《Scientific Reports》：Gut microbiome signatures associate with DNA methylation-based biological aging
编辑推荐：
最近机器学习领域的进展为衰老研究提供了新工具，但肠道微生物组与表观遗传衰老之间的关系仍未充分探索。这项概念验证研究探讨了肠道微生物组成是否与独立于实际年龄（chronological age）的生物衰老速度（biological aging pace）相关。研
最近机器学习领域的进展为衰老研究提供了新工具，但肠道微生物组与表观遗传衰老之间的关系仍未充分探索。这项概念验证研究探讨了肠道微生物组成是否与独立于实际年龄（chronological age）的生物衰老速度（biological aging pace）相关。研究人员利用来自123份单核细胞富集样本（monocyte-enriched samples）的配对16S rRNA基因测序（16S rRNA gene sequencing）和DNA甲基化（DNA methylation, DNAm）数据（该队列包括夏威夷原住民和太平洋岛民参与者），开发了“EpiBiome”模型，用于预测表观遗传年龄加速残差（epigenetic age acceleration residuals）和DunedinPACE（一种估算生物衰老瞬时速度的DNA甲基化生物标志物）。预测传统时钟（Horvath、Levine、GrimAge2）残差的模型在分类学（taxonomic rank）水平上均未显示出预测信号。相比之下，针对DunedinPACE的EpiBiome-Accel模型在物种水平（species level）（R2=0.152，Spearman ρ=0.408，p=0.012；置换检验p<0.001）和属水平（genus level）（R2=0.099，置换检验p=0.036）均达到统计学显著性。将实际年龄作为特征加入并未提升模型性能（物种水平ΔR2=-0.046），表明这种关联独立于年龄。对物种水平弹性网络模型（ElasticNet model）的SHAP分析（SHAP分析，一种基于博弈论的特征归因方法）发现，青春双歧杆菌（Bifidobacterium adolescentis）是主要贡献特征，也是衰老减速（decelerated aging）的最强预测因子，而解糖琥珀酸弧菌（Succinivibrio dextrinosolvens）与衰老加速（accelerated aging）的最强关联。这些发现揭示了特定的肠道微生物分类群（taxa）可作为机制后续研究的假设生成候选，而非个体层面的诊断标志物。
**肠道微生物组与DNA甲基化生物衰老关联的论文解读**
**研究背景与问题**
衰老是机体生理功能逐渐退化的过程，其速度并不完全等同于实际年龄（chronological age）。生活方式因素（如吸烟、饮食、运动）可调节糖尿病、认知衰退、癌症等健康结局，提示生物衰老（biological aging）存在个体差异。近年来，基于DNA甲基化（DNA methylation, DNAm）的表观遗传时钟（epigenetic clocks）成为量化生物衰老的重要工具：第一代时钟（如Horvath时钟）通过机器学习预测年龄，第二代时钟（如Levine、GrimAge2）整合临床表型提升预测精度，而第三代时钟（如DunedinPACE）则直接估算生物衰老的瞬时速度（pace of biological aging），而非简单提供年龄值。然而，这些时钟所依赖的CpG位点甲基化状态与衰老关联的机制仍不明确。
肠道微生物组（gut microbiome）被证实可影响宿主健康，并可能作为生物衰老的调节因子或驱动因素。动物实验显示，粪便微生物群移植（fecal microbiota transplant, FMT）可纠正衰老相关菌群失调并降低年龄加速。然而，微生物组与表观遗传衰老（epigenetic aging）之间的关系尚未被系统探索。现有研究多聚焦于微生物组预测实际年龄（cAge），但生物衰老的核心是“速度”而非“累积偏差”。因此，研究人员开展这项研究，旨在验证肠道微生物组成是否可独立于实际年龄估算生物衰老速度，并识别关键微生物分类群（taxa）。
**研究内容与结论**
这项概念验证研究纳入夏威夷社会表观基因组学早期糖尿病研究（HI-SEED）队列中的123名参与者（年龄17–82岁，包括夏威夷原住民和太平洋岛民），在同一时间点采集粪便和血液样本。研究人员通过16S rRNA基因测序（16S rRNA gene sequencing）分析肠道微生物组，并使用Illumina EPIC芯片平台（Illumina Infinium MethylationEPIC BeadChip）对单核细胞富集样本进行全基因组DNA甲基化分析。采用机器学习方法（称为“EpiBiome”模型）预测表观遗传年龄加速残差（Horvath、Levine、GrimAge2时钟）和DunedinPACE（DunedinPACE，一种基于DNA甲基化估算生物衰老瞬时速度的生物标志物）。主要结论如下：
1. 针对传统时钟残差的EpiBiome-Accel模型在属水平和物种水平均无预测信号（测试集R2接近零，置换检验p>0.11）。
2. 针对DunedinPACE的EpiBiome-Accel模型在物种水平（弹性网络模型，R2=0.152，Spearman ρ=0.408，p=0.012；置换检验p<0.001）和属水平（支持向量机模型，R2=0.099，置换检验p=0.036）均达到统计学显著性。
3. 将实际年龄作为特征加入并未提升模型性能（物种水平ΔR2=-0.046），表明微生物组与DunedinPACE的关联独立于年龄。
4. SHAP特征重要性分析（SHAP分析，一种基于博弈论的特征归因方法）显示，青春双歧杆菌（Bifidobacterium adolescentis）是衰老减速的最强预测因子，解糖琥珀酸弧菌（Succinivibrio dextrinosolvens）是衰老加速的最强预测因子。
该研究首次证明，基于16S rRNA基因测序的肠道微生物组数据可估算单核细胞来源的DNA甲基化生物衰老速度，并提名具体微生物分类群作为机制研究的候选。论文发表在《Scientific Reports》。
**关键技术方法**
研究人员采用以下主要技术方法：
1. **样本队列来源**：夏威夷社会表观基因组学早期糖尿病研究（HI-SEED）队列，2021–2023年招募的123名成人参与者，粪便和血液样本于同一天采集。
2. **肠道微生物组分析**：使用Ion Torrent半导体测序平台对16S rRNA基因高变区（V2-4和V6-9）进行扩增测序，通过Ion Reporter软件（v5.18.4.0）和Greengenes v13.5数据库进行物种分配（operational taxonomic unit, OTU），并采用稀有化（rarefaction）至10,000条读数、添加伪计数（pseudocount）和中心对数比变换（centered log-ratio, CLR）进行数据预处理。
3. **DNA甲基化与表观遗传年龄计算**：使用Illumina Infinium MethylationEPIC BeadChip（v2.0）进行全基因组甲基化分析，通过Clock Foundation Web服务计算Horvath、Levine、GrimAge2时钟的表观遗传年龄及加速残差，通过minfi框架和DunedinPACE包（v0.99）计算DunedinPACE。
4. **机器学习建模**：采用弹性网络（ElasticNet）、支持向量机（SVM）、极端梯度提升（XGBoost）和三层深度神经网络（DNN）四种算法，在属水平和物种水平进行预测，使用贝叶斯优化（Bayesian optimization）进行超参数调优，采用70/30分层训练-测试拆分，并执行1,000次置换检验评估统计显著性。
5. **特征重要性分析**：使用SHAP（Shapley Additive exPlanations）框架对最佳物种水平弹性网络模型进行特征归因分析，量化各微生物分类群对预测的贡献方向和大小。
**研究结果**
**人口统计学与表观遗传年龄**
队列包含123名参与者（平均实际年龄31.7±1.5岁，46.3%男性，53.7%女性；平均BMI 31.2±1.0 kg/m2，47.2%肥胖；平均HbA1c 5.6±0.1%，11.4%为2型糖尿病（T2D））。传统时钟（Horvath、Levine、GrimAge2）与实际年龄呈强线性相关（Pearson r=0.89、0.82、0.90，均p<0.001）。DunedinPACE与实际年龄呈中等正相关（Pearson r=0.34，p<0.001），符合其设计特点。
**表观遗传年龄与心脏代谢风险因素的关联**
DunedinPACE与HbA1c（Pearson r=0.20，p=0.026）和BMI（Pearson r=0.31，p<0.001）显著正相关。在2型糖尿病（T2D）患者中DunedinPACE更高（1.31±0.05 vs. 非糖尿病组1.18±0.02，ANOVA p=0.050），肥胖组显著高于正常体重组（1.27±0.03 vs. 1.12±0.02，p<0.001）和超重组（1.16±0.03，p=0.012）。传统时钟残差在T2D和肥胖类别中无显著差异，表明DunedinPACE对代谢负担更敏感。
**极端表观遗传衰老组肠道微生物群落结构差异**
通过PERMANOVA（基于Bray-Curtis相异性矩阵，以BMI和性别为协变量）比较各衰老指标极端百分位组（≤20% vs. ≥80%），仅Levine时钟在物种水平达到显著性（R2=0.046，p=0.021），DunedinPACE在物种水平（R2=0.025，p=0.205）和属水平（R2=0.030，p=0.177）均无全局群落结构差异。这表明微生物组与DunedinPACE的关联是分布式信号，而非整体群落偏移。
**微生物分类群丰度与表观遗传衰老的关联**
中心对数比变换（CLR）后相对丰度与各衰老指标的Spearman秩相关分析显示：传统时钟残差在BH校正后无显著相关分类群；而DunedinPACE在属水平有12个显著相关分类群（11个正相关，包括Butyricimonas、Catenibacterium、Streptococcus等；Bifidobacterium为唯一负相关属），在物种水平有19个显著相关物种（17个正相关，如Ruminococcus gnavus、Ruminococcus torques等；2个负相关：Bifidobacterium adolescentis和Gemmiger formicilis）。值得注意的是，Bifidobacterium adolescentis与实际年龄无显著相关，表明其与DunedinPACE的关联独立于年龄。
**肠道微生物组成预测表观遗传衰老指标**
基于CLR变换的OTU表，采用四种机器学习算法建立EpiBiome-Accel模型（仅用微生物特征预测年龄加速残差或DunedinPACE）。测试集（N=37）表现：物种水平弹性网络预测DunedinPACE的R2=0.152（MAE=0.146±0.019，Spearman ρ=0.408，p=0.012），置换检验p<0.001；属水平支持向量机R2=0.099（置换检验p=0.036）。传统时钟残差模型均无预测效用（R2接近零，置换检验p>0.11）。加入实际年龄作为特征后，DunedinPACE模型性能未提升（物种水平ΔR2=-0.046），进一步证实年龄独立性。
**与DunedinPACE加速和减速相关的微生物特征**
对物种水平弹性网络模型进行SHAP分析，按平均绝对SHAP值排序，前10种特征中青春双歧杆菌（Bifidobacterium adolescentis）占主导（平均|SHAP|≈0.032，约为第二特征的2.5倍），且为最强衰老减速预测因子（平均原始SHAP≈-0.007）。解糖琥珀酸弧菌（Succinivibrio dextrinosolvens）为最强衰老加速预测因子（平均原始SHAP≈+0.006）。其他次要贡献者（如Parabacteroides merdae、Gemmiger formicilis、Prevotella stercorea、Megamonas rupellensis）均呈正方向（加速），形成方向一致的次级聚类。SHAP方向性对应弹性网络回归系数的符号，反映了调整其他特征后的偏关联。
**讨论与结论**
讨论部分指出，该研究首次通过机器学习直接从配对微生物组数据预测表观遗传衰老指标，并发现微生物组-衰老关联的特异性指向DunedinPACE。传统时钟残差因正交于实际年龄而可能丢掉了与微生物组共享的年龄相关方差，而DunedinPACE保留此共享方差，从而获得可检测信号。三条证据支持独立性：加入年龄特征未改善模型、年龄调整敏感性分析中部分物种保留名义显著性、关键物种（B. adolescentis）与实际年龄无相关。单变量与多变量结果差异表明，微生物组信号是分布式多变量特征，而非单一分类群驱动。B. adolescentis的SHAP优势可能是惩罚回归中抑制变量动态的结果，其与文献中抗炎、健康寿命延长作用一致。次级加速聚类包括部分通常被认为有益的短链脂肪酸产生菌，暗示可能涉及丰度阈值或生态背景依赖性。局限性包括样本量较小（N=123）、缺乏外部验证队列、16S测序物种分辨率有限、Ion Torrent平台和较老数据库（Greengenes v13.5）可能影响可比性、队列中63%为夏威夷原住民和太平洋岛民（NHPI）可能限制普适性。结论部分翻译如下：该研究证明肠道微生物组成与DunedinPACE之间存在统计学上稳健且独立于年龄的关系，可在一项中等规模的配对采样队列中检测到，并生成针对特定分类群（尤其是青春双歧杆菌）的可检验假设，为机制研究提供方向。研究结果不适用于临床或个体诊断，后续工作应扩大训练队列规模、进行外部验证，并通过鸟枪法宏基因组学、代谢组学和干预实验开展机制研究。
