Tese de Doutorado

As doenças inflamatórias intestinais (IBD) são condições crônicas e debilitantes caracterizadas por episódios recorrentes de inflamação no trato gastrointestinal. Sua patogênese é amplamente reconhecida como multifatorial, surgindo de uma interação complexa entre susceptibilidade genética, gatilhos ambientais e respostas imunológicas exacerbadas. Uma característica central das IBD é a presença de disbiose, uma disrupção do estado simbiótico da microbiota intestinal que está intimamente ligada à inflamação. Abordagens computacionais tradicionais para o estudo do microbioma nas IBD frequentemente dependem da abundância de microrganismos isolados em formatos tabulares, que muitas vezes negligenciam a natureza sistêmica dos ecossistemas microbianos onde os táxons interagem por meio de competição e cooperação. Esta tese investiga o uso de redes individuais de associações microbianas (RIAMs) para classificar indivíduos e detectar padrões sistêmicos da doença. Ao empregar modelos de machine learning baseados em grafos que integram atributos taxonômicos, funcionais e de abundância, este estudo captura as dependências complexas e mudanças topológicas dentro do microbioma que são frequentemente invisíveis às abordagens tabulares tradicionais. Os resultados revelaram que a disbiose em IBD é caracterizada por uma reorganização das interações microbianas. Uma das principais observações é a emergência da Escherichia coli como um hub central nas redes de indivíduos com IBD, estabelecendo associações cooperativas com patobiontes oportunistas, especificamente aqueles tipicamente encontrados na microbiota oral. Simultaneamente, a doença é marcada por um colapso da cooperatividade dentro de clusters de bactérias comensais, particularmente aquelas pertencentes ao filo Bacteroidota. Por fim, este trabalho demonstra que a relevância do microbioma intestinal na patogênese das IBD reside não apenas nas flutuações de táxons isolados, mas na reorganização sistêmica do ecossistema intestinal. A aplicação da biologia de redes e do machine learning baseado em grafos fornece uma estrutura robusta para a identificação de assinaturas estruturais, oferecendo uma compreensão mais profunda sobre as dimensões ecológicas das doenças inflamatórias intestinais.

Inflammatory bowel diseases (IBD) are chronic and debilitating conditions characterized by recurrent episodes of inflammation in the gastrointestinal tract. Their pathogenesis is widely recognized as multifactorial, arising from a complex interplay between genetic susceptibility, environmental triggers, and exacerbated immune responses. A hallmark of IBD is the presence of dysbiosis, a common disruption of the gut microbiota’s symbiotic state that is intimately linked to intestinal inflammation. Traditional computational approaches to studying the microbiome in IBD often rely on the abundance of isolated microorganisms in tabular formats, which may overlook the systemic nature of microbial ecosystems where taxa interact through competition and cooperation. This thesis investigates the use of individual microbial association networks to classify patients and detect network-level signatures of the disease. By employing graph-based machine learning models that integrate taxonomic, functional, and abundance data, this study captures the complex dependencies and topological changes within the microbiome that are often invisible to traditional methods. The results reveal that dysbiosis in IBD is characterized by a reconfiguration of microbial interactions. A key finding is the emergence of Escherichia coli as a central hub in the networks of IBD patients, establishing cooperative associations with opportunistic pathobionts, specifically those typically found in the oral microbiota. Simultane ously, the disease is marked by a collapse of cooperativity within clusters of commensal bacteria, particularly those belonging to the Bacteroidota phylum. In conclusion, this work demonstrates that the relevance of the gut microbiome in IBD pathogenesis lies not only in the fluctuations of individual taxa but in the systemic reorganization of the intestinal ecosystem. The application of network biology and graph-based modeling provides a robust framework for identifying structural biomarkers, offering deeper insights into the ecological dimensions of inflammatory bowel diseases.