IF50.5｜肠道菌群健康与饮食排名系统构建及干预验证

基于3.4万人宏基因组数据，建立菌种健康/饮食排名，并在干预试验中验证其可预测性。

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

心血管代谢疾病是全球主要死因，饮食和肠道菌群均被证实参与其发生发展。然而，肠道菌群组成高度个体化，受地域、年龄、性别等因素影响，寻找普适的“健康菌群”标志物一直困难重重。以往研究多局限于小样本、单一地区，且缺乏对未培养物种的系统评估。近年来，大规模宏基因组测序和物种级分类方法（如SGB）的发展，为在群体水平上识别与健康相关的微生物物种提供了可能。同时，饮食干预试验表明菌群可被调节，但哪些物种对饮食变化敏感、其变化是否与健康改善相关，仍需大规模数据支持。

科学问题

卡在哪里： 已有研究多关注疾病状态下的菌群失调，缺乏在一般人群中定义健康相关菌种的统一标准；且未培养物种在健康关联中的角色被严重低估。此外，饮食与菌群的关联在不同国家间差异大，缺乏可跨人群推广的量化排名系统。

本文要回答： 利用大规模跨国队列，建立肠道菌种与健康指标、饮食质量的关联排名，并在独立队列和干预试验中验证其可重复性和预测能力。

技术路线

作者主要用了：宏基因组测序、MetaPhlAn 4物种注释、随机森林、偏Spearman相关、Meta分析。

作者整合五个ZOE PREDICT队列（n=34,694），统一处理宏基因组数据，获得661个非稀有SGB的相对丰度。对每个SGB与37个健康/饮食指标计算偏Spearman相关（校正性别、年龄、BMI），将相关排名归一化并跨队列平均，得到“ZOE MB健康排名”和“ZOE MB饮食排名”。随后，利用公共宏基因组数据（BMI分层和疾病对照）进行独立验证，并在两个饮食干预试验（BIOME和METHOD）中检验排名对菌群变化的预测性。

图 1　Fig. 1。图1展示五个PREDICT队列的样本量、性别比例、测序深度和检测到的物种总数。测序深度较低的队列并未减少物种检出数，说明数据质量足以支撑后续分析。同时，机器学习模型对血糖、血脂、炎症等指标的预测性能（AUC 0.64-0.73，Spearman相关0.30-0.46）表明菌群与宿主健康指标存在稳健关联。

核心亮点

亮点 1｜健康排名跨队列一致且可重复

ZOE MB健康排名在五个PREDICT队列间高度一致（ICC=0.63），且与BMI显著正相关（Spearman ρ=0.72）。在27个公共队列的5,348人中，健康体重者携带更多有利排名物种（平均多5.2种，P=0.0003），肥胖者携带更多不利物种（多1.95种，P=0.0005）。在25个疾病对照队列（4,816样本）中，对照组的有利物种计数显著高于病例（平均多3.6种，P=0.0002），不利物种更少（少1.6种，P=0.0004）。基于排名的样本评分能显著区分健康与疾病状态（Cohen's d=-0.37, P=8.3×10^-8），优于传统α多样性指标。

图 2　Fig. 2。图2显示健康排名前15和后15的物种在不同队列和临床数据类别中的平均百分位。有利物种（如Eubacterium siraeum）在个人、空腹和餐后指标中均呈现低百分位（接近0），不利物种（如Ruminococcus gnavus）则呈现高百分位（接近1），且跨队列一致，说明排名具有普适性。

亮点 2｜健康相关物种多属未培养新种

在健康排名前50的物种中，22个为完全未知的SGB（仅由宏基因组组装基因组代表），28个已知SGB中有24个缺乏表型描述和正式分类名。相反，不利排名前50的物种多为有培养菌株和正式命名的已知种，如Ruminococcus gnavus、Flavonifractor plautii等。有利物种平均总相对丰度为5.98%，不利物种为13.64%。这一发现提示，人类肠道中潜在有益菌大多尚未被培养和表征，是未来机制研究的重点。

图 3　Fig. 3。图3a显示健康排名与BMI的偏相关在五个队列中一致为正（ρ=0.72），有利物种与BMI负相关，不利物种正相关。图3b,c显示随BMI升高，有利物种累积丰度下降，不利物种上升。图3d-f的Meta分析进一步证实健康体重者携带更多有利物种，疾病患者携带更多不利物种，且基于排名的评分能显著区分健康与疾病。

亮点 3｜饮食排名与健康排名总体一致但存在分歧

ZOE MB饮食排名与健康排名显著相关（Spearman ρ=0.72），但在661个物种中有65个出现明显分歧（绝对排名差≥0.3）。例如，Harryflintia acetispora与有利健康指标相关（健康排名0.363），却与不健康饮食相关（饮食排名0.879）。该菌可利用单糖并产生短链脂肪酸，提示其可能通过代谢产物发挥保护作用。饮食排名在英美两国间一致性较低（ICC=0.26），而健康排名一致性较高（ICC=0.59），表明饮食-菌群关联受地域饮食文化影响更大。

图 4　Fig. 4。图4展示BIOME和METHOD干预试验中物种丰度变化。BIOME益生元组有57个物种显著变化（Q<0.01），METHOD个性化饮食组有46个物种显著变化（Q<0.1），而对照组变化极少。火山图显示增加和减少的物种在效应量和显著性上的分布，为后续排名关联分析提供基础。

亮点 4｜干预试验验证排名预测菌群变化方向

在BIOME试验中，益生元组有57个物种显著变化，其中增加的物种（如Bifidobacterium adolescentis、Blautia obeum）健康排名和饮食排名显著优于减少的物种（Mann-Whitney U检验，P=7.78×10^-3和P=3.00×10^-5）。METHOD试验的个性化饮食组中，46个显著变化物种也呈现相同趋势（P=5.20×10^-5和P=2.03×10^-3）。而益生菌组和对照组无此富集。这表明基于横断面数据建立的排名能够预测饮食干预引起的菌群变化方向，支持其作为精准营养工具的潜力。

图 5　Fig. 5。图5列出干预后变化最显著的20个物种及其健康/饮食排名。在BIOME益生元组和METHOD个性化饮食组中，增加的物种（如Bifidobacterium animalis、Roseburia hominis）排名更有利，减少的物种（如Dysosmobacter welbionis）排名更不利。Mann-Whitney U检验证实增加物种的排名显著优于减少物种（P<0.01），验证了排名的预测能力。

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： 宏基因组测序、MetaPhlAn 4物种注释、随机森林、偏Spearman相关、Meta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： 从事微生物组、营养流行病学或精准医学研究，关注菌群健康标志物和饮食干预的科研人员。

带走一句

用大规模横断面数据构建菌种健康/饮食排名，可作为独立于疾病标签的通用菌群评估工具，用于精准营养和干预设计。