RNA-Sequencing. PCA identified the transcriptional signature for staphylococcal infection including the expression of Arg1, Defb3, Cxcl3, Ccr3, Cycs and Ear6 in lung tissue and various small nucleolar RNAs and mitochondrially encoded RNA genes as well as Nrxn3 in peripheral blood. S. pneumonia-specific transcriptional signature in the lungs and in peripheral blood comprises the expression of IFN-induced genes. Metabolic profiling was performed in lung tissue and plasma of infected mice using a targeted metabolomics approach. ROC curve analysis identified 18 metabolites with an AUC of 1 in lung tissue. Predictive models were built to identify optimal combinations of lung and blood metabolites for classifying samples as belonging to either S. pneumoniae or S. aureus infection. In plasma samples a optimal combination of 25 metabolites including 3 acetylcarnitines (C3, C8, C3-DC C4-OH), 1 phosphatidylcholine (PC), 4 lysoPCs, 5 amino acids (Ile, Leu, Met, Tyr, Val), 1 biogenic amine and 1 sphingolipid with the highest average importances was predicted to discriminate S. pneumoniae from S. aureus infection. ROC curve analysis of single plasma lipids that could discriminate between S. pneumoniae and S. aureus lung infection provided a list of 14 lipids. On the other hand, a combination of 25 lipids including 5 lysoPCs, 4 lysophosphatidylethanolamine, 3 phosphatidylinositols, 1 TAG, 1 PCs and 1 cholesterol ester with the highest average importances was predicted as optimal to discriminate S. pneumoniae from S. aureus infection. Overall, this study shows the utility of multi-omics data to identify signatures that can be used to differentiate between S. pneumoniae and S. aureus. Further studies with human samples will be needed to validate the identified pathogen-specific signatures.
Bakterielle Pneumonie ist eine der Hauptursachen für Morbidität und Mortalität weltweit. Einer der Gründe liegt im Fehlen genauer diagnostischer Tests, die zu einer verzögerten Identifizierung des verursachenden Erregers und Initiierung einer nicht-geeigneten Therapie führen. Ziel dieser Arbeit war die Identifizierung von Wirts-Biomarkern, die Pneumokokken-Pneumonie von Staphylokokken-Pneumonie in einem experimentellen Maus-Infektionsmodell unter Verwendung von Transkriptomik, Metabolomik und Lipidomik unterscheiden können. Zu diesem Zweck wurde das transkriptionale Profil im Lungengewebe und peripheren Blut von S. pneumoniae und S. aureus infizierten Mäusen mittels RNA-Sequenzierung bestimmt. Mittels Hauptkomponentenanalyse identifizierte die Faktorladung der ersten Hauptkomponente die transkriptionale Staphylokokken Signatur mit der Expression von Arg1, Defb3, CXCL3, CCR3, Cycs und Ear6 in Lungengewebe und verschiedene kleine nukleoläre RNAs und mitochondrial kodierte RNA-Gene sowie Nrxn3 im peripheren Blut. Im Gegensatz dazu umfasst die S. pneumoniae-spezifische transkriptionale Signatur in der Lunge und im peripheren Blut Interferon induzierte Gene. Die Grenzwertoptimierungskurvenanalyse (ROC) identifizierte 18 Lungenmetabolite mit einer Fläche unter der ROC-Kurve (AUC) von 1. Mit Hilfe multivariater statistischer Methoden wurden verschiedene Vorhersagemodelle generiert, um die optimale Kombination von Metaboliten für die Klassifizierung nach Infektionserregern (S. pneumoniae oder S. aureus) zu identifizieren. Das beste Vorhersagemodell für Lungengewebe mit 5 Metaboliten und einer AUC von 1 setzte sich zusammen aus 3 Carnitinen (C2, C3, C4), Histamin und die Summe von Hexosen (H1). Für Plasmaproben bestand das optimale Vorhersagemodell aus 25 Metaboliten, darunter 3 Acylcarnitine (C3, C8, C3-DC C4-OH), 4 lysoPCs, 5 Aminosäuren (Ile, Leu, Met, Tyr und Val), 1 PC, 1 biogenes Amine und 1 Sphingolipid mit der höchsten Gewichtigkeit für das Modell. Die ROC-Kurvenanalyse zwischen S. pneumoniae und S. aureus infizierten Plasmaproben identifizierte 14 Lipide. Das optimale Vorhersagemodell bestand aus 25 Metaboliten, darunter 5 lysoPCs, 4 lysoPE, 3 Phosphatidylinositols, 1 TAG, 1 PCs und 1 Cholesterinester mit der höchsten Gewichtigkeit für das Modell. Die aktuelle Studie liefert zusätzliche Hinweise darauf, dass die transkriptionale und metabolische Signatur bei einer Infektion zur Differenzierung zwischen S. pneumoniae und S. aureus verwendet werden kann.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved