Summary
La coloration immunohistochimique et le séquençage du gène de l’ARN ribosomique 16S (gène de l’ARNr 16S) ont été effectués afin de découvrir et de distinguer les bactéries dans les tissus ovariens cancéreux et non cancéreux in situ. Les différences de composition et de fonctionnement des bactéries ont été prédites à l’aide de BugBase et de Phylogenetic Investigation of Communities by Reconstruction of Unobserved States (PICRUSt).
Abstract
La théorie d’un appareil reproducteur supérieur féminin « stérile » a rencontré une opposition croissante en raison des progrès de la détection bactérienne. Cependant, la question de savoir si les ovaires contiennent des bactéries n’a pas encore été confirmée. Ici, une expérience pour détecter les bactéries dans les tissus ovariens a été introduite. Nous avons choisi des patientes atteintes d’un cancer de l’ovaire dans le groupe cancer et des patientes non cancéreuses dans le groupe témoin. Le séquençage du gène de l’ARNr 16S a été utilisé pour différencier les bactéries dans les tissus ovariens des groupes cancéreux et témoins. De plus, nous avons prédit la composition fonctionnelle des bactéries identifiées en utilisant BugBase et PICRUSt. Cette méthode peut également être utilisée dans d’autres viscères et tissus, car il a été prouvé que de nombreux organes hébergent des bactéries ces dernières années. La présence de bactéries dans les viscères et les tissus peut aider les scientifiques à évaluer les tissus cancéreux et normaux et peut aider au traitement du cancer.
Introduction
Récemment, un nombre croissant d’articles ont été publiés qui prouvent l’existence de bactéries dans les viscères abdominaux solides, tels que le rein, la rate, le foie et l’ovaire1,2. Geller et al. ont trouvé des bactéries dans les tumeurs pancréatiques, et ces bactéries étaient résistantes à la gemcitabine, un médicament chimiothérapeutique2. S. Manfredo Vieira et al. ont conclu qu’Enterococcus gallinarum était portable aux ganglions lymphatiques, au foie et à la rate, et qu’il pouvait conduire à l’auto-immunité3.
Étant donné que le col de l’utérus joue un rôle de défenseur, les bactéries dans l’appareil reproducteur féminin supérieur, qui contient l’utérus, les trompes de Fallope et les ovaires, ont été peu étudiées. Cependant, de nouvelles théories ont été établies ces dernières années. Les bactéries peuvent avoir accès à la cavité utérine pendant le cycle menstruel en raison de changements dans les mucines4,5. En outre, Zervomanolakis et al. ont confirmé que l’utérus, avec les trompes de Fallope, est une pompe péristaltique contrôlée par le système endocrinien des ovaires, et cet arrangement permet aux bactéries de pénétrer dans l’endomètre, les trompes de Fallope et les ovaires6.
L’appareil reproducteur supérieur n’est plus un mystère grâce au développement de méthodes de détection bactérienne. Verstraelen et al. ont utilisé une méthode de séquençage par paires à code-barres pour découvrir les bactéries utérines en ciblant la région hypervariable V1-2 du gène 7 de l’ARN 16S. Fang et al. ont utilisé le séquençage par code-barres chez les patients atteints de polypes de l’endomètre et ont révélé la présence de diverses bactéries intra-utérines8. De plus, en utilisant le gène de l’ARN 16S, Miles et al. et Chen et al. ont trouvé des bactéries dans le système génital des femmes qui avaient subi une salpingo-ovariectomie et une hystérectomie, respectivement5,9.
Les bactéries dans les tissus tumoraux ont attiré de plus en plus l’attention ces dernières années. Banerjee et al. ont découvert que la signature du microbiome différait entre les patientes atteintes d’un cancer de l’ovaire et les témoins10. Unnoxynatronum sibiricum a été associé au stade tumoral, et Methanosarcina vacuolata pourrait être utilisé pour diagnostiquer le cancer de l’ovaire11. En plus du cancer de l’ovaire, d’autres cancers, tels que l’estomac, le poumon, la prostate, le sein, le col de l’utérus et l’endomètre, se sont avérés associés aux bactéries12,13,14,15,16,17,18. Poore et al. ont proposé une nouvelle classe de diagnostics oncologiques microbiens, prévoyant un dépistage précoce du cancer19. Dans ce protocole, nous avons étudié les différences entre les tissus ovariens cancéreux et normaux en comparant la composition et la fonction des bactéries dans ces deux tissus.
La coloration immunohistochimique et le séquençage du gène de l’ARNr 16S ont été effectués pour confirmer la présence de bactéries dans les ovaires. Les différences et les fonctions prédites des bactéries de l’ovaire dans les tissus ovariens cancéreux et non cancéreux ont été étudiées. Les résultats ont montré l’existence de bactéries dans les tissus ovariens. Anoxynatronum sibiricum et Methanosarcina vacuolata étaient liés au stade et au diagnostic du cancer de l’ovaire, respectivement. Quarante-six voies KEGG significativement différentes qui étaient présentes dans les deux groupes ont été comparées.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Cette étude a été approuvée par le Comité d’éthique médicale institutionnelle du premier hôpital affilié de l’Université Xi’an Jiaotong (No. XJTUIAF2018LSK-139). Le consentement éclairé a été obtenu de tous les patients inscrits.
1. Critères d’entrée dans le groupe cancéreux et le groupe témoin
- Pour le groupe du cancer, recrutez des patientes qui reçoivent principalement un diagnostic de cancer de l’ovaire, et après la laparotomie, il est prouvé qu’elles ont un cancer de l’ovaire séreux par des résultats pathologiques.
- Pour le groupe témoin, recruter des patientes qui reçoivent principalement un diagnostic de myome utérin ou d’adénomyose utérine, sans présenter d’affection ovarienne, et qui ont subi une hystérectomie et une salpingo-ovariectomie.
REMARQUE : Cette norme n’est pas définie. Les patients atteints de maladies n’affectant pas les ovaires qui subissent une hystérectomie et une salpingo-ovariectomie peuvent également être recrutés. - Exclure les patients présentant un ou plusieurs des critères suivants :
Femmes enceintes ou allaitantes.
Prendre des antibiotiques 2 mois avant la chirurgie.
Avoir de la fièvre ou des marqueurs inflammatoires élevés.
Avoir une inflammation de toute sorte.
Avoir subi une chimiothérapie néoadjuvante.
2. Prélassez des échantillons
- Pendant la chirurgie, placez les ovaires réséqués dans un tube stérile et placez le tube dans de l’azote liquide pour le transport. Évitez de toucher quoi que ce soit d’autre tout au long de la procédure.
- Séparez les ovaires en échantillons de tissus d’environ 1 cm d’épaisseur avec une paire de nouvelles pinces stériles sous une armoire à flux laminaire. Après séparation, conserver les échantillons à -80 °C.
REMARQUE: Toutes les procédures de prélèvement d’échantillons sont aseptiques, y compris la séparation des ovaires.
3. Séquencer le gène de l’ARNr 16S
- Extraire l’ADN.
- Ajouter 1,2 mL de tampon EX inhibiteur dans un tube de centrifugeuse de 2 mL. Ensuite, ajoutez 180-220 mg d’échantillons dans le tube. Laisser l’échantillon bien mélanger (bain-marie à 70 °C pendant 5 min puis vortex pendant 15 s).
- Centrifuger le tube pendant 1 min à 600 x g.
- Placer 550 μL du surnageant dans un nouveau tube de 1,5 mL et centrifuger pendant 1 min à 600 x g.
- Transférer 400 μL du surnageant avec 30 μL de protéinase K dans un autre tube de 1,5 mL.
- Ajouter 400 μL de tampon AL et utiliser un mélangeur vortex pendant 15 s.
- Incuber à 70 °C pendant 10 min.
- Ajouter 400 μL d’alcool à 96-100%. Utilisez un mélangeur vortex pendant 15 s.
- Transférer 600 μL de mélange dans une colonne d’absorption et centrifuger pendant 1 min à 13700 g. Échangez le tube inférieur. Répétez cette étape 11 fois.
- Ajouter 500 μL de tampon AW1, centrifuger pendant 1 min à 13 700 x g, et changer le tube inférieur.
- Ajouter 500 μL de tampon AW2, centrifuger pendant 3 min à 13 700 x g, et changer le tube inférieur.
- Centrifugeuse pendant 3 min à 13 700 x g.
- Transférer le mélange dans un nouveau tube de 1,5 mL, ajouter 200 μL de tampon ATE, incuber à température ambiante pendant 5 min et centrifuger pendant 1 min à 13 700 x g.
- Tests de qualité. Utilisez 1% d’électrophorèse sur gel de sépharose pour tester la qualité. Ajouter 400 ng d’échantillon, 120 V, 30 minutes. Résultat idéal : Concentration d’ADN : ≥ 10 ng/μL, pureté de l’ADN : A260/A280 = 1,8-2,0, ADN brut : ≥ 300 ng.
- Préparez les bibliothèques à l’aide d’un kit de séquençage métagénomique 16S selon le protocole du fabricant.
- Effectuez la PCR. En bref, chaque réaction PCR de 25 μL contient 12,5 ng d’ADN d’échantillon en entrée, 12,5 μL de 2x KAPA HiFi HotStart ReadyMix et 5 μL de chaque amorce à 1 μM.
- Effectuer la PCR en utilisant le protocole suivant : une étape initiale de dénaturation réalisée à 95°C pendant 3 min suivie de 25 cycles de dénaturation (95°C, 30 s), de recuit (55°C, 30 s) et d’extension (72°C, 30 s), et un allongement final de 5 min à 72°C.
- Nettoyez le produit PCR du mélange réactionnel avec des billes magnétiques en utilisant les instructions du fabricant.
- Répétez les étapes 3.3.1 et 3.3.2.
- Tests de qualité. Veuillez vous référer à l’étape 3.2.
- Répétez l’étape 3.3.3.
- Tests de qualité. Utilisez l’électrophorèse sur gel de sépharose à 1 % pour tester l’impureté, un spectrophotomètre pour tester la pureté, un fluoromètre pour tester la concentration et un kit de dosage de l’ARN pour tester l’intégrité. Suivez le protocole du fabricant. Normaliser et regrouper les bibliothèques ; puis séquence (réglage de lecture d’extrémité appariée de 2 x 300 bp) à l’aide de cellules d’écoulement standard V3 de 600 cycles, produisant environ 100 000 lectures de base à extrémité appariée 2 x 300.
REMARQUE: Les séquences d’amorce pleine longueur: 16S Amplicon polymerase chain reaction (PCR) Forward primer: 5' TCGTCGGCAGCGTCAGATGTATAAGA GACAG-[CCTACGGGNGGCWGCAG] et 16S Amplicon PCR Reverse primer: 5' GTCTCGTGGGCTCGGAGATGTGTATAAGAGACAG-[GACTACHVGGGTATCTAATCC].
4. Analyser les données de séquençage du gène de l’ARNr 16S
- Filtrez les lectures brutes de chaque échantillon en fonction de la qualité du séquençage avec le progiciel QIIME 2-20180220.
- Copiez trois fichiers dans le répertoire : emp-paired-end-sequences_01
un fichier forward.fastq.gz qui contient la séquence de transfert se lit,
un fichier reverse.fastq.gz qui contient les lectures de séquence inverse,
un fichier barcodes.fastq.gz qui contient les lectures de code-barres associées - Exécuter
Importation d’outils qiime \
--type EMPPairedEndSequences \
--input-path emp-paired-end-sequences_01 \--output-path emp-paired-end-sequences_02.qza
- Copiez trois fichiers dans le répertoire : emp-paired-end-sequences_01
- Retirez les séquences d’apprêt et d’adaptateur.
qiime cutadapt trim-paired \
--i-demultiplexed-sequences demultiplexed-seqs_02.qza \
--p-front-f GCTACGGGGGG \
--p-front-r GCTACGGGGGG \
--p-taux d’erreur 0 \
--qualité-coupure 25 \
--o-trimmed-sequences trimmed-seqs_03.qza \
--verbeux - Raccourcir les lectures de séquence dans lesquelles les deux qualités d’extrémité appariées sont inférieures à 25. Voir ci-dessus --quality-cutoff 25
- Analysez les données de séquençage.
- Rassembler des séquences pour former des unités taxonomiques opérationnelles (OTU) avec un seuil de similitude à 97%.
qiime vsearch dereplicate-sequences \
--i-séquences découpées-seqs_03.qza \
--o-dereplicated-table table_04.qza \
--o-dereplicated-sequences rep-seqs_04.qza
qiime vsearch cluster-features-closed-reference \
--i-table table_04.qza \
--i-sequences rep-seqs_04.qza \
--i-reference-sequences 97_otus.qza \
--p-perc-identity 0,97 \
--o-clustered-table table-cr-97.qza \
--o-clustered-sequences rep-seqs-cr-97.qza \
--o-unmatched-sequences unmatched-cr-97.qza - Pour les OTU, calculez l’abondance relative dans chaque échantillon. L’information sur l’abondance se trouve dans la table-cr-97.qza
- Rassembler des séquences pour former des unités taxonomiques opérationnelles (OTU) avec un seuil de similitude à 97%.
- Utilisez un classificateur bayésien natif, qui vise l’ensemble de formation RDP (version 9; http://sourceforge.net/projects/rdp-classifier/), pour trier toutes les séquences. Les informations cartographique sur les taxons se trouvent dans table-cr-97.qza
- Dans l’OTU donné, attribuez une classification qui reflète la cohérence majeure des séquences aux OTU. Ensuite, alignez les OTU. Voir table-cr-97.qza et rep-seqs-cr-97.qza
- Sur la base des informations du groupe échantillon, effectuez la diversité alpha (y compris les indices Chao 1, ACE, Shannon, Simpson et Evenness) et l’analyse des coordonnées principales (PCoA) basée sur UniFrac.
exportation d’outils qiime \
--input-path table-cr-97.qza \
--output-path exported-feature-table
exported-feature-table
qiime diversité alpha \
--i-table table-cr-97.qza \
--p-métrique observed_otus \
--o-alpha-diversité observed_otus_vector.qza
qiime diversité bêta \
--i-table table-cr-97.qza \
--p-metric braycurtis \
--o-distance-matrix unweighted_unifrac_distance_matrix.qza
5. Prédire la fonction bactérienne
- Pour prédire la représentation connexe des caractéristiques des bactéries, utilisez BugBase21. La table OTU d’entrée pour BugBase est préparée à l’aide des commandes suivantes.
biom convert -i otu_table.biom -o otu_table.txt --to-tsv
biom convert -i otu_table.txt -o otu_table_json.biom --table-type="OTU table » --to-json
REMARQUE: La prédiction est basée sur six catégories de phénotypes (Ward et al. non publiés) (https://bugbase.cs.umn.edu/): coloration de Gram, tolérance à l’oxygène, capacité à former des biofilms, teneur en éléments mobiles, pathogénicité et tolérance au stress oxydatif. - Prédire la composition fonctionnelle d’un métagénome par PICRUSt à l’aide de données de gènes marqueurs et d’une base de données contenant des génomes de référence22.
make_otu_table.py -i microbiome_97/uclust_ref_picked_otus/test_paired_otus.txt -t /mnt/nas_bioinfo/ref/qiime2_ref/97_otu_taxonomy.txt -o otu_table.biom &
normalize_by_copy_number.py -i otu_table.biom -o normalized_otus.biom
predict_metagenomes.py -i normalized_otus.biom -o metagenome_predictions.biom
categorize_by_function.py -i metagenome_predictions.biom -c « KEGG_Pathways » -l 1 -o picrust_L1.biom
categorize_by_function.py -f -i metagenome_predictions.biom -c KEGG_Pathways -l 1 -o metagenome_predictions. L1 .txt - Analyser les différences de fonctions entre chaque groupe à l’aide de STAMP23,24. Veuillez vous référer aux citations pour faire fonctionner le logiciel.
6. Données
- Utilisez un logiciel statistique pour calculer la signification des résultats. L’indication de la signification statistique doit être fixée à P < 0,05.
- Évaluer les différences d’âge et de parité par le test t de Student. Évaluer les différences dans le statut ménopausique, les antécédents d’hypertension et de diabète par le test du chi carré. Évaluer les différences dans le nombre de taxons bactériens ovariens par le test U de Mann-Whitney.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Patient
Au total, 16 patients qualifiés ont été inclus dans l’étude. Le groupe témoin comprenait 10 femmes ayant reçu un diagnostic de tumeur utérine bénigne (parmi elles, 3 patientes ont reçu un diagnostic de myome utérin et 7 patientes ont reçu un diagnostic d’adénomyose utérine). Pendant ce temps, le groupe de cancer comprenait 6 femmes ayant reçu un diagnostic de cancer de l’ovaire séreux (parmi elles, 2 patientes ont reçu un diagnostic de stade II et 2 d’entre elles ont reçu un diagnostic de stade III). Les caractéristiques suivantes n’ont montré aucune différence entre les patientes du groupe témoin et du groupe cancéreux : âge, état ménopausique, parité, antécédents d’hypertension et antécédents de diabète (tableau 1).
Tableau 1 : Statistiques sur les patients Veuillez cliquer ici pour télécharger ce tableau.
La richesse et la variété des espèces bactériennes ovariennes dans les deux groupes
La présence de bactéries utilisant la coloration immunohistochimique a été montrée à la figure 1. La diversité alpha des microbes a été analysée comme une méthode pour détecter la richesse et la variété des espèces bactériennes ovariennes. Le nombre d’espèces observées dans les tissus du cancer de l’ovaire était inférieur à celui du groupe témoin, sans différence significative. La richesse (représentée par l’indice Chao 1 et ACE) et la diversité (représentée par l’indice Shannon, Simpson et Evenness) des espèces bactériennes n’étaient pas significativement différentes entre le groupe cancéreux et le groupe témoin(Figure 2).
Figure 2: Le séquençage dugène de l’ARNr 16S montre des différences entre les groupes cancéreux et témoins en ce qui ale lieu dans la richesse et la diversité bactériennes. (A) Indice des espèces observées (P = 0,06, test U de Mann-Whitney); (B) Indice de Chao 1(P = 0,06, test de Mann-Whitney U); (C) Indice ACE (P = 0,06, test de Mann-Whitney U); D) Indice de Shannon (P = 0,32, test de Mann-Whitney U; E. Indice d’uniformité (P = 0,48, test de Mann-Whitney U); (F) Indice de Simpson (P = 0,46, test de Mann-Whitney U). Nous avons obtenu l’autorisation de réimpression des éditeurs précédents. Ce chiffre a été modifié à partir de Wang et al.11. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Description des bactéries ovariennes
Un séquençage en profondeur de la région du gène de l’ARNr V3-V4 16S a été effectué sur tous les échantillons afin de mieux comprendre les bactéries ovariennes. Les résultats ont montré que les protéobactéries étaient le phylum le plus abondant (67,10% dans le groupe témoin et 67,20% dans le groupe cancer), Firmicutes était le deuxième phylum le plus abondant (23,77% dans le groupe témoin et 23,82% dans le groupe cancer), et le troisième phylum le plus abondant était Bacteroidetes (3,26% dans le groupe témoin et 3,41% dans le groupe cancer). Lors de l’analyse des espèces du groupe témoin, la composition principale était composée de Halobacteroides halobios (14,53%), suivi de Gemmata obscuriglobus (11,07%) et de Methyloprofundus sedimenti (10,69%). Pour le groupe cancéreux, Gemmata obscuriglobus était le plus riche du groupe (13,89 %), suivi de Halobacteroides halobius (11,99 %) et de Methyloprofundus sedimenti (11,12 %)(Figure 3).
Figure 3: Abondance relative des phyla (> 1 %) et des 12 principales espèces dans les échantillons ovariens. (A) L’abondance relative du phyla (> 1%) dans les ovaires des patients du groupe témoin. (B) L’abondance relative du phyla (> 1%) dans les ovaires des patientes atteintes d’un cancer de l’ovaire. (C) Les abondances relatives des 12 espèces bactériennes les plus abondantes dans les ovaires des patients témoins. (D) Les abondances relatives des 12 espèces bactériennes les plus abondantes dans les ovaires des patientes atteintes d’un cancer de l’ovaire. Nous avons obtenu l’autorisation de réimpression des éditeurs précédents. Ce chiffre a été modifié à partir de Wang et al.11. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Différentes compositions de bactéries ovariennes entre les deux groupes
Une comparaison de différentes communautés bactériennes a été réalisée par PCoA à l’aide de PERMANOVA. Les résultats ont montré que les bactéries du groupe témoin différaient de celles du groupe cancer, P < 0,05(Figure 4).
Figure 4: Le PCoA détecte des grappes de communautés et les abondances relatives d’Anoxynatronum sibiricum et de Methanosarcina vacuolata. (A) Les communautés ont été regroupées à l’aide de PCoA. PC1 et PC2 sont tracés sur les axes x et y. Le bloc rouge indique un échantillon dans le groupe du cancer de l’ovaire. Le cercle bleu indique un échantillon dans le groupe témoin. Les échantillons du groupe cancer de l’ovaire ont été séparés des autres échantillons du groupe témoin. (B) Communautés regroupées à l’aide de PCoA. PC1 et PC2 sont tracés sur les axes x et y. Le bloc rouge indique un échantillon dans le groupe du cancer de l’ovaire. Le cercle plein bleu indique un échantillon d’une patiente atteinte de myome utérin, et le cercle creux bleu est égal à un échantillon d’une patiente atteinte d’adénomyose utérine. (C) L’abondance relative d’Anoxynatronum sibiricum (groupe témoin : n = 10, groupe cancer : n = 6, P = 0,034, test U de Mann-Whitney). (D) L’abondance relative de Methanosarcina vacuolata (groupe témoin : n = 10, groupe cancer : n = 6, P = 0,001, test U de Mann-Whitney). Nous avons obtenu l’autorisation de réimpression des éditeurs précédents. Ce chiffre a été modifié à partir de Wang et al.11. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Composition bactérienne de l’ovaire dans les groupes cancéreux et témoins sous différents angles
Une analyse de la composition bactérienne ovarienne a été effectuée sous différents angles afin de détecter davantage les différences dans les bactéries ovariennes identifiées. Dans le tableau 2,les niveaux d’embranchement, de classe, d’ordre, de famille, de genre et d’espèce ont été pris en compte, et des statistiques sont fournies dans le graphique. En particulier, il y avait une association entre l’abondance relative d’Anoxynatronum sibiricum et le stade de la tumeur, et Methanosarcina vacuolata était un signe spécifique lors du diagnostic du cancer de l’ovaire (Tableau 2).
Conservation phénotypique des bactéries ovariennes dans les deux groupes en fonction des fonctions prédites
Dans le groupe cancéreux, l’expression des gènes liés à des phénotypes potentiellement pathogènes et oxydatifs tolérants au stress a été augmentée par rapport à celle du groupe témoin (test de rang signé de Wilcoxon, P = 0,02 et P = 0,002). Aucune différence significative n’a été trouvée entre le cancer de l’ovaire et les groupes témoins dans les aspects suivants: les phénotypes des bactéries aérobies, anaérobies, anaérobies facultatives, à Gram positif et à Gram négatif; éléments mobiles; et la formation de biofilm de la bactérie ovarienne (Figure 5). Quarante-six variantes des voies KEGG entre les bactéries dans les ovaires dans les groupes cancéreux et témoins ont été déterminées. Les ovaires du groupe cancer ont montré 26 voies accrues. Parmi eux, les voies les plus liées étaient les transporteurs. D’autre part, les bactéries dans le tissu cancéreux de l’ovaire ont montré 20 voies réduites. Les fonctions les plus pertinentes étaient les suivantes: système de sécrétion, fonctions inconnues et système à deux composants. Les autres voies sont illustrées à la figure 6.
Figure 1: Expression immunohistochimique du LPS dans les ovaires. (A) Groupe témoin (10 x). Barres d’échelle, 200 μm. (B) Groupe témoin (40 x). Barres d’échelle, 50 μm. (C) Groupe Cancer (10x). Barres d’échelle, 200 μm. (D) Groupe Cancer (40 x). Barres d’échelle, 50 μm. Les flèches indiquent une coloration LPS dans le tissu ovarien. Nous avons obtenu l’autorisation de réimpression des éditeurs précédents. Ce chiffre a été modifié à partir de Wang et al.11. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 5: Métagénomes prédits analysés par BugBase. L’expression de certains gènes dans le groupe cancer a été augmentée par rapport à celle du groupe témoin. Ces gènes étaient liés à des phénotypes potentiellement pathogènes (test de rang signé wilcoxon, P = 0,02) et tolérants au stress oxydatif des ovaires. (Test de rang signé de Wilcoxon, P = 0,002). Nous avons obtenu l’autorisation de réimpression des éditeurs précédents. Ce chiffre a été modifié à partir de Wang et al.11. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 6: Analyse PICRUSt des différentes voies KEGG entre le cancer et les groupes témoins. Nous avons obtenu l’autorisation de réimpression des éditeurs précédents. Ce chiffre a été modifié à partir de Wang et al.11. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Tableau 2 : Richesse (représentée par l’indice Chao 1 et ACE) et diversité (représentée par l’indice Shannon, Simpson et Evenness) des espèces bactériennes Veuillez cliquer ici pour télécharger ce tableau.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Le cancer de l’ovaire a une influence notable sur la fertilité des femmes25. La plupart des patientes atteintes d’un cancer de l’ovaire sont diagnostiquées à un stade avancé et le taux de survie à 5 ans est inférieur à 30%18. La confirmation de la bactérie dans les viscères solides abdominaux, y compris le foie, le pancréas et la rate, a été publiée. L’existence de bactéries dans l’appareil reproducteur féminin supérieur se produit parce que le col de l’utérus n’est pas fermé2,3,4,5. Cependant, la question de savoir si les ovaires, qui sont des viscères abdominaux solides, sont stériles ou non n’a pas encore été déterminée. De plus, la question de savoir si les bactéries dans les ovaires sont liées au cancer de l’ovaire est également une question importante.
Les différences significatives dans les bactéries que nous avons trouvées ont été comparées entre différents groupes. Toutes les procédures mentionnées ci-dessus étaient strictement sans germes, y compris les instruments, les réactifs, l’équipement et le fonctionnement de l’ensemble du protocole. Plus important encore, nous avons utilisé les ovaires de patients atteints d’une maladie utérine bénigne comme groupe témoin pour contrer une éventuelle contamination. Cependant, dans ce protocole, la contamination ne peut être évitée. Ainsi, puisque le groupe cancéreux et le groupe témoin ont été analysés dans le même environnement expérimental, simplement en comparant les différences entre ces deux groupes, nous avons pu obtenir des preuves primaires sur l’origine microbiologique du cancer de l’ovaire.
Les découvertes de bactéries dans le tissu ovarien pourraient lancer un nouveau domaine d’étude des bactéries influençant le cancer de l’ovaire. De plus, la présence et la composition uniques de bactéries dans les tissus ovariens cancéreux pourraient orienter la cancérogenèse du cancer de l’ovaire et les cibles thérapeutiques et pronostiques des bactéries. Parmi les 46 voies KEGG, les fonctions liées à la biosynthèse des antibiotiques du groupe vancomycine ont particulièrement attiré l’attention. Cela peut fournir d’autres options de traitement pour le cancer de l’ovaire.
Cependant, le protocole comportait certaines limites. Premièrement, les échantillons n’ont pas pu être prélevés sur des personnes en bonne santé pour des raisons éthiques. Le groupe témoin était les ovaires de patients atteints d’une maladie utérine bénigne (y compris le myome utérin et l’adénomyose). Deuxièmement, le nombre d’échantillons devrait être plus important. La taille limitée de l’échantillon de l’étude pourrait nuire à l’exactitude des résultats. Troisièmement, bien que le groupe cancéreux et le groupe témoin étaient dans les mêmes conditions, il n’y avait pas de témoins négatifs ou positifs. De plus, la contamination n’a pas pu être évitée. À ce jour, l’étude de la bactérie ovarienne chez les patientes atteintes d’un cancer de l’ovaire en est encore à un stade précoce. Une étude à plus grande échelle avec plus d’échantillons est nécessaire.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n’ont rien à divulguer.
Acknowledgments
Ce travail a été soutenu par le prix de recherche clinique du premier hôpital affilié de l’Université Xi’an Jiaotong, en Chine (XJTU1AF-2018-017, XJTU1AF-CRF-2019-002), le grand projet de recherche fondamentale en sciences naturelles du département provincial des sciences et de la technologie du Shaanxi (2018JM7073, 2017ZDJC-11), le projet de recherche et de développement clé du département provincial des sciences et de la technologie du Shaanxi (2017ZDXM-SF-068, 2019QYPY-138), le projet provincial d’innovation technologique collaborative du Shaanxi (2 017XT-026, 2018XT-002) et le projet de recherche médicale du Plan d’orientation pour le développement social de Xi’an (2017117SF/YX011-3). Les bailleurs de fonds n’ont joué aucun rôle dans la conception de l’étude, la collecte et l’analyse des données, la décision de publier ou la préparation du manuscrit.
Nous remercions les collègues du département de gynécologie du premier hôpital affilié de l’Université Xi’an Jiaotong pour leurs contributions à la collecte d’échantillons.
Materials
| Name | Company | Catalog Number | Comments |
| 2200 TapeStation Software | Agilgent United States |
||
| AmpliSeq for Illumina Library Prep, Indexes, and Accessories | Illumina | ||
| Image-pro plus 7 | Media Cybernetics | ||
| Leica ASP 300S | Leica Biosystems Division of Leica Microsystems | ||
| Leica EG 1150 | Leica Biosystems Division of Leica Microsystems | ||
| Leica RM2235 | Leica Biosystems Division of Leica Microsystems | ||
| LPS Core monoclonal antibody, clone WN1 222-5 | Hycult Biotech | ||
| Mag-Bind RxnPure Plus magnetic beads | Omega Biotek | M1386-00 | |
| Mag-Bind Universal Pathogen 96 Kit | Omega Biotek | M4029-01 | |
| MiSeq | Illumina | SY-410-1003 | |
| Silva database | Max Planck Institute for Marine Microbiology and Jacobs University | ||
| the QuantiFluor dsDNA System | Promega | E2670 | |
| Trimmomatic | Björn Usadel | ||
| ZytoChem Plus (HRP) Anti-Rabbit (DAB) Kit | Zytomed Systems | HRP008DAB-RB |
References
- Manfredo Vieira, S., et al. Translocation of a gut pathobiont drives autoimmunity in mice and humans. Science. 359 (6380), 1156-1161 (2018).
- Geller, L. T., et al. Potential role of intratumor bacteria in mediating tumor resistance to the chemotherapeutic drug gemcitabine. Science. 357 (6356), 1156-1160 (2017).
- Manfredo, V. S., et al. Translocation of a gut pathobiont drives autoimmunity in mice and humans. Science. 359 (6380), 1156-1161 (2018).
- Brunelli, R., et al. Globular structure of human ovulatory cervical mucus. FASEB J. 21 (14), 3872-3876 (2007).
- Chen, C., et al. The microbiota continuum along the female reproductive tract and its relation to uterine-related diseases. Nature Communications. 8 (1), 875 (2017).
- Zervomanolakis, I., et al. Physiology of upward transport in the human female genital tract. Annals of the New York Academy of Sciences. 1101, 1-20 (2007).
- Verstraelen, H., et al. Characterisation of the human uterine microbiome in non-pregnant women through deep sequencing of the V1-2 region of the 16S rRNA gene. PeerJ. 4, 1602 (2016).
- Fang, R. L., et al. Barcoded sequencing reveals diverse intrauterine microbiomes in patients suffering with endometrial polyps. American Journal of Translational Research. 8 (3), 1581-1592 (2016).
- Miles, S. M., Hardy, B. L., Merrell, D. S. Investigation of the microbiota of the reproductive tract in women undergoing a total hysterectomy and bilateral salpingo-oopherectomy. Fertil Steril. 107 (3), 813-820 (2017).
- Banerjee, S., et al.
- Wang, Q., et al. The differential distribution of bacteria between cancerous and noncancerous ovarian tissues in situ. Journal of Ovarian Research. 13 (1), 8 (2020).
- Wang, L., et al. Bacterial overgrowth and diversification of microbiota in gastric cancer. European Journal of Gastroenterology & Hepatology. 28 (3), 261-266 (2016).
- Hosgood, H. D., et al. The potential role of lung microbiota in lung cancer attributed to household coal burning exposures. Environmental and Molecular Mutagenesis. 55 (8), 643-651 (2014).
- Kwon, M., Seo, S. S., Kim, M. K., Lee, D. O., Lim, M. C. Compositional and Functional Differences between Microbiota and Cervical Carcinogenesis as Identified by Shotgun Metagenomic Sequencing. Cancers. 11 (3), 309 (2019).
- Urbaniak, C., et al. The Microbiota of Breast Tissue and Its Association with Breast Cancer. Applied and Environmental Microbiology. 82 (16), 5039-5048 (2016).
- Feng, Y., et al. Metagenomic and metatranscriptomic analysis of human prostate microbiota from patients with prostate cancer. BMC Genomics. 20 (1), 146 (2019).
- Walsh, D. M., et al. Postmenopause as a key factor in the composition of the Endometrial Cancer Microbiome (ECbiome). Scientific Reports. 9 (1), 19213 (2019).
- Walther-Antonio, M. R., et al. Potential contribution of the uterine microbiome in the development of endometrial cancer. Genome Medicine. 8 (1), 122 (2016).
- Poore, G. D., et al. Microbiome analyses of blood and tissues suggest cancer diagnostic approach. Nature. 579 (7800), 567-574 (2020).
- Bolger, A. M., Lohse, M., Usadel, B. Trimmomatic: a flexible trimmer for Illumina sequence data. Bioinformatics. 30 (15), 2114-2120 (2014).
- Ward, T., et al. BugBase predicts organism-level microbiome phenotypes. bioRxiv. , (2017).
- Langille, M. G., et al. Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nature Biotechnology. 31 (9), 814-821 (2013).
- Langille, M. G. I., et al. Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nature Biotechnology. 31 (9), 814 (2013).
- Parks, D. H., Tyson, G. W., Hugenholtz, P., Beiko, R. G. STAMP: statistical analysis of taxonomic and functional profiles. Bioinformatics. 30 (21), 3123 (2014).
- Leranth, C., Hamori, J. 34;Dark" Purkinje cells of the cerebellar cortex. Acta Biologica Hungarica. 21 (4), 405-419 (1970).
