Viis mõtet Rob Knightilt

• Pre- ja probiootikumide turg meenutab endiselt metsikut läänt. Kuigi probiootikumidest on tõendatult kasu mitmete näidustuste korral, on teadus nende üldtervistava mõju näitamisest kaugel. Õnneks on enamikes toidulisandites leiduvate bakterite toime piisavalt nõrk, et need ei tee inimestele reeglina ka kahju.
• Treeningandmete ühetaolisus rikub täppismeditsiini algoritme. Ühe inimrühma peal treenitud mudelid kukuvad teistes rahvastikurühmades läbi. Diagnostikamudeleid luues tuleb süsteem peenhäälestada kohalike biopankade andmetega, vältimaks olukordi, kus loodud lahendus kohtleb patsiente samamoodi kui valge naha peale kalibreeritud seebidosaator mustanahalisi.
• Teaduse isepuhastuvus tugineb algandmete avatusele. Tulemuste korratavus eeldab, et uurijad jagavad vabalt oma algandmeid ja analüüsikoodi. Praegune teadlaste karjäärimudel muudab aga andmete süstematiseerimise ja korrastamise tüütuks koristajatööks, mis vähendab kalli teadustöö pikaajalist väärtust.
• Üldised toitumisdogmad on isiklike andmeteta puudulikud. Talupojatarkus ja universaalsed reeglid, nagu soovitus süüa ohtralt puuvilju, võivad teha teatud puhkudel tervisele karuteene. Ideaalis võiksid olla toitumissoovitused isikustatud ning mitmel põhineda mitmel andmevool, sh mikrobioomil ja veresuhkru muutustel.
• Ühiskond kummardab päästjaid, kuid ei väärtusta ennetustööd. Tervist järje peal hoida on alati kordades tõhusam, kui pöörata tagasi juba tekkinud haigust. Ometi kulub suurem osa tervishoius liikuvast rahast päästetöödele, püüdes ravida seda, mis on juba katki.

Olen loomu poolest umbusklik igasuguste turunduslike väidete suhtes. Vaatasin seetõttu kerge ahastusega, kuidas poeriiulitelt võis 2010. aastatest peale leida erinevaid pre- ja probiootikume, mis lubasid kõik oma erinevate batsillidega inimeste tervist parandada. Kui suur osa taolistest väidetest olid toona tõenduspõhised ja kas lõhe avalikkuse arusaamade ning tegelike teadustulemuste vahel on mikroobide osas sulguma hakanud?

Võib igati ausalt öelda, et probiootikume puudutav turundus on tegelikest tõenditest alati pikalt ees olnud. Selles osas pole olukord aastatega paranenud mitmel struktuursel põhjusel. Muidugi leidub piisavalt tõendeid, et mitmete näidustuste puhul võivad probiootikumid inimesi tõesti aidata. Selle klassikalised näited on antibiootikumikuuri järgne kõhulahtisus ja teatud ärritunud soole sündroomi vormid, kus teatud probiootikumidega on tehtud korralikke kliinilisi uuringuid.

Kahjuks suhtub enamik inimesi probiootikumidesse viisil, nagu oleksid nad äsja avastanud, kuidas ka väike molekul võib töötada ravimina. Nende loogika kohaselt võiks samahästi öelda: "Kuulsin, et ravimid on kasulikud, ja kuna tundsin end kehvasti, läksin apteeki, ostsin ära kõik ravimid, mis vähegi näppu jäid, võtsin neid suurimates võimalikes annustes ja tunnen end nüüd suurepäraselt. Seega võin julgelt järeldada, et kõik peaksid kogu aeg ravimeid sööma, isegi kui nad pole haiged." Kõlab absurdselt, kuid just nii hulk inimesi probiootikume tarbivad.

Mõni teine võib ka väita, et bakterite genoom pole mitte lihtsalt ääretult keeruline molekul, vaid tehas, mis toodab palju teisi keerulisi molekule, mistõttu peaksime sellega märksa ettevaatlikumalt toimetama. Kuna enamik turul olevaid probiootikumidest ei tee absoluutselt mitte midagi, on samas risk kahju tekkimiseks suhteliselt madal. Üldiselt müüakse seda, mis on ohutuks tunnistatud.

Probleem seisneb selles, et elusate bioterapeutiliste toodete puhul on meil valida palju rohkemate mikroobide vahel. Teame, et paljud neist võivad teatud inimestele ja rahvastikurühmadele palju kahju teha.

Usun aga, et kui ettevõtted hakkavad tegelema toidulisandite asemel, mille puhul ei pea midagi tõestama, ravimitega, mis nõuavad rangeid kliinilisi uuringuid, lööb see protsess turu paljudest kohatutest väidetest klaariks. Jõuame toodeteni, mille mõju on märksa suurem ja näidustuste ring laiem, kui oleme probiootikumide puhul seni näinud.

Julgen väita, et osaliselt oli ja on selle metsikut läänt meenutava segaduse tekkimises süüdi ka teadus ise: kõigil on omad lemmik analüüsimeetodid ja testikomplektid. Kui on aga midagi, mida teaduse puhul alahinnatakse, on see standardiseerimine. Kuidas peaksid uurijad praegu üleilmsete konsortsiumite eelsele ajale vaatama? Kas toona avaldatud töödest on võimalik ammutada tõeliselt väärtuslikke teadmisi, või kaovad need metodoloogiliste erinevuste tõttu olematusse?

Kõik sõltub mõõdetava efekti suurusest ja sellest, kui erinevates rahvastikurühmades seda nähakse. Mõnede haiguslike seisundite puhul, näiteks põletikulise soolehaiguse (IBD) korral, on signaal väga tugev. Muu hulgas näitasime 2010. aastatel, kuidas ühe mudeliga saab eristada tervet inimest Crohni tõve või haavandilise koliidiga inimestest.

Seda saab treenida laste peal ja see töötab suurepäraselt täiskasvanutel. Seda saab treenida USA elanikkonnal ja see töötab hästi Hiina populatsioonis; saame seda treenida isegi ameeriklaste peal, et diagnoosida nende haigustega koeri. See tähendab, et IBD puhul on signaal väga tugev ja nähtav isegi erinevate populatsioonide ja liikide üleselt.

Teistel puhkudel, nagu rasvumise korral on signaal märksa nõrgem. Tavaliselt leiame sellele viitava signaali üles igas populatsioonis. Kuigi selliste mudelite täpsus on ühe rühma piires üsna hea, ei saa neid aga ühelt populatsioonilt teisele üle kanda. Mõned on põhjendanud seda metodoloogiliste erinevustega, kuid ma ei arva, et see tõele vastab.

Näiteks Lõuna-Hiina uuringus, mille tegime koos Yan He ja Hang Li Zhaoga, kasutasime erinevates Lõuna-Hiina linnades täpselt samasuguseid meetodeid. Avastasime, et paljude haigustega seotud seoste puhul – isegi kui tegemist on linnadega, kus kasutati samu meetodeid ja uuriti samu hani hiinlasi – ei töötanud esimese linna andmetel põhinev mudel teises linnas. Samade mikroobide põhjal, millega sai eristada ühes linnas terveid ja haigeid, oli võimalik teha vahet esimese ja teise linna tervete inimeste vahel.

Üldistusvõimet pakkuvate mudelite jaoks ei piisa pelgalt suurest osalejate arvust. Valim peab olema piisavalt mitmekesine ja hõlmama geograafilisi, aga ka etnilisi ja rassilisi erinevusi. Selle olulisust kiputakse alahindama.

Mäletate ehk uudist USA rassistlikust seebidosaatorist? Atlantas asuvas Marriott hotelli üks mustanahaline konverentsikülastaja väga nördinud, sest see keeldus talle seepi andmast. Põhjus seisnes selles, et infrapunaanduri disaininud insenerid testisid seda ainult valgel nahal. Väljaspool seda referentsvahemikku ei töötanud see üldse.

Mikrobioomi-, aga ka genoomiuuringutes, mille eesmärk on luua polügeenset riskiskoori, on see risk täpselt samasugune. Kui proovite seda kasutada inimestel, kes ei kuulu teie treeningvalimisse, on selle täpsus väga küsitav. Üha rohkem mõistetakse, et riikliku tasandi algatused, nagu kasvõi Eesti geenivaramu, on äärmiselt olulised, et taolisi üldmudeleid iga riigi puhul peenhäälestada. Samuti tuleb küsida, kas jõuate kõigi nende inimesteni, keda on vaja kaasata, et mudel laieneks kogu teie elanikkonnale.

Peaksime seetõttu ka ilmselt küsima, mida meil paljude tööde järeldusi koondavatest metaanalüüsidest üldse õppida on, kui tahame liikuda rohkem täppismeditsiini suunas, mis arvestab inimeste eripäradega.

Just. Ja ka see, kuidas te metaanalüüsi teete, muudab järeldusi. Toon ühe näitena üllatuse, mis tabas meid koostades andmebaasi Greengenes2. See koondab mikroorganismide DNA-d ja aitab meil neid liigitada. Aastate jooksul on kasutatud mikroobide tuvastamiseks erinevaid meetodeid.

Vana meetodiga (16S) loeti proovidest ühte evolutsiooniliselt vähe muutunud geeni 16S rRNA geenijärjestust, mis toimib justkui mikroobi nimesildina.  Uus meetod (haavel-metagenoomika) laseb kogu genoomi kildudeks ja proovib selle siis uuesti kokku laduda. Lisaks sellele, et teame, millise mikroorganismiga tegu on, saame seda ka kohe täpsemalt kirjeldada.

Kui inimesed proovisid nende kahe meetodi andmeid ühildada, avastasid nad, et need asuvad justkui erinevates universumites. Võtad täpselt sama proovi, uurid seda mõlemal viisil ja saad tulemuseks andmepunktid, mis teineteisest täielikult lahknevad.

Uurijad ajasid nähtud lahknevusi aastaid laboris tehtud vigade ja pärilikkusaine paljundamise süüks. Avastasime, et asi polnudki laborites. Teadlased ei osanud lihtsalt pikki täisgenoome ja lühikesi nimesilte ühele ning samale sugupuule paigutada. Ehitasime seetõttu täisgenoomidest ühe tugeva referents-selgroo ja istutasime lühikesed nimesildid järjest sinna vahele. Seepeale paigutusid eri viisidel töödeldud proovid täpselt samasse kohta.

Usun, et ka paljusid teisi taolisi probleeme saab lahendada bioinformaatika vallas tehtavate edusammudega, näiteks kaasates sobivaid taustsüsteeme ja võttes kasutusele teisi kompositsiooniteadlikke tehnikaid. Näiteks ajakirjas Nature Neuroscience ilmunud ja minu endise doktorandi Jamie Mortoni juhitud mikrobioomi ning autismiteemalises artiklis suutsime näidata, et erinevate uuringute pealtnäha erinevaid tulemusi saab õige arvutusliku töötlusega klapitada.

Minu arvates on seega ennatlik järeldada, nagu poleks võimalik eri uuringute andmeid kunagi ühildada. Täpselt samamoodi on aga võimalik teha analüüse viisil, mis muudavad iga uuringu erinevaks, unikaalseks ja ühildamatuks. See poleks aga kuigi mõistlik.

Teaduse elujõud peitub selle isepuhastumisvõimes: 2024. aastal kutsus ajakiri Nature teie osalusel 2020. aastal valminud uuringu vähi mikrobioomi kohta tagasi. Mis toona täpselt juhtus ning mida saavad sellest teadlased ise ja avalikkus õppida? Kui isegi tipplaborid võivad valede algandmete tõttu eksiteele sattuda, mida saavad teha lihtsurelikud?

Laiem avalikkus ei pruugi teadlik olla, kui palju on teadus sotsiaalne protsess. See, kas artikkel teaduskirjandusse vastu võetakse ja see sinna jääb, sõltub väikese arvu eksperthindajate arvamusest. Kirjanduskriitikas eksisteerib mõiste "autori surm", kus ei loe mitte autori kavatsus, vaid see, mida otsustavad lugejad. See kehtis suuresti ka selle artikli kordushindamise protsessi kohta pärast seda, kui esitati nn mureavaldus (expression of concern).

Meie vaatevinklist esitlesime mudelit, mis suutis mikroobsete signaalide põhjal eristada erinevaid vähitüüpe, ja seda isegi inim-DNA-st tingitud taustamüra foonil. Uute hindajate, kes polnud algset artiklit korralikult lugenud, mure seisnes selles, kas me suudame täpselt öelda, millised mikroobid igas proovis olid. Me polnud aga kunagi väitnud, et me seda suudame.

Sama hästi võiksite arendada masinõppemudelit, mis suudab väga täpselt eristada kassipilte koerapiltidest. Ühel hetkel on kõik nõus, millel see mudel põhineb. Hiljem nõutakse aga iga piksli puhul, et tõestaksite, kas konkreetne piksel on osa kassist või koerast. Me ei suutnud seda teha ja polnud ka kunagi väitnud, et seda suudame. Kõige selle tulemusena nõuti töö tagasivõtmist.

Ent isegi meie kriitikud, kes toona mureavalduse protsessi algatasid, on nüüd enda madala tundlikkusega meetodeid kasutades leidnud, kuidas paljudes vähitüüpides, milles nende arvates kindlasti mikroobe polnud, neis siiski leidub. Võiksime nüüd küsida, millest kogu see kära üldse alguse sai.

Teadlastena on meile aga väga oluline, et eelretsenseerimise protsessi siiski järgiksime. See sarnaneb Winston Churchilli ütlusele demokraatia kohta: see on halvim võimalik poliitiline süsteem, välja arvatud kõik teised, mida on proovitud. Eksperthinnangutega on samamoodi, ka eksperdid teevad vigu. Võime vaid loota, et need vead on iseparanduvad, nii artiklite teadusandmebaasidest eemaldamise kui ka mõnel juhul nende hilisema ennistamise näol.

Kui vaadata teisi avastusi, näiteks eksoplaneete, on peetud selleski vallas väga palju lahinguid selle üle, kes mida esimesena avastas. Mitmed väga mürased signaalid, mida esitleti tõendina eksoplaneedi olemasolust, ei pidanud ajaproovile vastu. Täna ei eita aga keegi eksoplaneetide olemasolu, meil on isegi nende atmosfääridest kõrgeresolutsioonilised spektrid jne.

Arvan, et kui vaatame sellele kõigele 100 aasta pärast tagasi, ei eita keegi, et kasvajates on palju mikroobe. Üksikasjade üle, näiteks millised need mikroobid on, milline on nende roll vähi tekkes ja kes saab nende avastuste eest au, vaieldakse aga edasi, nagu näeme seda paljudes teistes teadusvaldkondades.

Seega peaksid olema lugejad olema pealkirjade suhtes, mida nad loevad, mõnevõrra ettevaatlikud ja võtma neid pigem suunana, kuhu valdkond liigub, mitte absoluutse tõena.

Minu arusaam pealkirjade panemisest on see, et sellega ei tegele mitte ajakirjanik, vaid toimetaja. Põhimõtteliselt ei tea kunagi ette, kas pealkiri artikli sisule vastab. Nii nagu on ajakirjanduslik artikkel – see, kuidas see välja näeb, kuidas see on küljendatud ja mille kõrval see asub – sotsiaalne protsess, on seda ka teadusartikkel, kohati palju enam, kui me sooviksime.

Olete andmetöötluse edasiarendusena loonud platvormi QIIME2, mis võimaldab krüptograafiliselt jälgida, milliseid täpseid muudatusi teadlased andmeid töödeldes teevad ja metaandmeid kasutavad. Kuidas kirjasta-või-koole kultuuriga niigi kimpus olevad teaduskirjastajad sellise platvormi vastu võtsid? Kas on mingi kindel põhjus, miks ei võiks nõuda nad läbipaistvuse huvides taoliste platvormide kasutamist kõigilt teadlastelt, kes oma uuringuid avaldada soovivad?

Tunnustusest ja autorlusest rääkides tuleb esile tõsta neid, kes seda väärivad: QIIME2 päritolusüsteemi arendas välja Greg Caporas, kes oli minu laboris väga andekas järeldoktor, kuid on juba pikka aega tegutsenud iseseisva õppejõuna Põhja-Arizona ülikoolis.

QIIME2 süsteem on väga nutikas ja, nagu te täpselt ütlete, võimaldab töövoogu üdini korrata. Meie 2020. aasta uuringu kriitikud suutsid oma etteheiteid suunata nii tõhusalt just seetõttu, et avaldasime täieliku algandmestiku, mis võimaldas kõiki meetodeid korrata ja andmeid uusi analüüsida. Soovin, et sellist töövoo taasesitamist nõuaks iga kirjastaja.

Arendame praegu uut süsteemi nimega Mint (Microbiome Intelligence). See platvorm võimaldab jälgida iga otsuse tagapõhja sarnasel viisil, kuid talletab andmeid formaadis, mis võimaldavad teha päringuid palju suurematest andmestikest viisil, et selleks saaks kasutada tehisaru. Püüdleme alati selle poole, et meil oleks võimalik viidata avalikult kättesaadavale andmestikule, analüüsida seda avalikult kättesaadava koodiga ja taastoota kõik peamised tulemused: kõik olulised joonised ja artikli numbrilised tulemused.

See võtab praegu tohutult palju aega. Doktorante ja järeldoktoreid on väga raske veenda, et nad sellele aega kulutaksid, selmet kirjutada oma uut artiklit. Kui ajakirjad seda nõuaksid, nagu on hakatud nõudma toorjärjestuse andmete talletamist, oleks see teaduse reprodutseeritavuse seisukohalt väga hea kogu teadusele ja ühiskonnale tervikuna.

Mäletan isiklikust kogemusest, et kui õppisin kraadiõppurina tarkvara kirjutama, oli mu lõputöö jaoks tehtud analüüside eri versioonid tehtud erineva käsitsi muudetud koodiga. Mitte mingit versioonihaldust! Olen kindel, et seal on vigu, mida ma poleks teinud, kui oleksin tollal teadnud seda, mida praegu tarkvaratehnika ja korratava teaduse kohta tean.

Kui teeme asju algusest peale õigesti, säästame lõpuks aega ja saame tulemustes kindel olla. Teisalt on väga raske kulutada seda aega töö arvelt, mida peate oma päris tööks – andmete ja tulemuste tootmiseks, et teha midagi, mis tundub peaaegu koristajatööna: veendumiseks, et kõik on puhas ja korras.

See toob meid tagasi selle juurde, mida ütlesite metaanalüüside kohta. Peame eristama neid kombineeritud analüüsidest, kus paneme kõik andmed ühte analüüsi kokku. See on aga väga raske, sest tehniliste muutujate mõju suurus peab olema otsitavate bioloogiliste efektide omast palju väiksem. Metaanalüüsi puhul analüüsime aga igat andmestikku eraldi ja küsime: "Kas ma näen igas andmestikus eraldi sama asja?"

Mõlema lähenemise puhul on tulemuste korratavuseks hädavajalik omada nii andmeid kui ka metaandmeid – kontekstuaalset informatsiooni väljaspool sekveneerimisandmeid, näiteks võetud proovi, indiviidi, asukoha ja uuringu kohta. Kahjuks kirjutavad paljud inimesed endiselt eetikareeglitesse, et kogu see kontekstuaalne informatsioon peab jääma igavesti varjatuks.

Olemuslikult ei saa sellistel alustel põhinevat uuringut kunagi korrata. Isiklikult tundub väga halva avaliku raha kasutusena eraldada teaduse tegemiseks miljardeid eurosid, kui analüüse saab teha vaid ühe korra andmeid kogunud töörühm, kuid keegi teine ei saa seda täpselt kontrollida ega korrata, ja neid ei saa lisada suuremamahulistesse analüüsidesse.

Eetilised kaalutlused on muidugi väga olulised. Praegu tehakse tehisintellekti vallas väga palju tööd nn null-usalduse (zero-trust) meetodite kallal. Kui rakendaksime samu põhimõtted arstiteaduses, aitaks see ilmselt väga hästi tasakaalustada privaatsust ja inimesi õigusi puudutavaid küsimusi  vajadusega tagada, et andmete kogumiseks ja analüüsiks tehtud kulutused suudavad end õigustada.

Räägime nüüd vahelduseks tulemustest, mis näitavad, kuidas mikrobioom mõjutab meie elu ja tegemisi sünnist surmani. Rady lastehaiglas tehtud mõjukas uuringus näitasite seost astmahaigete emade ja nende lastes areneva mikrobioomi vahel. Avastasite uuringus, et mikrobioom muudab viisi, kuidas redutseeritakse linoolhappet, mis jätab omakorda jälje laste immuunsüsteemi arengule.

Miks keskendusid teadlased aastaid valdavalt mikrobioomi liigilise koosseisu määramisele, selmet vaadata, mida need mikroobid seal reaalselt teevad? Kas mikrobioomi liigilist koosseisu on üldse mõtet uurida, kui samal ajal ei panda kirja, mis nende elutegevuse käigus tekib ehk metaboliite?

Usun, et suur osa teadlastest tahakski vaadata ise eelkõige taolisi metaboliite. Ühe lahendusena uuritakse võimalust järjestada metagenoomikaga proovides leiduv pärilikkusaine ja viia see kokku sellega, mida need geenid teevad. Senised katsed ennustada nende põhjal metaboliite ei ole olnud aga kuigi edukad. Minu teada pole õnnestunud geenide ja isegi kõigi nende järjestuste loendamisel põhjal ennustada üheski ökosüsteemis, olgu selleks inimese soolestik, muld või vesi, mis ühendeid sealt täpselt leiab.

Metaproteoomika, millega vaatame keskkonnas leiduvaid valke, on aga endiselt väga kallis ja keeruline, eriti kui teha seda uusimate instrumentidega, nagu Thermo Astral. Põhimõttelise erinevusena läksime nn sõltuvast andmekogumisest üle sõltumatule andmekogumisele. Esimesel juhul hindab masin kõigepealt, millised on keskkonna kõige valjemad signaalid ja vaatab põhjalikumalt ainult neid. Teisel juhul jäädvustab masin absoluutselt kõik keskkonnas leiduvad signaalid, ka need valgud, mida leidub seal väga vähe.

Põhimõtteliselt keerab see kõik olemasolevad meetodid pea peale, sest andmeid on nüüd 100 korda rohkem ja algoritmid on ruutvõrdelised. Teisisõnu tuleb teha 10 000 korda rohkem arvutusi. Masinal, mis oleks saanud sellega varem hakkama ühe päevaga, kuluks selleks 10 000 päeva ehk umbes 30 aastat. Kuidas üks doktorant niimoodi üldse oma kraadi kaitsta saaks? Seega on vaja meetodeid arendada. 

Parim viis oleks teha keemilisi mõõtmisi otseselt massispektromeetria abil, mis muutub üha kättesaadavamaks ja annab huvitamaid tulemusi. Oleme proovinud taksonoomia ehk n-ö nimesiltide põhjal ennustada, milleks erinevad mikroorganismid võimelised on ehk mis ülesandeid nende ensüümid täidavad. Umbes 15 aastat tagasi lasime välja tarkvara nimega PICRUSt, mis kõrvutab selleks proovis leiduvaid mikroobe juba andmebaasis olevatega.

See ei tähenda kohe, et suudame ennustada metaboliitide profiile ehk seda, milliseid keemilisi aineid mikroobid parasjagu reaalajas lammutavad või toodavad. Väidan, et seda tuleks mõõta, ja me teemegi seda igas uuringus, milleks õnnestub meil rahastus leida.

Kui see kõik on nii tohutult kallis ja keerukas, mis see lahendus siinkohal on? Peame tunnistama, et ühe väikese töörühmaga polegi enam võimalik midagi suurt ära teha ja vaja on veel rohkem suuri konsortsiume, kui tahame, et kõik saaks hästi ära tehtud?

Jah, täpselt nii. Probleem on selles, et me ei saa neid täiendavaid andmekihte lisada viisil, millega saaks hakkama igaüks, kes vähegi statistikat jagab. Piltlikult öeldes ei täida me lihtsalt tühje Exceli lahtreid. Kui sügavamaid erialalisi teadmisi napib, võib andmetöötluses väga palju asju valesti minna.

Kui doktorant või järeldoktor uurib aasta aega mikrobioomi, aasta metaboloomi, aasta metaproteoomi, aasta DNA metüülimist, aasta histoonide modifikatsioone ja veel aasta inimese genoomi, ning needki numbrid on ilmselt tugevalt alahinnatud, tuleb aastaid kokku omajagu. Lisaks kulutab noorteadlane veel omajagu aega iga üksiku meetodi selgeks õppimiseks.

Kuna enamike teadusprojektide eelarvel on kindel lagi ees, pead mitmeid bioloogilisi kihte korraga kaardistades kärpima paratamatult proovide arvu. Sellega jookseb uuring aga statistilisest võimsusest tühjaks. Lühidalt: see on paras peavalu.

Suur osa tööst, mida me minu laboris teeme, keskendub praegu sellele, kuidas muuta järjest odavamaks DNA-kihti. Selle tulemusel saaksime keevitada selle projektide külge, mille mõne teise kihi jaoks juba rahastus olemas. Teadlastel on tihti käsil mõni lennukas projekt, millele annaks mikrobioomi kaasamine teemale täiesti uue mõõtme. Põrkume aga sageli probleemiga, kuidas hinnata lisakihi lisamise mõttekust alguses jõukohasel tasemel, et küsida siis paljulubavate esmaste tulemuste tuules raha asja süvitsi uurimiseks.

Mulle meeldib siinkohal tuua paralleeli kunstist. Oletame, et oled maalikunstnik ja klient tellib sinult portree. Kas haarad kohe esimese asjana õlivärvide järele? Ilmselt mitte. Tulemuseks oleks lihtsalt üks väga vilets maal. Esmalt pead sa tegema terve hulga visandeid, et panna paika modelli poos, sobiv vaatenurk ja teda ümbritsev taust. 

Enamik teadlasi kipub praegu mikrobioomi uurides haarama kohe õlivärvide järele. See on ropult kallis lõbu. Pead saatma kogu materjali majast välja laborisse, kus selle läbi hekseldamiseks kulub mitmeid kuid. Kuna kogu protsess neelab nii palju aega ja raha, on sul õnnestumiseks täpselt üks võimalus. Mis iganes andmed sulle lõpuks vastu vaatavad, pead nendega leppima ja nende põhjal töö avaldama.

Olemegi seepärast hakanud mõtlema mikrobioomi visandi peale. Mõtle, kui saaksid sadadest proovidest pealiskaudse pildi ette kõigest 24 tunniga ja saaksid kohe hinnata: kas taustaloogika klapib ja kas ma küsin üldse õiget küsimust? Oleme selle jaoks loonud eritellimusel tehtud väikesed vöötkoodiga tuubid, mille sees olev etanool säilitab DNA-d ja metaboliite. Idee on selles, et saame võtta kaks karpi selliseid proove, mida on kokku umbes 200, ja ammutada neist ühe ööga madala resolutsiooniga andmeid, mille põhjal otsustada, kas minna uuringuga süvitsi või mitte.

Kui suudame muuta selle visandiprotsessi kiireks ja odavaks, on meil palju rohkem võimalusi küsida just seda õiget küsimust. Peame võtma täpsemad, kuid ääretult aeglased ja kallid meetodid, nagu pikkade lugemitega metagenoomika või metaproteoomika, appi alles pärast seda etappi.

Teie 2023. aasta uuring kummutas müüdi, et autistlike laste erisugune mikrobioom tuleneb lihtsalt nende toiduvalikutest, ja tõestas, et soolebakterid mõjutavad otseselt aju geenide aktiivsust. Kui lootusrikkad võivad vanemad olla, et mikrobioomi vahendusel võib olla ühel päeval võimalik nende laste autismispektri sümptomeid leevendada. Kui juba ainuüksi selle seose lahtimõtestamiseks vajalik matemaatika on tohutult keerukas, kui palju keerukam on mõjutada veel soolestiku-aju telge ennast? Inimkeha on mitmetahuline ja pidevalt muutuv süsteem.

Meie koostööpartner Sarkis Mazmanian on hiirte emade immuunaktivatsiooni mudelis näidanud, kuidas emashiire immuunsüsteemi aktiveerudes tekivad hiirepoegadel paljud inimese autismi meenutavad sümptomid. 

Otseloomulikult pole ükski loomamudel täiuslik, kuid Sarkis suutis näidata, et neil hiirepoegadel on võimalik paljusid autismi tunnuseid, sealhulgas vaimseid puudujääke, tagasi pöörata. Selleks tuleb võtta haigustunnusteta hiire soolestikust pärit probiootikum ja vähendada 4EPS-nimelise molekuli hulka, millel on hiirte sellele fenotüübile suur mõju.

Kas see tähendab, et see toimib ka inimeste puhul? Ei ja sellepärast peamegi tegema kliinilisi uuringuid inimestel! Sisuliselt on meil praegu paljulubav hiirtega tehtud prekliiniline töö. Tavaliselt kulub alates bioloogilise mehhanismi avastamisest väikese molekuli või antikeha ravimina turule jõudmiseni umbes 15–20 aastat. Praegustesse mikrobioomi ja autismi uuringutesse tuleks suhtuda seega kui paljulubavasse uude suunda alusbioloogia mõistmiseks, kuid kliiniliste rakendusteni läheb aega veel palju.

Lapsi toetavate toitumisteraapiate vallas leidub aga üksjagu ideid, mis paistavad teatud lasterühmade peal töötavat. Erinevalt täiesti uuest ravimi toimeainest, millele heakskiidu saamine võtab mitmeid aastaid, annaks toetav diagnostika võimaluse tegutseda palju kiiremini. See aitaks autismi eri tüüpidesse lahterdada ja valida patsiendile juba turul olevate ravivõimaluste seast täpselt õige.

USA-s pole me suutnud selle suuna uurimiseks piisavalt raha leida. Arvan, et tugeva tervishoiusüsteemiga riigid, nagu Singapur ja miks mitte ka Eesti, suudaksid palju edukamalt keskenduda just sellisele patsientide rühmadesse jagamisele. Ausalt öeldes sellist lähenemist toetavaid uuringud aga praegu polegi.

Senisest teadustööst tõuseb ravimitööstusele kasu alles 15–20 aasta vaates. Kuigi saadud tulemused tunduvad sama paljulubavad kui mistahes muu eelkliiniline töö, selgub nende tegelik väärtus alles kauges tulevikus.

Toon kergemini mõistetava paralleeli: loomadega tehtavad eelkliinilised uuringud aitavad küll leida bioloogilise vooluringi üksikuid juppe, aga ei ütle meile, kus asub see lüliti inimese kehas.

Mäletame ilmselt kõik leptiinisaagat. Kui võtad paksu hiire – ja pole absoluutselt vahet, kas ta läks paksuks halva toitumise, geenide või hüpotalamuse kahjustuste tõttu, võtab ta leptiinisüsti peale kaalus alla. See tekitas omal ajal teadlastes tohutut elevust ja lootust, et leptiinisüstid aitavad ka inimestel saleneda. Tuleb välja, et aitavadki. Seda aga ainult siis, kui oled see üks inimene kümnetuhandest, kelle ülekaalu taga on puhtakujuline leptiinipuudus. Ülejäänute peal ei toimi see üldse.

Investorid matsid miljardeid dollareid näriliste jaoks olulisse lüliti uurimisse, mis on küll ka inimeste bioloogilise vooluringi osa, kuid ei täida inimkehas taolist lüliti rolli. Jõudsime päriselt toimiva sekkumiseni alles GLP-1 ravimitega, mis sihivad vooluringi täiesti teist osa.

Täpselt sama ettevaatlikult tuleb suhtuda hiirtel tehtavatesse autismi puudutavatesse katsetesse. See, kui leiad hiirest bioloogilise lüliti, ei tähenda veel, et inimese ravimiseks peaks sihikule võtma täpselt sama vooluringi osa.

Suuremad mikrobioomiuuringud on lisaks paljastanud, et saame rääkida mikrobioomi vanusest. Vananedes hakkab mikrobioom hääbuma, muutub düsbiootiliseks ja kipub tekitama kroonilist põletikku. Mil määral me seda mikrobioomi muuta saame ja seda teha proovitakse? Kasvõi Räniorus leidub hulgim miljardäre, kes kühveldavad raha vananemisvastastesse ravidesse ja üritavad süsteemi kindlasti ka selle nurga alt lahti muukida.

Täpselt seda vastust olemegi otsinud: milline vahe tekib selle üldist vanust ennustades andmepunkti tegeliku väärtuse ja mudeli ennustatud väärtuse vahel (jääkliikmed). Selgub, et masinõppe mitmemõõtmelisi meetodeid kasutades on see paras pähkel. Juhumetsade (random forests) abil saad sa küll kõverat sobitada ja teada üldise veamäära, aga jääkliikmete suund ei jaotu sugugi nii, nagu sa tahaksid. Nii jõuadki täiesti ebaloogiliste tulemusteni, kus metodoloogilistel põhjustel seostatakse vähki hoopis noorema mikrobioomiga.

Põhiiva peitub selles, et tegu pole tavalise lineaarse regressiooniga, kus teed mudeli valmis, vaatad tegelike ja mudeli ennustatud väärtuste vahet ja võtad lihtsalt kasutusse selle, mis eksib kõige vähem. Oleme murdnud kolleegidega pead, kuidas panna mudelis mikrobioomi nullvanus klappima inimese kronoloogilise nullvanusega. Saaksime sel viisil vältida absurdseid tulemusi, kus inimene sünnib 20-aastase mikrobioomiga.

Usume, et samad probleemid kummitavad ka muid mitmemõõtmelisi andmestikke, mida teadlased tõlgendavad ehk märksa vähem kriitiliselt kui meie oma mikrobioomi uuringuid. Asja tuum on selles, et mudel võib ennustada meile, milline noor mikrobioom välja näeb, kuid see ei tähenda, et suudame sealt välja noppida need tegurid, mis inimese mikrobioomi päriselt nooreks muudavad.

Teadlased on pööranud tohutult tähelepanu saja-aastaste inimeste mikrobioomidele. Häda on selles, et saja-aastaseks elades ei pruugi olla  sinu mikrobioom enam sugugi heas seisus. Ilmselt lokkab seal rohkelt proteobaktereid ja näeb muid põletikku soodustavaid signaale. Teadlased on teinud isegi katseid, kus võtavad vanad ja noored hiired ning siirdavad noore mikrobioomi vanale hiirele ja vana oma noorele hiirele. Vana mikrobioom kiirendab noore hiire vananemist.

Seega ei tahaks sa kohe kindlasti, et keegi siirdaks sulle praegu saja-aastase inimese mikrobioomi. Seda võiksid ihata sa mandunud mikrobioomi korral alles saja-aastaselt, aga kindlasti mitte 60- või 80-aastaselt.

Kui ma end noorendada sooviksin, eelistaksin noorte mikrobioomi igal juhul noorte vere ülekandele.

Jah… viitad ilmselt ühele meie kõige vähem armastatud Uus-Meremaa kodanikule. Selle uurimissuunaga kaasnevad mõistagi tõsised eetilised küsitavused, aga eks lugeja saab ise järeldada, milliseid lahendusi peaksime ühiskonnana soosima. Võin näiteks üsna julgelt väita, et puhtalt toitumises tehtud muutustel on tegelikult tohutu mõju.

Rahvastiku tasandil kipuvad teadlased neid sageli tagasihoidlikeks pidama, aga võime vaadata kasvõi soomlaste edulugu südame-veresoonkonna tervise parandamisel – aastakümnete lõikes on olnud muutus lausa drastiline. Võta nüüd selle kõrvale vastupidine näide Okinawa saarelt. Nende maguskartulil põhinev traditsiooniline toidulaud kukkus kokku ja asendus lääneliku toiduga, mille tulemusel langesid nad oma elueaga pikaealisemate inimeste edetabeli tipust äärmiselt lühikese ajaga alla Jaapani keskmise.

Toidulaua mõjud saavad olla seega rahvastiku tasandil päris suured, aga üksikisiku tasandil on need hiiglaslikud.

Suur osa meie praegusest mikrobioomi uurimise tööst kulubki just nende individuaalsete erinevuste tagamaade otsimisele. Selle asemel, et jagada sulle sama ümmargust nõu, mida andis ilmselt juba su vanaema, näiteks, et söö täisteratooteid ja köögivilju ning väldi maiustusi, suudaksime anda tulevikus väga täpseid soovitusi. Näiteks võiksime soovitada sul süüa tavalist kartulit, aga vältida maguskartulit, või vastupidi, sest inimeste organismid on lihtsalt erinevad.

Aja jooksul avaldab see sinu isiklikule tervisele tohutut mõju ja minu hinnangul kätkeb see suund endas ääretut potentsiaali. Samas püüavad idufirmad sulle praegu enamasti müüa paljast potentsiaali, mitte seda, mida teadusringkond on reaalselt juba tõestanud.

Ma ütlen seda teades, et paljud need samad firmad viitavad agaralt just minu avaldatud teadusartiklitele. See, mida minu artiklid nende turundusmaterjalide väitel teha võimaldavad, erineb kardinaalselt sellest, mida need minu enda hinnangul tegelikult järeldada lubavad. Ja kuna ma ise need kirjutasin, jõuame selle vana hea "autori surma" juurde tagasi.

Tajun teatavat dihhotoomiat. Ühest küljest on meil andmeid rohkem kui kunagi varem, näiliselt piisavalt, et neisse uppuda. Olete kasvõi Maa mikrobioomi projekti raames sekveneerinud üle 2,2 miljardi mikroobi DNA järjestuse. Mikroobse tumeaine ulatusega arvestades tundub see aga piisk meres. Kui hea üldpilt meil üleüldse meie ümber olevast nähtamatust maailmast üleüldse on?

Avaldasime 2,2 miljardit järjestust lahkava töö juba 2017. aastal ja oleme neid praeguseks kogunud kindlasti oluliselt rohkem. Oma hilisemas, 2022. aastal ilmunud artiklis laiendasime uuringut shotgun-metagenoomikale ja metaboloomikale ning seal on uusi andmeid veelgi enam. 

Murrame praegu pead selle kallal, kas saame kasutada tehisintellekti algselt kogutud madala resolutsiooniga 16S-andmete kvaliteedi parandamiseks, et saada sama kõrge resolutsiooniga andmed, nagu tänapäeva meetoditega. Võrdlusmomendi loomiseks saame võtta praegu pikseldatud ja kriimulise vana foto ning muuta see pildi skaleerimise abil ilusaks ja teravaks või seda isegi animeerida. Mõlemal juhul teevad tööd sama perekonna konvolutsioonilised mudelid; me ei rakenda neid lihtsalt piksliruudustikul, vaid evolutsioonipuul.

Meile avaneb nüüd meie endi kehade kui ka kogu planeedi lõikes päris hea pilt mikrobioomi suuremast struktuurist: millised on peamised liigid, keskkondade põhikategooriad ja nendevahelised variatsioonid.

Näiteks inimese mikrobioomi projektis üllatas teadlasi korralikult see, kui erinevad on mikrobioomid sama inimese eri kehaosades, olgugi et need kõik on mingil moel omavahel ühendatud. Sinu suu ja soolestik on ju lihtsalt ühe ja sama toru kaks otsa, ning sa katsud pidevalt oma nahka ja suud.

Fakt, et need kooslused eristuvad niivõrd tugevalt ning inimese kehaosade vahelised erinevused on kordades suuremad kui erinevused inimeste endi vahel, lõi meid pahviks. Põhjus on lihtne: keegi polnud varem uurinud eri kehapiirkondi sama valimi peal ja täpselt samade meetoditega.

Samamoodi on meil nüüd laias laastus selge, et Maa mikrobioomide suurim lõhe jookseb peremeesorganismiga seotud ja vabalt elavate koosluste vahelt. Vabalt elavate koosluste puhul haigutab omakorda sügav kuristik soolaste ja magedate keskkondade koosluste vahel. Sealt edasi avaneb üksikasjalikum pilt, kus konkreetseid kooslusi tüürivad erinevad jõud. Näiteks mullas dikteerib kõike pH tase, merevees aga aastaaeg – kuigi sealgi mõjutavad neid veel terve hulk teisi tegureid, mille koosmõju teadlased praegu alles lahti harutavad.

Me ei tea aga veel päris hästi, kuidas see kõik detailselt välja näeb ning mida need mikroobid täpsemalt teevad. Usun, et pelgalt pärilikkusainet järjestades ei jõua me kõigi nende vastusteni mitte kunagi ja seepärast peamegi kaasama kõiki neid teisi oomika-tehnikaid. Nii raske kui ka mikrobioomi uurimine tervishoius poleks, on see keskkonnas veel kordades keerulisem, sest selle valdkonna rahastus on mikroskoopiline.

Arutleme oma laboris pidevalt selle üle, millised tehnikad küll olemas on, aga mis on nii kallid, et jaksad analüüsida vaid ühte tehnoloogiat demonstreerivat proovi. Saad neid kasutada ainult erandpuhkudel, näiteks vähihaigete puhul. Seejärel vaatame, millised meetodid on piisavalt odavad, et kasutada neid individuaalses meditsiinis, millised sobivad juba loomaarstidele ning mis on odavnenud sedavõrd palju, et neid saab rakendada üleilmses tervishoius või keskkonnauuringutes.

On eluliselt tähtis, et suudaksime muuta seda tehnoloogiapinu odavamaks. Ainult nii suudame vastata küsimustele, millel on ühiskonnale hiiglaslik mõju, aga mille eest ühiskond ei raatsi maksta sedavõrd palju, nagu maksab vähihaige omaenda tervise päästmise eest.

Euroopas ega Eestis pole need prioriteedid kuigipalju teistsugused.

Õige. Näeme teist karjuvat lõhet haiguste ennetuse ja tagajärgedega võitlemise vahel. Tervist hoida on alati kordades tõhusam, kui ravida juba tekkinud haigust, aga ometi kulutame pea kogu eelarve päästetöödele, püüdes parandada seda, mis on juba katki.

Mulle meeldib seda olukorda kirjeldada kaljuserva näitega. Kui keegi kukub kaljult alla ja oled arst, kes kihutab kiirabiga kohale, lapib ta kokku ja viib haiglasse, peetakse sind kangelaseks. Kui oled aga insener, kes ehitas kaljuservale piirde, et inimesed üldse alla ei kukuks, ei tee seda keegi. Ja kui oled ametnik, kes pani kirja poltide läbimõõdu ja terase tõmbetugevuse täpsed nõuded, ei saa sa ilmselt mitte ainult kunagi kangelaseks, vaid paljude arvates tuleks sind lahti lasta, sest tekitad mõttetut bürokraatiat ja loobid maksumaksja raha tuulde.

Põhiprobleem seisnebki selles, kuidas suudaksime õppida hindama seda, et tõeline kangelane suudab kaljult alla kukkumist eos vältida.

See kehtib ühtviisi nii meditsiinis kui ka keskkonnaprobleemide puhul, näiteks tegeledes kliimamuutustega. Kordades mõistlikum oleks välja nuputada, kuidas muuta mulla ja kariloomade mikrobioomi viisil, et hoiaksime kliimamuutuse üldse ära, mitte ei peaks meeleheitlikult rabelema siis, kui katastroof on juba käes.

Mainisite korduvalt, et tulevikus võiks aidata andmeid lahti mõtestada tehisintellekt, aga kas sellel on ka omad varjuküljed? Kuna keskpäraste tarbetekstide kvaliteet käib järjekindlalt alla, kas märkate teaduses sama trendi? Kujutan ette, et kehv sisendandmestik tekitab probleeme – mudel reostab end ise ja hakkab seda prahti veelgi võimendama. Kui suur see peavalu on?

Vaidlen siinkohal veidi vastu. Kui ma 1996. aastal Princetonis doktorandina õppeassistendina alustasin, lugesin täiesti kohutavaid tudengite kirjutatud tekste. Olles õpetanud populaarteaduslike lugude kirjutamist, oled ilmselt ka ise sellega kokku puutunud. Suure osa toona esitatud töödest treisid kokku inimesed, kes rääkisid inglise keelt emakeelena, aga kes ei suutnud isegi kaht sõna lausesse siduda, rääkimata loogilise lõigu kirjutamisest. Kui me ei pea just ajas rändamise võimalikuks, siis tehisaru me selles süüdistada ei saa.

Pigem jõuab praegu lihtsalt rohkem kehva teksti avalikkuse ette. Tehisintellekt süstib inimestesse meeletult enesekindlust oma soperdisi maailmaga jagada – lihtsalt seetõttu, et selle kirjutas masin, mitte nemad ise. Tegelikult peaksid nad selle teksti sellest hoolimata sahtlisse jätma.

Sel probleemil on tegelikult mitu kihti. neist üks on mudeli kollaps, millele sa ise viitasid. Kui mudeli enda toodangut talle uuesti sisse sööta, triivib tulemus algsest tõest järjest kaugemale. Olgu tegu pildi- või tekstimudeliga, masin hakkab tootma puhast rämpsu juba paari sellise ringi järel.

Päris inimese kirjutatud teksti leidmine jääb ilmselt ka edaspidi elutähtsaks. Siin tabab naelapead võrdlus enne 1945. aastat toodetud terase turuga. Kui sul on vaja ehitada seade, et mõõta ülitäpselt radioaktiivset lagunemist, ei kõlba tänapäevane teras kuhugi, sest atmosfääris tehtud tuumakatsetustest pärit süsinik-14 saastab uut terast seniajani. Spetsialistid otsivad seetõttu esimeses maailmasõjas ja teise maailmasõja alguses ehk enne esimest tuumaplahvatust merepõhja uppunud lahingulaevu, kus seda pole.

Võib-olla ootab kogu 2022. aastani sündinud inimese loodud kirjandust täpselt sama saatus. Sellest saab unikaalne varamu, mille juurde peavad teadlased masinõppemudelite treenimiseks ikka ja jälle tagasi pöörduma. Paraku on seegi ressurss lõplik.

Ent tehisarust on teadustöös kasu teiselgi viisil kui ainult andmeanalüüsiks. Veel kolme aasta eest hallutsineeris masin kõik viited algusest lõpuni ise. Praegused mudelid leiavad juba täiesti pädevalt päris viiteid. Lisaks oskavad nad otsida infot korraga paljudes keeltes. Kui seda vaikimisi tegema hakkad, avaneb sulle täiesti fantastiline vaade teistele teadustraditsioonidele ja keeltele, mille ingliskeelne maailm oli ammu unustanud või mida polnud kunagi isegi märganud.

Mikrobioomi ja näiteks faagiteraapia vallas on Gruusia ja Venemaa teaduskirjandus ülimalt tähtis. Võimalus sorida Hiina või Jaapani kirjanduses, tõlkida neid töid silmapilkselt ja lasta seejärel keelt emakeelena kõneleval inimesel dokumendi sisu üle kontrollida, kujutab seega asendamatut tööriista. Ilma tehisintellektita poleks sa kogu sellest materjalist teadlikki. Selles vaates olen ma masinate võimekusest tohutus vaimustuses.

Samuti oskab tehisintellekt suurepäraselt märgata analoogiaid ja sünteesida teadmisi täiesti erinevatest valdkondadest. Inimesena vajaksid sa sama tulemuse saavutamiseks süvateadmisi umbes tosinast eri distsipliinist. Uute juhtlõngade pakkumisel, mida seejärel ise edasi uurida, teeb masin praegu fantastilist tööd.

Keegi ei oska ennustada, kuhu see kõik välja jõuab. Masinate võimekus kasvab eksponentsiaalselt ja inimese aju ei suuda eksponentsiaalseid kõveraid hästi hoomata. Kuna muutuste tempo kiireneb, on väga raske ette näha, kui palju need võimed juba järgmise aasta või paariga arenevad, rääkimata kümnest, 20 või 50 aastast.

Tõmbame otsad kokku. Kas inimesed on üldse valmis mikrobioomiuuringute tulemusi päris elus kasutama? Järgin ise reeglit, kus söön nädalas 30 erinevat taimset toitu ja tunnen end suurepäraselt, nii et ju see siis töötab. Küsimus on aga selles, kas inimesed tahavad ohverdada oma harjumusi ja väikesi naudinguid vältimaks tervisehädasid, mis võivad, kuid ei pruugi neid tabada alles paarikümne aasta pärast.

Kas sa tõesti pead mitmekesist taimset toitu ohverduseks? Võib-olla avastasid hoopis, et see viib keele alla ja sunnib sind katsetama maitsetega, mille peale sa muidu poleks tulnudki?

See vastus tõestab mu iva: sund tähendab mugavustsoonist välja astumist ja mõtlemine on teadupärast raske tegevus.

Mulle endale näis päevas 30 taime söömine nutika ideena ja tegin seda Ameerika Soolestiku Projekti  tulemuste tuules aastaid. Samas ei märganud ma mingit mõju neile tervisenäitajatele, millest ma ise hoolisin.

Kui hakkasin kandma Oura nutisõrmust, söötis see mulle ette hulga huvitavat, aga täiesti kasutut infot. Lähed sõrmusega magama ja hommikul teatab aparaat sulle, et magasid halvasti. Ma tean isegi, et magasin halvasti ja mul polnud vaja selle tõdemuse eest 400 dollarit välja käia. Või veel hullema variandina, tunnen, et magasin kehvasti, aga sõrmus kiidab magatud und taevani. Mul pole kohe kindlasti vaja 400-dollarilist aparaati, mis paneb mu une kvaliteediga puusse, sest ma suudan seda ise oma enesetunde pealt hinnata.

Asi läks põnevaks alles siis, kui hakkasin kandma pidevat glükoosimonitori (CGM). CGM pakub sulle veresuhkru tasemest pilti reaalajas. Diabeetikutele on see eluliselt tähtis, sest mikrobioom dikteerib tugevalt inimeste isiklikku reaktsiooni veresuhkru muutustele. Enamasti pole neil õrna aimugi, milline see täpselt on. Kui näed aga numbreid reaalajas, avastad õige pea, et paljud nii-öelda talupojatarkusest tehtud otsused on lauslollus.

Armastasin varem konverentsidel ennasttäis ilmega praalida, et söön tõenduspõhist hommikusööki. Kuhjasin taldrikule ohtralt taimset toitu, peamiselt puuvilju. Tuleb välja, et hiiglaslik puuviljakuhi on kohutav mõte, kui lähed seejärel konverentsisaali tagumikku laiaks istuma. Sinu veresuhkur sööstab taevasse ja jääbki sinna, sa jääd teiste ettekannete ajal magama või tukud niisama. Lühidalt: see ei toimi kohe üldse.

Veelgi hullem, kujuta ette, et reisid kaugemale ja konverentsikorraldajad paigutavad su viisakusest peenesse hotelli. Mis sind toas ootab? Vaagen puuviljadega. Kas sa peaksid neid sööma? Ei. Kohe kindlasti mitte. Õhtul puuvilju süües lööd sa oma veresuhkru lakke. Lähed kõrge veresuhkruga magama, ärkad kolm tundi hiljem ja ajad selle ajavahekaamose (jet lag) süüks. Tegelikult lasid aga ise keskkonna pakutaval luksusel ja oma valedel teadmistel tervislikust toitumisest end lollitada.

Lühidalt, nutisõrmuse biomeetriast on koos veresuhkrumonitori ja mikrobioomi andmetega kordades rohkem kasu kui igast seadmest eraldi. Kordades kasulikuma all pean ma silmas seda, et tõmban praegu püksirihma nelja sälgu võrra rohkem koomale. Suudan ennetada paljusid muresid, mille omistasin varem ajavahekaamosele. Tean nüüd, et kui stress lööb mu veresuhkru üles, ei tohi ma grammigi suhkrut süüa, sest tahan näidud normis hoida. Kui veresuhkur on aga madal, võin süüa seda südamerahuga.

Teise praktilise näitena tekitame trenni tehes oma lihastesse ja luudesse tillukesi mõrasid ning rebendeid. Seejärel lapib keha need kokku ja muudab sind tugevamaks. Kogu seda protsessi juhib valk nimega TGF-beeta. Kui paljud teavad meist, et kõrge veresuhkur pärsib TGF-beeta tööd? 

Seega, kui teed trenni kõrge veresuhkruga, vigastad end palju sagedamini ja keha ei suuda kahjustusi lappida. Kui aga jälgid numbreid ja ajastad trenni ajale, kui su veresuhkur on madal, langetad sa vigastusohtu tohutult ja treeningul on palju tugevam mõju.

Samamoodi sõltub veresuhkru langetamine sellest, mis selle üldse üles ajas – valet asja ravides ei saavuta sa midagi. Kui näidud hüppasid üles toidu peale, saad olukorda trenniga leevendada. Kui aga kurja juur on stress, ei aita trenn karvavõrdki. Veresuhkur võib püsida laes nädalaid.

Üritan praegu siduda  enda ja minu samas valdkonnas töötavate kolleegide sarnaseid kogemusi üheks tervikuks, et panna kokku korralik uuringudisain. Seni on teadlased hoidnud kõikides uuringutes osalejaid pimeduses ja andmeid nende eest varjanud, vältimaks olukorda, kus need muudavad poole uuringu pealt inimese käitumist.

Minu meelest peitub asja tuum aga just selles: niipea, kui näed veresuhkrukõverat üles sööstmas, muudad sa ilmselgelt oma käitumist. Püüame jõuda uuringumudelini, mis annaks inimestele oma andmete abil võimu saavutada argielus  päriselt suuri muutusi. Usun, et enamiku jaoks on see täiesti saavutatav. Paraku pärsib seda praegu meie meditsiiniuuringute jäik ülesehitus.

Rob Knight (sündis 1976. aastal Uus-Meremaal) on arvutuslik mikrobioloog ja inimese mikrobioomi uurimise teerajaja. Ta asutas ja juhib San Diegos asuva California ülikooli (UCSD) mikrobioomi innovatsioonikeskust.

Knighti teadustöö lükkas ümber ettekujutuse, justkui eksisteeriksid mikroobid peamiselt haigustekitajatena. Muu hulgas tõestas, et meie kehal ja keha sees elavad mikroorganismid mõjutavad otseselt inimeste ainevahetust, immuunsüsteemi ja isegi meeleolu. Knight on oma laboriga loonud mitmeid avatud lähtekoodiga andmeanalüüsitööriistu ja algatud globaalseid andmekogumisprojekte. Aastal 2017 pälvis ta Nobeli preemia ennustajaks peetava Massry auhinna ja kuulub 2024. aastast USA Rahvuslikku Inseneriakadeemiasse.

Tartus toimunud geenifoorumil pidas ta ettekande "Implementing Microbiome Research within the Personalized Medicine Paradigm".