IF58.7｜多组学定义代谢性肥胖：脂肪组织-微生物组互作

代谢组预测的BMI（metBMI）比传统BMI更能捕捉肥胖相关代谢损伤与心血管代谢风险。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

肥胖是一种慢性、多因素、进行性疾病，但诊断仍依赖BMI，而BMI无法充分反映个体心血管代谢风险。20-30%的2型糖尿病患者并不符合BMI定义的肥胖，许多与BMI异常相关的心血管死亡发生在肥胖阈值以下。循环代谢物受宿主遗传、饮食和肠道微生物组影响，可提供超越体重的代谢健康系统级读数。已有研究表明，肥胖相关代谢物特征与未来2型糖尿病风险增加两倍、心血管事件增加五倍以及死亡率增加80%相关。然而，这一特征背后的表型多样性及其驱动因素仍不明确。肠道微生物组与宿主代谢相互关联，在健康个体中贡献约15%的循环代谢物水平，在糖尿病前期和2型糖尿病中升至近30%。肥胖及相关代谢紊乱中，细菌多样性降低、功能容量改变。因此，循环代谢组可能作为微生物组衍生信号的代理，其相互作用紊乱可能导致BMI谱系中的代谢异质性。

科学问题

卡在哪里： 此前基于代谢组预测BMI的研究多关注预测准确性，但未系统评估其与脂肪组织功能障碍、肠道微生物组及临床结局的关联，也未明确代谢物与微生物组之间的双向因果关系。

本文要回答： 构建代谢组信息化的BMI指标（metBMI），评估其能否超越传统BMI捕捉肥胖相关代谢功能障碍、预测干预反应，并揭示微生物组-代谢物互作机制。

技术路线

作者主要用了：机器学习、代谢组、蛋白质组、宏基因组、饮食问卷、CT体成分、中介分析。

作者在瑞典IGT-microbiota队列（n=1408）中，利用嵌套岭回归和10折交叉验证，分别基于代谢组、蛋白质组、肠道微生物组和饮食数据训练模型预测BMI及肥胖相关指标，并构建组合多组学模型。通过比较各单组学模型的预测性能及其与脂肪分布指标的相关性，确定代谢组为最生理相关的信号。随后，利用与BMI显著相关的267种代谢物训练岭回归模型得到metBMI，并提取其残差（调整年龄、性别和BMI后）定义高/低代谢肥胖组。在独立SCAPIS队列（n=466）和减重手术队列（n=75）中验证metBMI的临床预测价值。进一步通过物种差异丰度分析、网络分析和双向中介分析，探究metBMI残差相关的微生物组特征及代谢物介导的宿主-微生物组互作。

图 1　Fig. 1。图1展示了不同组学层对肥胖相关指标的预测性能。代谢组对BMI的方差解释率（60%）显著高于微生物组（30%），且代谢物预测的BMI与腰围、内脏脂肪面积的相关性强于蛋白质组或饮食模型。组合多组学模型性能最高，但各层贡献非加性，表明信号重叠。

核心亮点

亮点 1｜代谢组预测BMI优于其他组学

在IGT-microbiota队列中，循环代谢物对BMI的方差解释率（60%）显著高于肠道微生物组（30%），且代谢物预测的BMI与腰围、内脏脂肪面积等肥胖相关指标的相关性强于蛋白质组、饮食或组合多组学模型。代谢物还能解释高达76%的个体蛋白质方差和61%的微生物基因丰富度方差，表明代谢组是宿主、微生物和饮食信号的整合器。

图 2　Fig. 2。图2显示metBMI与实测BMI高度相关（r=0.62），但残差可区分代谢健康与不健康个体。PCA图中，高残差组与肥胖个体聚类，低残差组与正常体重个体聚类，尽管两组BMI范围重叠。高残差组表现出更差的代谢指标，如更高的胰岛素抵抗和更低的内脏脂肪衰减。

亮点 2｜metBMI残差捕捉代谢功能障碍

metBMI与实测BMI高度相关（r=0.62），但残差（调整年龄、性别和BMI后）可识别出代谢健康与不健康个体。高残差组（HmetBMI）表现出更高的腰臀比、更严重的内脏脂肪衰减、胰岛素抵抗、炎症和更低的肠道微生物基因丰富度，且这些差异在性别和BMI类别中一致。在SCAPIS队列中，metBMI对代谢综合征、脂肪肝、糖尿病等结局的预测优于BMI，且加入metBMI能显著改善模型拟合。

图 3　Fig. 3。图3展示metBMI对SCAPIS队列中六种临床结局的预测。metBMI对代谢综合征、脂肪肝、糖尿病等结局的OR显著高于BMI，且嵌套模型中加入metBMI显著改善拟合。在减重手术队列中，基线metBMI残差与术后BMI下降负相关，而基线BMI与减重幅度正相关。

亮点 3｜metBMI预测减重手术反应

在独立减重手术队列（n=75）中，基线metBMI残差与术后12个月BMI下降呈负相关（r=-0.30, P=0.008），而基线BMI与减重幅度正相关。这表明高metBMI残差反映代谢抵抗，而高BMI仅反映可减重量，metBMI捕捉了BMI无法反映的干预反应异质性。

图 4　Fig. 4。图4显示高metBMI残差个体在正常体重和超重类别中肠道微生物基因丰富度均低于低残差组，且与肥胖个体相当。PCoA显示高残差组与肥胖个体聚类，低残差组与正常体重个体聚类。物种差异丰度分析发现104个物种与肥胖指标相关，其中100个主要由metBMI残差驱动。

亮点 4｜微生物组特征与代谢肥胖相关

metBMI残差与肠道微生物基因丰富度负相关（ρ=-0.24），且高残差组与肥胖个体聚类，低残差组与正常体重个体聚类。高残差组微生物网络稀疏、模块化程度低，富集Ruminococcus gnavus、口腔来源菌等，而低残差组富集Christensenellales、Oscillospiraceae等有益菌。功能上，高残差组丁酸产生减少、三甲胺产生增加、甲烷生成模式改变。

图 5　Fig. 5。图5展示66种代谢物中61种受微生物组影响大于饮食或宿主遗传。高metBMI残差富集的代谢物包括鞘磷脂、神经酰胺等，低残差富集吲哚丙酸、胡萝卜素二醇等有益代谢物。中介分析揭示Oscillospiraceae通过脂质代谢物改善代谢健康，而R. gnavus等有害菌通过消耗保护性代谢物发挥作用。

亮点 5｜代谢物介导宿主-微生物组双向互作

通过递归特征消除和LASSO筛选出66种代谢物，可解释38.6%的BMI方差，其中61种代谢物受微生物组影响大于饮食或宿主遗传。双向中介分析发现116条微生物组→代谢物→表型通路，如Oscillospiraceae通过脂质代谢物改善内脏脂肪衰减和胰岛素敏感性；同时发现186条表型→微生物组通路，涉及炎症、饮食维生素B6等。这些结果表明代谢物是宿主-微生物组互作的关键媒介。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 机器学习、代谢组、蛋白质组、宏基因组、饮食问卷、CT体成分、中介分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事代谢性疾病、肠道微生物组、多组学整合和临床预测模型研究的科研人员。

带走一句

代谢组预测的BMI残差可作为超越传统BMI的代谢健康指标，整合微生物组和宿主信号，为精准分层和干预提供新思路。