陈宏/孙嘉/谢黎炜合作发现：肠道菌群基线特征是低碳水饮食减重效果的决定因素

在全球范围内，超重/肥胖患病率呈快速增长趋势，肥胖及其并发症不仅严重影响患者生活质量，也给社会和家庭带来沉重的经济负担。低碳水化合物饮食（low carbohydrate diets，LCD）是减重治疗的一种饮食干预模式，然而在不同的研究中，LCD干预的减重效果存在较大差异，目前尚无足够的证据解释这种异质性的现象，这也是医学体重管理领域的一个难点。

9月15日，南方医科大学珠江医院内分泌代谢科陈宏教授、孙嘉教授团队联合广东省微生物研究所肠道微生态与健康团队PI谢黎炜研究员，在Microbiology Spectrum期刊上发表了题为“Gut microbiota serves a predictable outcome of short-term low-carbohydrate diet (LCD) intervention for patients with obesity”的临床研究报告，研究首次报道了肠道菌群基线特征是超重肥胖人群短期低碳水化合物饮食（LCD）减重效果的决定因素，该研究通过构建基于肠道菌群基线特征预测LCD减重效果的人工神经网络（Artificial Neural Networks，ANN）模型，该研究的发现为临床医学体重管理和干预提供了全新的策略和和方法。

在全球范围内，超重/肥胖患病率呈快速增长趋势，自1980年以来，70多个国家的肥胖患病率翻了一番，受肥胖症或与肥胖相关慢性代谢性疾病影响的人口已超过20亿^[1]。根据美国国家健康统计中心（National Center for Health Statistics，NCHS）的数据显示，在2017-2018年，美国的肥胖患病率约为42.4％，其中BMI≥40 kg/m2的重度肥胖患病率达到9.2%^[2]。与此同时，《中国居民营养与慢病状况报告（2020）》^[3]指出，中国居民超重肥胖患病/发病率仍呈快速上升趋势，成年居民超重或肥胖率已超过50%。超重/肥胖是心血管疾病、2型糖尿病、癌症等一系列慢性疾病的危险因素^[4,5]，严重危害国人健康^[6-8]。此外，青少年肥胖带来的高血压、血脂异常、糖代谢紊乱等并发症可超过29种，严重影响青少年身体发育和健康。对于肥胖患者而言，心血管疾病（CVDs）是肥胖相关死亡率和致残率居高不下的主要原因，由CVDs引起的高BMI相关性致残率达34％，而高BMI相关性死亡率则高达41％^[9]。

逐年上升的发病率、潜在的诸多健康危害及庞大的经济负担，使得超重/肥胖问题成为全球公共卫生领域的一项巨大挑战。近年来，多种形式的减重干预措施逐渐被应用于临床实践并写入指南，其中生活方式干预是肥胖治疗的基石，其中首选饮食干预。在众多的饮食干预模式中，低碳水化合物饮食干预备受关注，其由来已久，但形式不一。近年来，LCD引起了广泛关注，但也存在一定的争议。

本研究纳入了51名符合超重/肥胖诊断标准的18-65岁男性或女性受试者（临床试验前3个月未使用抗生素或药物），受试者均采用随机入组原则，分为不限制能量摄入的正常饮食（Normal diet，ND）组和不限制热量的低碳水化合物饮食组（LCD）。饮食干预时间为12周。为保证LCD饮食结构，LCD组我们采用了标准化营养棒（由广州南大菲特营养健康咨询有限公司馈赠）代替每日午餐、晚餐的主食，其余食物数量不限，忌暴饮暴食。在入组时（即基线）及干预12周后，均采集静脉血、和粪便样本，血液样本用于糖脂代谢、肝肾功能等血液生化指标检测，粪便样本用于进行肠道菌群16S rDNA扩增子测序，通过16S rDNA扩增子测序，研究共获得247万余个高质量reads（图1A）。通过每周3天24小时膳食监测受试者的饮食情况。在整个研究期间，正常饮食组摄入碳水化合物的平均比例约为50%，LCD组的比例约为20%（图1B-D），虽然不限制热量摄入，但是低碳组的平均能量摄入均显著低于正常饮食组，12周的LCD干预显著改善了受试者的BMI、腰围、腰围、体脂率和内脏脂肪面积等体型参数（图1E）。

图1 研究概况与体重临床指标变化情况

除了不同的减肥结果，不同的膳食成分可能会影响肠道菌群的组成和多样性，但除了总体组成和菌门水平的变化外，以往的研究并没有得出一个建设性的结论来指导LCD下的减肥临床试验，因此，我们对肠道菌群测序数据进行了分析，通过5倍交叉验证和随机森林算法，在兼顾错误率和标准差之和最小以保证最高准确性和稳定性的情况下，我们分析了ND和LCD组受试者在试验前后的16S rDNA序列数据，以识别潜在的菌群生物标志物。对随机森林模型在基线及第12周数据筛选出的所有菌属进一步分析发现Ruminococcaceae Oscillospira和Porphyromonadaceae Parabacteroides 在为期12周的LCD干预之后，其相对丰度明显升高，差异具有统计学意义（p<0.05）（图2）。根据已有的研究报道，这两种菌属参与肠道中丁酸盐的产生，提示LCD干预减重的过程中可能存在影响体重变化的其他因素。

图2 短期LCD干预与特定菌群标志物相关

进一步分析每位受试者的减重情况，根据减重参数BMI、腰围、WHR、BFR和VFA变化情况的聚类分层，将每组分为两个亚组：减重效果一般组（moderated weight loss group，MG）和减重效果显著组（distinct weight loss group，DG）（图3A）。LCD 干预条件下，两个亚组的能量摄入和饮食中碳水化合物比例几乎相同，但显效亚组受试者减重指标下降更为显著，提示减重效果的个体化差异可能受其他因素的影响（图3E-F）。

图3 两种饮食方案干预措施在各亚组的减重情况存在个体化差异

上述结果提示LCD干预具有较好的减重效果，但存在个体差异。因此，本研究分进一步析了两个亚组的肠道菌群数据，进一步探究是否存在菌群相关的潜在因素导致了该饮食模式中两个亚组的减重差异。在进一步的亚组分析中，我们采用属级别水平的共发生网络，进一步分析LCD亚组中肠道菌群之间的相互作用发现，在LCD干预12周之后，虽然LCD_DG和LCD_MG两个亚组的网络交互复杂度均有所下降，但LCD_DG 在基线及第12周均表现出比LCD_MG更密集、更广泛更丰富的网络交互复杂度。以上结果表明，除了菌群组成和多样性的差异外，菌群结构和菌群相互联系的复杂度之间的差异可能是导致减重效果存在个体化差异的重要原因（图4C-F）。在低碳亚组中，通过随机森林模型算法进行分析发现，Bacteroidaceae Bacteroides的基线相对丰度在低碳饮食的两个亚组中具有统计学差异（图4I），根据线性回归分析，我们发现拟杆菌属的基线相对丰度与短期低碳饮食减重效果呈正相关关系（图4J-N）。基于上述结果，通过低碳亚组拟杆菌属的基线相对丰度建立了ROC模型，ROC模型反映曲线上每个数据点对同一信号刺激的感受性，综合体现变量的敏感性和特异性。在本研究中，ROC模型AUC值达到73.2%，提示拟杆菌属基线相对丰度对于短期低碳水化合物饮食减重效果具有一定的预测价值（图4O）。

图4 肠道菌群是影响LCD减重效果的重要因素

由于人体肠道中的菌群不是一个独立的个体，细菌之间存在错综复杂的联系。因此，本研究引入了人工神经网络模型（artificial neural network ：ANN），ANN是一种更强大的深度学习模型，其被训练并用于模拟生物神经网络进行复杂数据的分析，ANN基于生物学中神经网络基本原理，模仿人体大脑结构和外界刺激响应机制，以网络拓扑知识为理论基础建立模型，具有联想记忆、分类与识别、优化计算和非线性映射等功能。近年来，越来越多的医学研究将ANN应用于复杂数据的处理。我们将LCD组减重参数的变化值及其比率分别纳入基于该组整体肠道菌群基线相对丰度的ANN模型，获得了更高的预测模型决定系数（R2），这也提示ANN的预测效果优于线性模型，提示预测效果更好（图5）。

图5 用于预测LCD减重效果的ANN模型

总而言之，目前的研究表明，在超重/肥胖人群中，不限制热量的短期LCD干预具有显著的减重效果，且无明显不良影响。短期LCD减重效果存在个体化差异，LCD干预前即基线时Bacteroidaceae Bacteroides的相对丰度与短期LCD干预减重效果呈正相关。最后，本研究构建了基于基线肠道菌群相对丰度的高精度ANN预测模型，通过ANN预测模型发现，肠道菌群基线相对丰度可以作为LCD干预之前评估个体化减重效果的预测因子，对临床医学体重管理具有重要指导意义。

基于本研究成果，在临床医学体重管理中，对于肠道中Bacteroidaceae Bacteroides相对丰度低，但希望通过LCD进行减重的超重/肥胖受试者，或许可通过补充相应的益生菌进而增强LCD减重疗效，目前本课题组正在与广东省科学院微生物研究所，谢黎炜研究院团队开展益生菌和低碳饮食联合使用的临床减重研究，进一步探索医学体重管理的策略和思路，让我们期待更新的研究成果。

本研究的主要完成人，第一作者张素素是南方医科大学珠江医院内分泌代谢科医师；共同第一作者吴佩丽为南方医科大学南方医院内分泌代谢科在读博士；田也是南方医科大学珠江医院内分泌代谢科陈宏教授与华南应用微生物国家重点实验室谢黎炜研究员联合培养硕士研究生；刘秉东是暨南大学第一附属医院精神医学科潘集阳教授与华南应用微生物国家重点实验室谢黎炜研究员联合培养博士研究生。本文的通讯作者为南方医科大学珠江医院内分泌代谢科孙嘉教授，共同通讯作者为南方医科大学珠江医院内分泌代谢科陈宏教授和广东省科学院微生物研究所肠道微生态与健康团队PI谢黎炜研究员。

参考文献：

[1] Caballero B Humans against obesity: who will win? Advances in Nutrition, 2019, 10, S4–S9

[2] Hales CM , Carroll MD , Fryar CD , et al. Prevalence of obesity and severe obesity among adults: united states, 2017–2018. NCHS Data Brief, 2020, 1–7

[3] http://www.gov.cn/xinwen/2020-12/24/content_5572983.htm.

[4] Tremmel M , Gerdtham UG , Nilsson PM , et al. Economic burden of obesity: a systematic literature review. International Journal of Environmental Research and Public Health, 2017, 14, 1–18

[5] Li, R.; Li, Y.; Li, C.; Zheng, D.; and Chen, P. Gut Microbiota and Endocrine Disorder. In Adv Exp Med Biol; Springer-Verlag Singapore Pte Ltd: Singapore, 2020; Vol. 1238, , pp. 143–164.

[6] Steinbeck KS , Lister NB , Gow ML , et al. Treatment of adolescent obesity. Nature Reviews Endocrinology, 2018, 14, 331–344

[7] Berger NA Young adult cancer: influence of the obesity pandemic. Obesity, 2018, 26, 641–650

[8] Cardel MI , Atkinson MA , Taveras EM , et al. Obesity treatment among adolescents: a review of current evidence and future directions. JAMA Pediatrics, 2020, 174, 609–617

[9] The GBD 2015 Obesity Collaborators Health effects of overweight and obesity in 195 countries over 25 years. New England Journal of Medicine, 2017, 377, 13–27