糖尿病高危人群中代谢簇与微生物年龄的关联及其对心血管疾病风险的潜在影响：横断面观察性研究

《JMIR Medical Informatics》：Association Between Metabolic Clusters and Microbial Age in High-Risk Populations for Diabetes and Their Potential Impact on Cardiovascular Disease Risk: Cross-Sectional Observational Study

　　

背景：代谢多病共存（Metabolic Multimorbidity）在糖尿病高危人群中普遍存在，并与心血管疾病（CVD）及肠道菌群组成相关。代谢簇（MCs）、微生物年龄（MA）与代谢标志物之间的关系尚不清楚。目的：本研究旨在探讨糖尿病高危人群中MCs和MA的特征，重点关注其与肠道菌群、代谢失调及CVD风险的关联。方法：利用美国国立卫生研究院综合人类微生物组项目（NIH Integrative Human Microbiome Project, iHMP）的数据，研究人员进行了代谢组学和微生物组学分析。采用K-means聚类识别MCs，冗余分析（Redundancy Analysis, RDA）检验代谢变量与菌群的关系。随机森林（RF）模型预测MA和CVD风险，线性判别分析效应大小（Linear Discriminant Analysis Effect Size, LEfSe）鉴定与MCs和MA相关的微生物物种。共现网络分析（Co-occurrence Network Analysis）探索微生物相互作用。结果：研究人员纳入103名高危个体（女性56/103, 54.4%，平均年龄50.6岁，标准差54.6岁）。共识别出3个MCs：MC1（高葡萄糖或血尿素氮）、MC2（相对健康）和MC3（脂质失调）。年龄解释了3%的肠道菌群变异（R2=0.03; P=.006）。预测微生物年龄的RF模型在训练数据中与实际年龄强相关（ρ=0.97，均方根误差=3.33; P<.001），在测试数据中中等相关（ρ=0.35; P<.001）。高微生物年龄与升高的脂质标志物（低密度脂蛋白和甘油三酯; P<.001）及较高的心血管风险相关。用于CVD风险预测的RF模型实现了卓越的区分能力（低风险组曲线下面积=0.95，高风险组=0.95）。结论：本研究强调了MCs、MA与肠道菌群之间的关系，为糖尿病及相关代谢疾病的早期干预和个体化治疗策略提供了见解。

**论文解读：代谢簇与微生物年龄在糖尿病高危人群中的关联及其对心血管疾病风险的影响**

**研究背景与问题**
据国际糖尿病联盟（IDF）数据，2019年全球约4.63亿成年人患有糖尿病，且该数字持续上升。糖尿病是一种以慢性高血糖为特征的代谢性疾病，常伴随高血压、肥胖、血脂异常等多种代谢紊乱，这些代谢异常聚集形成代谢簇（Metabolic Clusters, MCs），并显著增加心血管疾病（CVD）风险。肠道菌群作为人体关键微生物生态系统，通过短链脂肪酸（SCFAs）等代谢产物影响宿主糖脂代谢和炎症反应，其失调与糖尿病及其并发症密切相关。微生物年龄（Microbial Age, MA）是基于肠道菌群组成和功能推断的复合指标，可反映宿主生物学年龄和健康状态。然而，在高危糖尿病群体中，MCs、MA与代谢标志物及CVD风险之间的相互作用尚未阐明。因此，开展本研究旨在通过代谢组学和微生物组学分析，系统揭示MCs和MA的特征及其对CVD风险的潜在影响，为早期干预和个体化治疗提供科学依据。该论文发表在《JMIR Medical Informatics》。

**研究内容与结论**
研究人员利用美国国立卫生研究院综合人类微生物组项目（NIH iHMP）的数据，纳入103名糖尿病高危个体（女性56/103, 54.4%，平均年龄50.6岁）。通过K-means聚类、冗余分析（RDA）、随机森林（RF）模型、线性判别分析效应大小（LEfSe）及共现网络分析等生物信息学方法，研究人员识别出三个代谢簇（MC1、MC2、MC3），构建并验证了微生物年龄预测模型，评估了MCs和MA与CVD风险的关系。结论表明：MCs与肠道菌群组成显著相关，年龄是影响菌群变异的最强协变量；高MA与脂质代谢异常和较高CVD风险相关联，RF模型对CVD风险预测表现优异（AUC低风险组=0.95，高风险组=0.95）；MA可作为糖尿病高危人群早期评估和个体化干预的潜在生物标志物。

**主要关键技术方法**
研究基于NIH iHMP数据库中的103名糖尿病高危个体（女性54.4%，平均年龄50.6岁）。关键技术包括：①K-means聚类算法构建代谢簇（MCs）；②冗余分析（RDA）和距离冗余分析（dbRDA）评估代谢变量、年龄与肠道菌群组成的关联；③随机森林（RF）模型（5折交叉验证，500棵决策树，训练集70%，测试集30%）预测微生物年龄（MA）和CVD风险；④线性判别分析效应大小（LEfSe，LDA阈值>2）鉴定差异微生物物种；⑤共现网络分析（基于φ系数≥0.3，P<.05）揭示微生物群落互作模式。

**研究结果**
**1. MCs构建及性别差异与代谢特征分析**
通过K-means聚类对19个代谢变量进行分析，基于Davies-Bouldin指数和Kullback-Leibler指数确定最佳聚类数K=3，识别出三个MCs：MC1以高葡萄糖和血尿素氮（BUN）为特征，提示糖代谢和肾功能问题；MC2呈现相对健康代谢谱；MC3以高胆固醇、低密度脂蛋白（LDL）、甘油三酯等为特征，提示脂质代谢紊乱和潜在心血管风险。性别分析显示，女性在MC2中比例更高（57% vs 41%），男性在MC3中比例更高（29% vs 23%），且女性在MC3中脂代谢指标水平更突出。

**2. 宿主年龄、MCs与肠道微生物组的关联**
冗余分析（RDA）显示，年龄是影响肠道菌群组成的最强协变量，解释了3%的变异（R2=0.03, P=.006）。距离冗余分析（dbRDA）表明，不同年龄组（<60岁 vs ≥60岁）之间菌群组成存在显著差异（P=.006）；不同MCs之间菌群结构也显著不同（P<.001）。Kruskal-Wallis和Dunn检验发现，变形菌门（Proteobacteria）和疣微菌门（Verrucomicrobia）的相对丰度在MCs间存在显著差异。

**3. MA的构建与验证**
基于年龄间差异显著的20个微生物属，构建五折交叉验证的RF模型预测MA。训练集中，预测年龄与实际年龄强相关（ρ=0.97, RMSE=3.33, P<.001）；测试集相关性中等（ρ=0.35, P<.001）。将受试者分为低微生物年龄（LMA）和高微生物年龄（HMA）组后，发现HMA组在MC3中脂质标志物（胆固醇、LDL、非高密度脂蛋白、甘油三酯）水平显著高于LMA组，提示高MA与脂质代谢异常相关。

**4. MCs和MA中的微生物群落差异**
LEfSe分析（LDA>2, P<.05）显示：MC1中富集阿克曼氏菌属（Akkermansia）、梭菌属IV（Clostridium IV）和颤螺菌属（Oscillibacter），与葡萄糖代谢和肾功能相关；MC2富含拟杆菌属（Bacteroides）、副杆菌属（Parabacteroides）和嗜胆菌属（Bilophila），与代谢稳态维持有关；MC3显著富集普雷沃氏菌属（Prevotella），与脂质代谢紊乱相关。共现网络分析显示，MC3网络模块化程度最高（模块度=0.64），HMA组网络模块度0.42且相关性较强（R2=0.76），LMA组模块度0.58但整体相关性较弱（R2=0.25）。

**5. MA、MCs与CVD风险的关联**
基于Framingham风险评分将受试者分为高、中、低CVD风险组。主坐标分析（PCoA）显示：在HMA组中，高风险与中风险组间菌群组成显著差异；在LMA组中，三个风险组间均有显著差异（P<.05）。在MC1和MC3组内，高风险与中风险组间菌群组成也显著不同（P<.05）。RF-CVD风险预测模型表现优异，低风险组AUC=0.95，高风险组AUC=0.95，中风险组AUC=0.89。变量重要性排序显示，肌酐（CR）贡献最大，其次为MA和高密度脂蛋白（HDL），MCs贡献较小。

**讨论与结论**
讨论部分总结了关键微生物与代谢特征间的潜在联系：MC1中梭菌属IV可能通过产生短链脂肪酸影响胰岛素敏感性；MC2中拟杆菌属等有助于维持代谢稳态；MC3中普雷沃氏菌属可能通过脂多糖促进炎症和动脉粥样硬化。高MA组富集的假黄酮菌（Pseudoflavonifractor）和梭菌属IV与丁酸产生相关，但其与代谢异常的关系需进一步因果验证。研究局限性包括：横断面设计无法确定因果；16S rRNA测序仅达属水平，功能解析有限；性别分层等亚组分析统计功效不足；缺乏饮食、药物等关键生活方式数据。
结论翻译：本研究揭示了糖尿病高危个体中MCs和MA的显著特征，探讨了这些特征与肠道菌群、代谢指标和CVD风险之间的复杂关系。通过K-means聚类，研究人员将高危个体分为三种不同的代谢亚型，分别与葡萄糖代谢紊乱、代谢稳态和脂质代谢异常相关。RDA识别年龄为影响肠道菌群组成的主要协变量，不同代谢亚型的菌群存在显著差异。研究人员采用RF模型预测MA与CVD风险的关系，发现MA与实际年龄之间存在显著预测相关性。LEfSe分析进一步识别了在代谢亚型和MA组间有显著差异的微生物分类群。最终发现HMA组表现出更强的脂质代谢紊乱和CVD风险特征，提示MA可作为糖尿病高危人群早期评估和干预的潜在生物标志物。