中印度城市人群空气污染、肠道微生物组组成与代谢标志物的生态关联研究

《Frontiers in Public Health》：Ecological associations between ambient air pollution, gut microbiome composition, and metabolic markers in urban populations of central India

　　

目的：探讨印度博帕尔城市人群中环境空气污染物、2型糖尿病（T2D）相关临床标志物与肠道微生物组组成之间的生态学关联及空间共变。

方法：开展了一项横断面生态学研究，纳入来自博帕尔三个城市地点的95名参与者。环境空气质量数据（包括PM_2.5、PM₁₀、NO_x和SO₂）获取自当地监测站。暴露评估基于参与者居住地点的地点水平环境监测数据，而非个体水平的个人暴露测量。研究人员进行了临床评估以测量T2D相关代谢参数，并使用全长16S rRNA测序分析粪便样本以描绘肠道微生物组组成。研究人员采用探索性相关和组成分析评估污染物水平、代谢标志物与微生物类群之间的关联。

结果：观察到空气污染物浓度和代谢参数均存在变异性。NO_x水平与血糖指标呈正相关，而颗粒物污染物（PM_2.5和PM₁₀）与代谢标志物的关联不一致且无方向性。肠道微生物组分析显示微生物群落结构大致相似，但不同地点之间在多样性和组成上存在细微差异。尽管在选定的微生物类群中观察到变异，但大多数属水平差异在多检验校正后不再具有统计学显著性。

结论：空气污染和肠道微生物组组成似乎在代谢健康中起描述性作用。研究结果描述了研究人群中环境空气污染指标、代谢参数和肠道微生物组组成之间的生态学水平共变。由于研究设计为横断面，且暴露评估依赖于地点水平监测数据，结果应解释为描述性和假设生成性，而非因果性。需要进一步开展纳入个体水平暴露评估和功能性微生物组分析的纵向研究，以更好地评估这些关联。

研究背景与问题：随着社会经济发展、城市化和人口结构变化，全球疾病谱发生显著转变，空气污染已成为全球领先的环境健康风险。暴露于环境污染物（尤其是细和超细颗粒物）与心血管、呼吸和代谢疾病（包括2型糖尿病（T2D））风险升高相关。印度既面临高环境污染物水平，又面临快速上升的糖尿病患病率（T2D患病率11.4%，糖尿病前期15.3%），是一个尤为脆弱的地区。2019年印度空气污染估计导致167万人死亡。主要城市PM_2.5年平均浓度从1998年的27 μg/m3上升至2022年的44 μg/m3。流行病学证据将PM_2.5暴露与空腹血糖、HbA1c和T2D发病率升高联系起来，PM₁₀则与HbA1c、胰岛素抵抗和餐后血糖水平相关。生物学机制包括全身性炎症、氧化应激、内皮功能障碍、表观遗传修饰和葡萄糖代谢紊乱。新近证据提示肠道微生物组可能作为中介因素，因其在宿主代谢、免疫调节和短链脂肪酸（SCFA）产生中发挥核心作用。动物实验表明颗粒物摄入或吸入会改变肠道菌群组成，包括Bacteroidetes、Firmicutes和Verrucomicrobia的变化，并伴随SCFA产生改变和葡萄糖耐量受损；人类研究显示T2D患者产丁酸菌如Faecalibacterium prausnitzii和Roseburia spp.丰度降低。然而，大多数研究忽视了糖尿病前期阶段，依赖自我报告数据，尤其在印度低资源城市人群中数据缺乏。因此，本研究旨在调查慢性环境空气污染暴露与T2D的生态学关联，并探讨肠道微生物组组成和多样性是否与环境污染指标及代谢谱共变。

研究内容与主要结论：研究人员在博帕尔三个城市地点开展了一项横断面生态学研究，纳入95名参与者。通过临床评估测量T2D相关代谢参数，利用全长16S rRNA测序分析粪便样本的菌群组成。研究发现，NO_x水平与血糖指标呈正相关，颗粒物（PM_2.5、PM₁₀）与代谢标志物的关联不一致；菌群组成在不同地点间总体相似，但多样性和组成存在细微差异；多数属级差异在多重检验校正后不再显著。研究描述了空气污染、代谢参数和菌群组成在生态学层面的共变模式，但结果应视为描述性和假设生成性，而非因果关系。

关键技术方法：本研究为横断面生态学设计，样本来自印度博帕尔三个地点（Bairagarh、Hoshangabad Road、Mrignayani）的95名成年人，按HbA1c水平分为糖尿病、糖尿病前期和健康对照。空气污染物数据来源于中央污染控制委员会（CPCB）监测站，取五年均值为地点水平暴露代理。临床检测包括血清肌酐、甘油三酯、总胆固醇、空腹胰岛素、HbA1c和空腹血糖，并计算BMI、HOMA-IR、QUICKI等指标。粪便DNA提取后，在PacBio Sequel II平台进行全长16S rRNA基因（V1-V9）测序，使用QIIME2、DADA2和SILVA 138数据库进行序列处理和分类。统计方法包括Kruskal-Wallis检验、Spearman相关、α/β多样性分析、PERMANOVA和PCA等。

研究结果：
3.1 空气质量评估显示各地点日污染物浓度存在显著差异。PM₁₀浓度最高，PM_2.5次之，NO_x和SO₂较低且稳定。Mri地点PM₁₀、PM_2.5和SO₂显著高于其他地点，Hos地点表现出独特的NO_x特征，但Mri仍是总体污染最严重的位点。季风降雨导致年中浓度下降。
3.2 临床比较及其与污染物和疾病患病率的关联。Kruskal-Wallis检验显示TyG指数、胆固醇、脉压（PP）、收缩压（SBP）、甘油三酯（Tg）、血清肌酐、平均动脉压（MAP）和中心收缩压（cSBP）在三地间存在显著差异。Hos的TyG指数较高，Bai胆固醇最高，Mri最低；Bai的SBP和MAP最高。Spearman相关分析显示，糖尿病前期（PD）患病率和HOMA-B与PM₁₀、PM_2.5、SO₂平均浓度呈正相关，而T2D患病率与这些污染物呈负相关；HbA1c与平均NO_x浓度正相关。这些为生态学共变模式。
3.3 肠道微生物组组成存在地点间细微差异。所有地点菌群以Firmicutes为主，约占相对丰度一半，Actinobacteria和Bacteroidetes次之。属水平上Bifidobacterium、Lactobacillus和Prevotella_9占优势。Mri组Bifidobacterium、Faecalibacterium和Agathobacter丰度较高，Hos和Bai组Prevotella_9和Blautia较高。共检测到215个属，其中89属（41%）为三地共享；Bai组独有属最多（47属，22%），Mri组仅5属（2%）。
3.4 Alpha和Beta多样性分析。Alpha多样性指标（Chao1、Observed、Shannon、Simpson、Rényi、Heip）在Mri组最高，Hos组最低，但差异均无统计学意义（Kruskal-Wallis检验p>0.33）。Beta多样性方面，Bray-Curtis距离的PERMANOVA显示组间无