多组学建模体重指数对饮食减重干预的反应

《Gut Microbes》：Multi-omic modelling of body mass index response to a dietary weight loss intervention

　　

肥胖是一种多因素疾病，在减重干预反应中存在广泛的异质性。尽管仍具挑战性，对减重干预反应进行建模有助于定制治疗、提高减重成功率或增进对潜在病理生理学的理解。研究人员利用来自一项为期12个月、针对超重/肥胖成人（n = 150）的行为减重试验的多组学（遗传学；肠道微生物群：分类学、推断基因通路和代谢物动态；血液代谢组学）和临床数据（如血脂、血糖），使用混合效应随机森林（Mixed Effects Random Forests, MERF）和广义线性混合模型套索（GLMM-Lasso）预测纵向体重指数（Body Mass Index, BMI）和BMI变化（ΔBMI）。在跨建模方法和结局指标中，常规可用的临床变量和血液代谢组学一致地比基本人口统计学改善了预测，且代谢组学在临床信息之外增加了价值。在各模型中，组合组学风险评分最大程度改善了纵向BMI轨迹模型，解释了20.5–26.0%的边际方差（R2m），而代谢组学风险评分最大程度改善了BMI变化预测（R2m = 52.9–59.3%）。肠道微生物分类学和推断基因通路对某些模型和结局提供了适度但显著的增益，而代谢物动态始终未能提升性能。模型中最显著的特征包括胰岛素、糖蛋白乙酰基、脂蛋白大小和某些氨基酸，这与已知的炎症和代谢机制一致。这些发现支持选择性血液生物标志物与个体对减重努力的反应相关。

研究背景与意义

肥胖是全球日益严重的健康问题，个体对行为减重的反应差异很大，这主要由复杂的生理、心理和环境因素共同驱动。升高的体重指数（BMI）会增加心血管疾病、特定癌症和代谢综合征（Metabolic Syndrome, MetS）等慢性病风险，即使5–10%的边际减重也能带来多重健康益处。然而，许多人难以实现并维持成功的体重减轻。因此，识别与饮食和生活方式干预减重反应相关的个性化因素，并理解导致反应异质性的生理原因，对于开发个性化或更有效的体重管理策略具有重要意义。单一的临床数据难以完全解释BMI和减重这种复杂性状的诸多生物学和环境影响因素，多组学数据分析为揭示肥胖及个体减重反应的潜在贡献因素提供了独特机会，可能作为不同减重反应亚组的生物标志物。既往研究虽探讨了基因组、转录组、蛋白组、代谢组和微生物组在减重中的作用，但未在干预期间建立个体模型或比较各组学层面对前瞻性BMI变化的增量价值，也未应用此类框架建模纵向BMI对减重干预的反应。基于此，研究人员利用一项12个月随机行为减重干预试验的数据，开发和评估了纵向BMI和BMI变化（ΔBMI）的组学风险评分，整合多种组学数据类型，直接以人口统计学和临床指标为基准进行基准测试，并采用两种不同的纵向建模方法进行比较。

主要关键技术方法

研究人员使用的数据来源于科罗拉多大学安舒茨分校开展的每日热量限制与间歇性禁食试验（Daily Caloric Restriction vs. Intermittent Fasting Trial, DRIFT），这是一项为期1年、比较每日热量限制（Daily Caloric Restriction, DCR）与4:3间歇性禁食（Intermittent Fasting, IMF）对超重或肥胖成人（BMI 27–46，年龄18–65岁，N = 165）减重效果的随机试验，最终分析纳入150人。关键技术包括多组学数据采集与预处理：临床数据（血脂、胰岛素、血糖等）、遗传数据（计算BMI遗传风险评分 Genetic Risk Score, GRS）、血液代谢组学（核磁共振质子光谱 NMR 推断78个代谢物）、肠道微生物分类学（16S rRNA 基因测序至属水平121个分类单元）、微生物功能基因数据（PICRUSt2推断127条通路）、微生物代谢通量数据（MICOM 预测53个代谢物通量）。集成组学层后构建多种风险评分（基础、临床、遗传、分类学、通路、MICOM、代谢物、组合）。采用两种互补的纵向建模方法：允许非线性关系的混合效应随机森林（MERF）和假设线性关系的广义线性混合模型套索（GlmmLasso）。将受试者按约75%训练集与25%测试集随机拆分，在训练集调参后于测试集评估边际R²（R²m）和模型拟合改进。

研究结果

Participant characteristics and BMI change

参与者主要为女性（73%），基线平均BMI为34.25 kg/m²，平均年龄41.93岁。干预期间BMI显著变化，前6个月平均下降2.47 kg/m²（p < 0.0001），6–12个月略有回升（+0.21 kg/m²，p = 0.30），个体间BMI变异性较大，训练与测试集无显著差异。

Performance of longitudinal BMI risk scores

比较风险评分与基础风险评分显示，在MERF模型中，临床评分（R²m = 0.194, p < 0.001）、GRS（R²m = 0.139, p < 0.01）、通路评分（R²m = 0.088, p < 0.01）、代谢组学评分（R²m = 0.156, p < 0.001）和组合评分（R²m = 0.205, p < 0.001）均显著优于基础评分（R²m = 0.077）；GlmmLasso模型中仅临床（R²m = 0.176, p < 0.001）和代谢组学（R²m = 0.129, p < 0.01）显著优于基础评分（R²m = 0.093）。与临床+评分相比，MERF的代谢组学（R²m = 0.189, p = 0.043）和组合*评分（R²m = 0.178, p = 0.049）提供额外增益；GlmmLasso的GRS（R²m = 0.220, p < 0.01）和代谢组学评分（R²m = 0.254, p < 0.01）优于临床+评分（R²m = 0.254）。纵向BMI模型最重要特征包括胰岛素、糖蛋白乙酰基、脂蛋白大小、某些氨基酸等。

Performance of ΔBMI Risk Scores

对于ΔBMI的MERF评分，临床（R²m = 0.488, p < 0.01）、代谢组学（R²m = 0.529, p < 0.001）和组合（R²m = 0.509, p < 0.01）显著优于基础模型（R²m = 0.379）；GlmmLasso同理，临床（R²m = 0.505, p = 0.01）、代谢组学（R²m = 0.554, p < 0.001）和组合（R²m = 0.519, p < 0.01）优于基础（R²m = 0.420）。与临床+评分（MERF R²m = 0.385）相比，通路（R²m = 0.455, p = 0.026）、分类学（R²m = 0.452, p = 0.031）、代谢组学（R²m = 0.529, p < 0.01）和组合（R²m = 0.526, p < 0.01）显著增强；GlmmLasso中代谢组学（R²m = 0.593, p < 0.01）和组合（R²m = 0.561, p = 0.015）优于临床+（R²m = 0.495）。ΔBMI模型重要特征同样包括胰岛素、糖蛋白乙酰基、极低密度脂蛋白（Very Low-Density Lipoprotein, VLDL）大小等。

Model stability over time

将训练好的MERF和GlmmLasso模型应用于测试集各单独时间点，总体上组学风险评分在第一个时间点（基线）表现最差，此后较好（GlmmLasso ΔBMI评分在0–6个月区间R²较好除外）。

讨论与结论总结

研究人员在讨论中指出，年龄和性别与减重干预期间BMI变化相关，构成基础比较模型。临床变量如空腹胰岛素、甘油三酯和高密度脂蛋白（High-Density Lipoprotein, HDL）胆固醇显著改善BMI和ΔBMI模型，其中胰岛素和甘油三酯关联最强，这与更高的胰岛素和甘油三酯增加与更高BMI或减少的减重相关。代谢组学评分在基础和临床评分之上显示增量价值，重要特征包括糖蛋白乙酰基、脂蛋白参数、苯丙氨酸、酪氨酸等氨基酸以及丙酮酸，这些具有生物学合理性：糖蛋白乙酰基是系统性炎症标志物，二十二碳六烯酸（Docosahexaenoic Acid, DHA）与较低BMI相关，脂质大小与浓度和代谢健康有关，指向代谢灵活性、胰岛素敏感性和脂质处理是成功减重的中心机制。肠道微生物分类学和通路评分改善了ΔBMI模型及部分纵向BMI模型，但MICOM推断的微生物代谢通量未改善任一结局，可能受西方饮食假设、微生物高变异性、样本量小、16S rRNA推断功能不精确及两种饮食策略引入异质性所限。重要分类单元如Dorea属与短链脂肪酸（Short-Chain Fatty Acids, SCFAs）产生相关，但升高Dorea与更难减重相关。组合评分中重要特征还包括L-岩藻糖、去磷酸辅酶A（Dephospho-Coenzyme A, Dephospho-CoA）、吲哚-3-乙酸（与BMI降低相关，具抗炎和改善血糖调控作用）。研究发现与既往多组学研究一致，强化了胰岛素抵抗、糖蛋白乙酰基等是减重反应性的真正生物学相关物而非研究特异性发现。研究局限性包括16S rRNA测序分辨率低于宏基因组、MICOM使用预设西方饮食介质、未用其他机器学习方法、可能存在反向因果、BMI作为结局的局限性（不能区分瘦体重与脂肪量、不能区分代谢健康与否的肥胖）、样本量较小（n=150）可能导致统计功效不足和数据泄漏风险。总体而言，基于血液代谢组学和常规临床变量的风险评分一致改善BMI和ΔBMI模型，分类学和微生物通路评分在某些情况下增值，微生物网络代谢物通量估算无增值。该研究通过多组学风险评分合成多种生物变量，增进了行为减重干预期间个体BMI轨迹变异的生物学理解，识别出反映不同反应潜在代谢状态的生物标志物，未来在更大多样队列复制且组学检测可及性提高后，有望为个性化体重管理提供依据。结论翻译：本研究实施了纵向建模程序（特别是MERF和GlmmLasso），利用遗传学、代谢组学、肠道微生物组和临床参数数据创建个体BMI和ΔBMI风险评分。研究人员确定了哪些组学层及其中的特定特征，在行为减重干预过程中改善了BMI结局模型，优于标准基本个体特征（即年龄、性别、饮食组）或临床信息（如胰岛素、胆固醇）。结果发现，代谢组学评分在基础和临床评分之上对BMI和ΔBMI结局均有增量价值，跨两种建模技术一致；临床和代谢组学层与BMI及BMI变化最强烈相关的特征指向代谢灵活性、胰岛素敏感性和脂质处理是行为干预期间成功减重的中心机制。此外，肠道微生物分类学和通路风险评分相比单独临床风险评分改善了ΔBMI模型，肠道微生物基因通路评分也改善了纵向BMI的基础评分，但MICOM评分未改善任一结局或建模类型的准确性。组合组学风险评分最大程度改善了纵向BMI轨迹模型（解释20.5–26.0%边际方差），代谢组学风险评分最大程度改善了BMI变化预测（解释52.9–59.3%边际方差）。这些类型的多组学风险评分有潜力增进对临床反应性的理解或设计更有效和个性化的干预措施。

要不要我帮你把这篇解读里提到的关键专业术语（如MERF、GLMM-Lasso、R²m等）整理成一个带简要解释的词汇表，方便你后续查阅？