Julienne Siptroth

Mrs. Julienne Siptroth

orcid

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
13 February 2023 in International Microbiology
Verified
Journal Article
Open access
PDF file
JSJulienne Siptroth
Julienne Siptroth
OMOlga Moskalenko
Olga Moskalenko
CKCarsten Krumbiegel
Carsten Krumbiegel
JAJörg Ackermann
Jörg Ackermann
IKIna Koch
Ina Koch
HPHeike Pospisil
Heike Pospisil
Background: Diabetes mellitus type 2 is a common disease that poses a challenge to the healthcare system. The disease is very often diagnosed late. A better understanding of the relationship between the gut microbiome and type 2 diabetes can support early detection and form an approach for therapies. Microbiome analysis offers a potential opportunity to find markers for this disease. Next-generation sequencing methods can be used to identify the bacteria present in the stool sample and to generate a microbiome profile through an analysis pipeline. Statistical analysis, e.g., using Student’s t-test, allows the identification of significant differences. The investigations are not only focused on single bacteria, but on the determination of a comprehensive profile. Also, the consideration of the functional microbiome is included in the analyses. The dataset is not from a clinical survey, but very extensive. Results: By examining 946 microbiome profiles of diabetes mellitus type 2 sufferers (272) and healthy control persons (674), a large number of significant genera (25) are revealed. It is possible to identify a large profile for type 2 diabetes disease. Furthermore, it is shown that the diversity of bacteria per taxonomic level in the group of persons with diabetes mellitus type 2 is significantly reduced compared to a healthy control group. In addition, six pathways are determined to be significant for type 2 diabetes describing the fermentation to butyrate. These parameters tend to have high potential for disease detection. Conclusions: With this investigation of the gut microbiome of persons with diabetes type 2 disease, we present significant bacteria and pathways characteristic of this disease.

Verified
Journal Article
Open access
PDF file
JPJuliane Pfeil
Juliane Pfeil
JSJulienne Siptroth
Julienne Siptroth
HPHeike Pospisil
Heike Pospisil
MFMarcus Frohme
Marcus Frohme
FHFrank Torsten Hufert
Frank Torsten Hufert
Alina NechyporenkoAlina Nechyporenko
Alina Nechyporenko
Microbiomic analysis of human gut samples is a beneficial tool to examine the general well-being and various health conditions. The balance of the intestinal flora is important to prevent chronic gut infections and adiposity, as well as pathological alterations connected to various diseases. The evaluation of microbiome data based on next-generation sequencing (NGS) is complex and their interpretation is often challenging and can be ambiguous. Therefore, we developed an innovative approach for the examination and classification of microbiomic data into healthy and diseased by visualizing the data as a radial heatmap in order to apply deep learning (DL) image classification. The differentiation between 674 healthy and 272 type 2 diabetes mellitus (T2D) samples was chosen as a proof of concept. The residual network with 50 layers (ResNet-50) image classification model was trained and optimized, providing discrimination with 96% accuracy. Samples from healthy persons were detected with a specificity of 97% and those from T2D individuals with a sensitivity of 92%. Image classification using DL of NGS microbiome data enables precise discrimination between healthy and diabetic individuals. In the future, this tool could enable classification of different diseases and imbalances of the gut microbiome and their causative genera.

9 May 2023 in Discover Artificial Intelligence
Verified
Journal Article
Open access
PDF file
JSJulienne Siptroth
Julienne Siptroth
OMOlga Moskalenko
Olga Moskalenko
CKCarsten Krumbiegel
Carsten Krumbiegel
JAJörg Ackermann
Jörg Ackermann
IKIna Koch
Ina Koch
HPHeike Pospisil
Heike Pospisil
Background Type 2 diabetes mellitus is a prevalent disease that contributes to the development of various health issues, including kidney failure and strokes. As a result, it poses a significant challenge to the worldwide healthcare system. Research into the gut microbiome has enabled the identification and description of various diseases, with bacterial pathways playing a critical role in this context. These pathways link individual bacteria based on their biological functions. This study deals with the classification of microbiome pathway profiles of type 2 diabetes mellitus patients. Methods Pathway profiles were determined by next-generation sequencing of 16S rDNA from stool samples, which were subsequently assigned to bacteria. Then, the involved pathways were assigned by the identified gene families. The classification of type 2 diabetes mellitus is enabled by a constructed neural network. Furthermore, a feature importance analysis was performed via a game theoretic approach (SHapley Additive exPlanations). The study not only focuses on the classification using neural networks, but also on identifying crucial bacterial pathways. Results It could be shown that a neural network classification of type 2 diabetes mellitus and a healthy comparison group is possible with an excellent prediction accuracy. It was possible to create a ranking to identify the pathways that have a high impact on the model prediction accuracy. In this way, new associations between the alteration of, e.g. a biosynthetic pathway and the presence of diabetes mellitus type 2 disease can also be discovered. The basis is formed by 946 microbiome pathway profiles from diabetes mellitus type 2 patients (272) and healthy comparison persons (674). Conclusion With this study of the gut microbiome, we present an approach using a neural network to obtain a classification of healthy and type 2 diabetes mellitus and to identify the critical features. Intestinal bacteria pathway profiles form the basis.

9 January 2025
Verified
Thesis
Open access
PDF file
JSJulienne Siptroth
Julienne Siptroth
Die Bedeutung und der Einfluss des Darmmikrobiomes für den menschlichen Körper rückt in den letzten Jahren immer mehr in den Fokus der Forschung. Studien zeigen Zusammenhänge zwischen Veränderungen im Mikrobiom und dem Lebensstil oder dem Vorhandensein von Krankheiten auf. Mikrobiomanalysen ermöglichen das Identifizieren von charakteristischen Profilen oder Markern. Diese können die Früherkennung unterstützen oder Ansätze für Therapien liefern. Diabetes mellitus Typ 2 ist eine der weltweit häufigsten Erkrankungen. Diese führt zu einer Vielzahl von Folgeerkrankungen, wie Schlaganfälle oder Nierenversagen. Die Volkskrankheit stellt somit eine große Herausforderung für das Gesundheitssystem dar. Zusätzlich wird Diabetes mellitus Typ 2 meist sehr spät diagnostiziert. Die Untersuchung der Zusammenhänge zwischen dem Darmmikrobiom und Diabetes mellitus Typ 2 führen zu einem besseren Verständnis der molekularen Wechselwirkungen und Mechanismen. Dies unterstützt eine erfolgreiche Behandlung und Entwicklung von Medikamenten, auch über Diabetes mellitus Typ 2 hinaus. Neben der Betrachtung von einzelnen Bakterien oder ganzen taxonomischen Ebenen ist die Einbeziehung der bakteriellen Pathways wichtig. Diese verknüpfen anhand ihrer biologischen Funktion einzelne Bakterien miteinander. Ziel der vorliegenden Arbeit war statistisch signifikante Korrelationen zwischen der Zusammensetzung des Darmmikrobioms im Menschen und der Ausbildung von Diabetes mellitus Typ 2 mittels statistischer Methoden und Methoden des maschinellen Lernens zu finden und zu charakterisieren. Der erste Schritt bestand in der Detektion der vorhandenen Bakterien und der dazugehörige Pathways aus Stuhlproben durch Next Generation Sequencing von 16S rDNA. Diese wurden anschließend durch eine Analyse-Pipeline zu einem Mikrobiomprofil zusammengefasst. Die Zuordnung der beteiligten Pathways erfolgte anhand der identifizierten Genfamilien. Statistische Methoden, wie der Student t-Test oder Clusteranalysen, dienten der Ermittlung von signifikanten Unterschieden. Berücksichtigt wurden dabei nicht nur einzelne Bakterien, sondern auch das funktionelle Mikrobiom. Somit konnte ein umfassendes Profil erstellt werden. Die Hauptkomponentenanalyse wurde verwendet, um die Variabilität in den mikrobiellen Daten zu reduzieren und wichtige Muster oder Gruppierungen zu identifizieren. Das k-means-Clustering ermöglichte die Identifikation von Clusterstrukturen innerhalb der Mikrobiomdaten, während t-distributed Stochastic Neighbor Embedding und Uniform Manifold Approximation and Projection die Visualisierung der multidimensionalen Daten in einem zweidimensionalen Raum ermöglichten. Zur Bestimmung der Diversität im Darmmikrobiom wurden verschiedene Metriken, wie der Shannon-Entropy und die inverse Simpson-Korrelation, verwendet. Diese erlaubten es, die Artenvielfalt und die gleichmäßige Verteilung der Mikroorganismen zu bewerten. Darüber hinaus wurden auch fortgeschrittene Methoden des maschinellen Lernens eingesetzt. Diese Methoden ermöglichten eine prädiktive Modellierung sowie die Identifikation von wichtigen Merkmalen im Zusammenhang mit dem Darmmikrobiom bei Diabetes mellitus Typ 2, aus komplexen, heterogenen Daten. Ein entwickeltes künstliches neuronales Netz bildete die Grundlage für weitergehende Untersuchungen. Die Identifikation von relevanten bakteriellen Pathways für die Klassifikation ermöglichte die Ermittlung von biologisch funktionalen Zusammenhängen. Dazu wurde eine Analyse zur Merkmalsbedeutung über einen spieltheoretischen Ansatz (SHapley Additive exPlanations) angewendet. Die zusätzliche Analyse von assoziierten Gesundheitsdaten unterstützten die Erkennung von Wechselwirkungen und Einflüssen. Dazu fanden ebenfalls sowohl klassische statistische Methoden als auch maschinelles Lernen Anwendung. Mittels des Chi-Square-Tests und kategorischer Boostingverfahren konnten wichtige Merkmale detektiert werden. Die Methoden wurden wegen ihrer Eignung, Zusammenhänge in kategorischen Merkmalen zu detektieren, ausgewählt. Die Wahl der Methoden erfolgte aufgrund ihrer Eignung zur Analyse von komplexen mikrobiellen Datensätzen und ihrer Fähigkeit, Muster und Zusammenhänge in den Daten zu identifizieren. Die Kombination aus klassischen statistischen Methoden und Methoden des maschinellen Lernens ermöglichte eine umfassende Untersuchung des Darmmikrobioms im Zusammenhang mit Diabetes mellitus Typ 2.