母亲鼻腔微生物组塑造婴儿早期呼吸道健康新机制

《Allergo Journal》：Nasales Mikrobiom der Mutter entscheidend für das nasale Mikrobiom im S?uglingsalter

为探究婴儿鼻腔微生物组来源与儿童呼吸道疾病风险关联，研究团队开展国际出生队列研究，通过16S rRNA测序分析母体多部位样本，首次证实母亲鼻腔微生物组是婴儿鼻腔菌群定植的主要来源，其中棒状杆菌属（Corynebacterium）的垂直传递对构建健康婴儿鼻腔微生态至关重要。

　　

在生命最初的旅程中，婴儿的呼吸系统犹如一张白纸，等待着微生物的描绘。这些早期定植于鼻腔的微小生命，不仅构成了抵御病原体的第一道防线，更深远地影响着儿童时期哮喘、过敏等呼吸道疾病的发病风险。然而，科学家们长期被一个根本性问题所困扰：这些关键菌群究竟从何而来？是母亲的馈赠，还是环境的偶然？解开这一谜题，将成为通过微生态干预预防儿童呼吸道疾病的关键突破口。

以往的研究虽已揭示婴儿鼻腔微生物组与健康结局的关联，但对菌群来源的探索仍存在空白。缺乏对母婴间微生物传递路径的清晰认知，使得针对婴儿鼻腔微健康的早期预防策略如同无的之矢。为此，国际研究团队启动了名为“Mother-Infant Microbiome International Cohort”的大型出生队列研究，旨在精准追溯婴儿鼻腔菌群的母体源头，为未来精准预防奠定科学基石。这项重要研究成果发表在《Allergo Journal》上。

研究者采用了几个关键的技术方法来实现研究目标。他们首先建立了一个跨国出生队列，从美国、波多黎各和加纳三个不同地理位置的临床中心招募了95对母婴。研究团队在婴儿出生时和出生后约两个月两个时间点，系统性地收集了母亲的鼻腔分泌物、唾液、母乳以及乳晕皮肤样本，同时采集了婴儿的鼻腔样本。所有样本均通过16S核糖体RNA（16S ribosomal RNA）基因测序技术进行微生物群落分析，利用生物信息学方法比对母婴样本间的微生物特征，以识别婴儿鼻腔菌群的主要来源。

婴儿鼻腔微生物组的动态演变

通过对婴儿出生时和两个月大时鼻腔样本的分析，研究发现婴儿鼻腔微生物组在生命最初两个月内经历了显著的重构。出生当日，婴儿鼻腔内存在着种类繁多但各自丰度较低的细菌群落，呈现出高度的多样性。然而，到两个月大时，这种格局发生了根本性转变，鼻腔微生物组转变为由少数几个细菌属主导的状态，例如棒状杆菌属（Corynebacterium）。这种转变导致了特定微生物群落模式的形成，并且不同婴儿个体间的差异变得非常明显。

母体鼻腔是婴儿鼻腔菌群的主要来源

跨三个研究地点的数据一致表明，母亲的鼻腔微生物组是婴儿鼻腔菌群最主要的来源。分析显示，母婴鼻腔微生物组之间存在显著的相似性。特别值得注意的是，当母亲的鼻腔微生物组由棒状杆菌属主导时，其婴儿在两个月大时拥有棒状杆菌属主导的鼻腔微生物组的概率显著更高。这强有力地证明了特定细菌类群存在从母亲到婴儿的直接传递。

母源菌群传递的健康意义

研究进一步揭示，从母亲鼻腔传递到婴儿鼻腔的细菌中，棒状杆菌属占据了重要比例。已知某些棒状杆菌属物种与呼吸道健康密切相关，它们可能通过竞争性排斥病原菌或调节局部免疫来发挥保护作用。因此，母亲拥有一个健康的、富含有益菌的鼻腔微生物组，可能为婴儿发育出同样健康的鼻腔微环境奠定基础，从而潜在降低其未来罹患呼吸道疾病的风险。

该研究的结论明确指出了母亲鼻腔微生物组在塑造婴儿早期鼻腔菌群中的核心作用。这种母婴间的微生物传递，可能是一种先前被低估的、影响子代呼吸道健康的重要机制。研究结果将婴儿鼻腔微生物组的来源追溯至母体鼻腔这一具体生态位，为理解生命早期微生物定植规律提供了关键证据。其重要意义在于，它提示维护母亲鼻腔微生态健康可能成为促进婴儿呼吸道健康的新途径。未来，基于这些发现，有可能开发出针对孕妇或新生儿母亲的干预措施，例如通过调节母亲鼻腔菌群，来优化婴儿的微生物定植过程，从而为预防儿童期哮喘、过敏等疾病提供全新的思路。然而，菌群传递的具体机制及其对健康的确切影响路径，仍需更长期的随访研究和功能实验来进一步阐明。

---

在另一项独立研究中，人工智能技术被成功应用于皮肤斑贴试验（Patch Test）的评估。斑贴试验是检测化妆品和药物引起皮肤刺激及过敏反应的金标准方法之一，其结果的准确性高度依赖于评估者的经验，存在主观差异。为了解决这一问题，研究人员开发了一种基于目标检测框架YOLOv5x的人工智能模型。

该研究纳入了3,203名成年受试者，在其上背部施用化妆品成分并封闭敷贴24小时。在移除敷贴后1小时和24小时，依据修改版的Frosch和Kligman安全性评价指南以及化妆品、香料协会（CTFA）的5点评分标准对皮肤红斑反应进行评估，并在受控环境下拍摄临床照片。研究人员使用83,629张图像训练模型，并用1,312张和1,536张图像分别进行测试和验证。

结果显示，该AI模型在评估24小时和48小时皮肤反应时，总体准确度达到0.983，F1分数（精确度和召回率的调和平均数）为0.982。对于评分0、1、2分的曲线下面积（AUC）分别为0.914、0.838和0.865。对评分0（无反应）的灵敏度高达0.997。在3,072张测试图像中，AI模型与四位人类专家的评估结果在94.6%的案例中一致，而四位专家自身的准确率分别为98.0%、97.0%、97.0%和97.5%。

这项研究表明，基于YOLOv5x的AI模型能够有效、准确地分类斑贴试验引起的皮肤红斑，其性能可与皮肤科专家相媲美。该技术有望在未来实现更快速、更客观的皮肤病学评估，减少人为差异，提高诊断效率。通过进一步优化，此类模型有望整合到不同的临床工作流程中，辅助医生进行诊断。