Considerable recent research has indicated the presence of bacteria in a variety of human tumours and matched normal tissue. Rather than focusing on further identification of bacteria within tumour samples, we reversed the hypothesis to query if establishing the bacterial profile of a tissue biopsy could reveal its histology / malignancy status. The aim of the present study was therefore to differentiate between malignant and non-malignant fresh breast biopsy specimens, collected specifically for this purpose, based on bacterial sequence data alone. Fresh tissue biopsies were obtained from breast cancer patients and subjected to 16S rRNA gene sequencing. Progressive microbiological and bioinformatic contamination control practices were imparted at all points of specimen handling and bioinformatic manipulation. Differences in breast tumour and matched normal tissues were probed using a variety of statistical and machine-learning-based strategies. Breast tumour and matched normal tissue microbiome profiles proved sufficiently different to indicate that a classification strategy using bacterial biomarkers could be effective. Leave-one-out cross-validation of the predictive model confirmed the ability to identify malignant breast tissue from its bacterial signature with 84.78% accuracy, with a corresponding area under the receiver operating characteristic curve of 0.888. This study provides proof-of-concept data, from fit-for-purpose study material, on the potential to use the bacterial signature of tissue biopsies to identify their malignancy status.

相当多的近期研究表明细菌存在于多种人类肿瘤和匹配的正常组织中。我们没有专注于进一步鉴定肿瘤样本中的细菌，而是推翻了假设，以质疑建立组织活检的细菌概况是否可以揭示其组织学/恶性肿瘤状态。因此，本研究的目的是仅根据细菌序列数据区分恶性和非恶性新鲜乳房活检标本，这些标本专门为此目的收集。从乳腺癌患者获得新鲜组织活检，并进行 16S rRNA 基因测序。在标本处理和生物信息学操作的所有点都传授了渐进的微生物学和生物信息学污染控制实践。使用各种基于统计和机器学习的策略来探查乳腺肿瘤和匹配的正常组织的差异。事实证明，乳腺肿瘤和匹配的正常组织微生物组特征差异很大，表明使用细菌生物标志物的分类策略可能是有效的。预测模型的留一法交叉验证证实了从其细菌特征识别恶性乳腺组织的能力，准确率为 84.78%，接受者操作特征曲线下的相应面积为 0.888。这项研究提供了来自适用研究材料的概念验证数据，说明使用组织活检的细菌特征来确定其恶性肿瘤状态的可能性。事实证明，乳腺肿瘤和匹配的正常组织微生物组特征差异很大，表明使用细菌生物标志物的分类策略可能是有效的。预测模型的留一法交叉验证证实了从其细菌特征识别恶性乳腺组织的能力，准确率为 84.78%，接受者操作特征曲线下的相应面积为 0.888。这项研究提供了来自适用研究材料的概念验证数据，说明使用组织活检的细菌特征来确定其恶性肿瘤状态的可能性。事实证明，乳腺肿瘤和匹配的正常组织微生物组特征差异很大，表明使用细菌生物标志物的分类策略可能是有效的。预测模型的留一法交叉验证证实了从其细菌特征识别恶性乳腺组织的能力，准确率为 84.78%，接受者操作特征曲线下的相应面积为 0.888。这项研究提供了来自适用研究材料的概念验证数据，说明使用组织活检的细菌特征来确定其恶性肿瘤状态的可能性。预测模型的留一法交叉验证证实了从其细菌特征识别恶性乳腺组织的能力，准确率为 84.78%，接受者操作特征曲线下的相应面积为 0.888。这项研究提供了来自适用研究材料的概念验证数据，说明使用组织活检的细菌特征来确定其恶性肿瘤状态的可能性。预测模型的留一法交叉验证证实了从其细菌特征识别恶性乳腺组织的能力，准确率为 84.78%，接受者操作特征曲线下的相应面积为 0.888。这项研究提供了来自适用研究材料的概念验证数据，说明使用组织活检的细菌特征来确定其恶性肿瘤状态的可能性。