肠道|低碳饮食减重的决定因素竟然是肠道菌群？肠道|菌群|低碳饮食|肥胖

文章图片

文章图片

图3 两种饮食方案干预措施在各亚组的减重情况存在个体化差异
上述结果提示LCD干预具有较好的减重效果，但存在个体差异。因此，本研究分进一步析了两个亚组的肠道菌群数据，进一步探究是否存在菌群相关的潜在因素导致了该饮食模式中两个亚组的减重差异。在进一步的亚组分析中，我们采用属级别水平的共发生网络，进一步分析LCD亚组中肠道菌群之间的相互作用发现，在LCD干预12周之后，虽然LCD_DG和LCD_MG两个亚组的网络交互复杂度均有所下降，但LCD_DG 在基线及第12周均表现出比LCD_MG更密集、更广泛更丰富的网络交互复杂度。以上结果表明，除了菌群组成和多样性的差异外，菌群结构和菌群相互联系的复杂度之间的差异可能是导致减重效果存在个体化差异的重要原因（图4C-F）。在低碳亚组中，通过随机森林模型算法进行分析发现，Bacteroidaceae Bacteroides的基线相对丰度在低碳饮食的两个亚组中具有统计学差异（图4I），根据线性回归分析，我们发现拟杆菌属的基线相对丰度与短期低碳饮食减重效果呈正相关关系（图4J-N）。基于上述结果，通过低碳亚组拟杆菌属的基线相对丰度建立了ROC模型，ROC模型反映曲线上每个数据点对同一信号刺激的感受性，综合体现变量的敏感性和特异性。在本研究中，ROC模型AUC值达到73.2%，提示拟杆菌属基线相对丰度对于短期低碳水化合物饮食减重效果具有一定的预测价值（图4O）。

文章图片

图4肠道菌群是影响LCD减重效果的重要因素
由于人体肠道中的菌群不是一个独立的个体，细菌之间存在错综复杂的联系。因此，本研究引入了人工神经网络模型（artificial neural network ：ANN），ANN是一种更强大的深度学习模型，其被训练并用于模拟生物神经网络进行复杂数据的分析，ANN基于生物学中神经网络基本原理，模仿人体大脑结构和外界刺激响应机制，以网络拓扑知识为理论基础建立模型，具有联想记忆、分类与识别、优化计算和非线性映射等功能。近年来，越来越多的医学研究将ANN应用于复杂数据的处理。我们将LCD组减重参数的变化值及其比率分别纳入基于该组整体肠道菌群基线相对丰度的ANN模型，获得了更高的预测模型决定系数（R2），这也提示ANN的预测效果优于线性模型，提示预测效果更好（图5）。

文章图片

图5用于预测LCD减重效果的ANN模型
总而言之，目前的研究表明，在超重/肥胖人群中，不限制热量的短期LCD干预具有显著的减重效果，且无明显不良影响。短期LCD减重效果存在个体化差异，LCD干预前即基线时Bacteroidaceae Bacteroides的相对丰度与短期LCD干预减重效果呈正相关。最后，本研究构建了基于基线肠道菌群相对丰度的高精度ANN预测模型，通过ANN预测模型发现，肠道菌群基线相对丰度可以作为LCD干预之前评估个体化减重效果的预测因子，对临床医学体重管理具有重要指导意义。相关研究成果发表在《Microbiology Spectrum》。
基于本研究成果，在临床医学体重管理中，对于肠道中Bacteroidaceae Bacteroides相对丰度低，但希望通过LCD进行减重的超重/肥胖受试者，或许可通过补充相应的益生菌进而增强LCD减重疗效，目前本课题组正在与广东省科学院微生物研究所，谢黎炜研究院团队开展益生菌和低碳饮食联合使用的临床减重研究，进一步探索医学体重管理的策略和思路，让我们期待更新的研究成果。