肠道菌群特征可预测肥胖儿童代谢相关脂肪性肝病风险：一项机器学习辅助的宏基因组学研究

本刊推荐因斯布鲁克医学大学团队针对儿童肥胖引发的肝健康问题开展研究，通过宏基因组学与机器学习分析，发现肠道微生物组中Faecalibacterium prausnitzii与Prevotella copri的比例变化可作为MASLD/MASH的早期生物标志物，为儿童代谢性肝病的早期干预提供新策略。

　　

随着全球儿童肥胖率的持续攀升，代谢相关脂肪性肝病（Metabolic dysfunction-associated steatotic liver disease, MASLD）已成为影响儿童健康的重要公共卫生问题。世界卫生组织预测，到2035年儿童超重肥胖率将增长60%，其中三分之一欧洲儿童已面临超重问题。肥胖儿童不仅承受着社会心理压力，更易早期出现肝脏代谢异常，进展为代谢相关脂肪性肝炎（Metabolic dysfunction-associated steatohepatitis, MASH）甚至肝纤维化，给医疗系统带来沉重负担。然而，目前临床缺乏有效的早期预测工具，难以在不可逆肝损伤发生前进行干预。

在此背景下，因斯布鲁克医学大学儿科研究所Georg Vogel教授团队开展了一项创新性研究，通过整合宏基因组学与机器学习技术，探索肠道微生物组作为肥胖儿童MASLD/MASH早期生物标志物的潜力。该研究成果发表于《Schweizer Gastroenterologie》杂志，为儿童代谢性肝病的早期诊断和干预提供了新思路。

研究人员采用宏基因组鸟枪法测序技术（shotgun sequencing）对超过280名平均年龄12岁的肥胖儿童粪便样本进行分析，样本来源包括9项已发表研究数据和自身建立的队列数据。通过生物信息学方法处理微生物组数据，并运用机器学习算法建立预测模型，重点比较了健康儿童、单纯肥胖儿童以及合并MASLD/MASH肥胖儿童的肠道菌群差异。

微生物组多样性分析揭示疾病特异性特征

研究发现，MASLD和MASH患儿的肠道微生物组α多样性（单个样本内多样性）和β多样性（样本间多样性）均呈现显著改变。与健康对照组相比，疾病组微生物群落结构发生重组，特定菌种丰度变化与肝脏病变程度密切相关。

关键菌种标识疾病进展

研究团队识别出Faecalibacterium prausnitzii和Prevotella copri作为关键指示菌种。肥胖伴MASLD/MASH患儿肠道内Faecalibacterium prausnitzii（一种具有抗炎作用的共生菌）丰度显著降低，而Prevotella copri（与炎症反应相关的菌种）丰度明显上升。这种菌群变化模式与肝脏炎症程度和纤维化进展呈正相关。

机器学习模型构建预测工具

基于微生物组特征，研究人员开发了机器学习预测模型，能够准确区分单纯肥胖与肥胖合并肝病患儿。该模型通过分析菌群组成特征，实现了对疾病风险的定量评估，为临床提供了一种客观的生物标志物工具。

微生物组特征指导治疗策略

研究表明，肠道微生物组特征不仅可用于疾病诊断，还能预测治疗反应。研究团队计划进一步验证该生物标志物在胰高血糖素样肽-1（GLP-1）受体激动剂类药物（如奥美拉唑）治疗效果评估中的应用价值。

该研究首次通过大样本荟萃分析证实了肠道微生物组作为肥胖儿童MASLD/MASH早期生物标志物的临床价值。研究发现的关键微生物特征——Faecalibacterium prausnitzii减少和Prevotella copri增加与肝病进展的关联，为理解肠-肝轴在代谢性肝病发生中的作用机制提供了新证据。更重要的是，该研究开发的机器学习预测模型实现了从微生物组数据到临床应用的转化，使医生能够通过粪便样本分析客观评估患儿的肝病风险，为家长提供直观的疾病进展预测，从而提高治疗依从性。

这项研究的创新之处在于将先进的测序技术与人工智能算法相结合，解决了儿童肝病早期诊断的临床痛点。随着进一步验证研究的开展，这种基于肠道微生物组的无创诊断方法有望成为儿童代谢性肝病标准化管理流程的重要组成部分，实现真正意义上的早期干预和个性化治疗。