客戶合作發(fā)文解析：Q300全定量技術在多領域研究中的應用

西湖大學鄭鉅圣教授團隊與麥特繪譜已合作發(fā)表10篇論文，在心血管、慢性失眠、T2DM、肝病等疾病方向發(fā)表的代謝組學研究成果如下：

1.較高水平的水果攝入與較低的T2DM風險相關，且由腸道菌群介導（BMC Medicine，IF=9.3，2020，麥特繪譜提供Q300全定量檢測服務；點此查閱詳細解讀）；

2.基于機器學習模型LightGBM構建預測模型，發(fā)現(xiàn)特征菌群能更好地預測T2D的發(fā)病風險，并在內部獨立測試集及外部獨立隊列中都得到有效驗證。（Diabetes Care，IF=16.2，2020，麥特繪譜提供Q300全定量檢測服務；點此查閱詳細解讀）；

3.通過糞便代謝組學分析表明，潛在的氨基酸相關途徑可將腸道微生物群與宿主代謝和炎癥聯(lián)系起來。（Journal of Genetics and Genomics，IF=5.9，2021，麥特繪譜提供Q300全定量檢測服務）；

4. 總乳制品攝入量和酸奶攝入量均與腸道微生物多樣性和特定屬的豐富度呈正相關。代謝組學分析表明這些乳制品調節(jié)的腸道微生物特征與心臟代謝特征（例如血液甘油三酯和HDL膽固醇）正相關。乳制品攝入與心臟代謝風險因素之間存在有益的聯(lián)系。（EBioMedicine，IF=11.1，2021，麥特繪譜提供Q300全定量檢測服務）；

5.首次全面地分析了腸道抗生素抗性組與2型糖尿病的關系，并評估了相關抗性基因與糖尿病的因果關聯(lián)。（Advanced Science，IF=15.1，2022，麥特繪譜提供Q300全定量檢測服務；點此查閱詳細解讀）；

6. 利用高維度的多組學數(shù)據(jù)，分析了腸道真菌與細菌分類，功能及糞便代謝物的生態(tài)網絡，并根據(jù)先驗知識，推斷出了潛在的作用通路，首次分析了中老年人群的真菌組差異及其與衰老的關聯(lián)。（Gut，2022，IF=24.5，麥特繪譜提供Q300全定量檢測服務；點此查閱詳細解讀）；

7. 首次揭示腸道微生物-膽汁酸軸可能介導了慢性失眠對心血管代謝病的不良影響，鑒定出介導慢性失眠與心血管代謝病正向關聯(lián)的主要菌屬和膽汁酸，并發(fā)現(xiàn)長期飲茶習慣有助于緩解慢性失眠帶來的腸道菌群和膽汁酸代謝失衡。（Nature Communications，IF=17.694，2022，麥特繪譜提供膽汁酸定量檢測服務；點此查閱詳細解讀）；

8. 通過宏基因組測序、代謝組學研究方法對糞便、血液中的代謝物研究，探究了腸道微生物群與心臟代謝性疾病之間的關聯(lián)。（Nature Communications，IF=17.694，2023，麥特繪譜提供Q300全定量檢測服務；點此查閱詳細解讀）。

9.通過機器學習模型分析了廣州中老年社區(qū)居民NAFLD與腸道菌群及其代謝物的關系，揭示了腸道菌群組成變化與NAFLD發(fā)展的生物學相關性。（BMC Medicine，IF=7，2024，麥特繪譜提供Q300全定量檢測服務）。

10. 利用代謝組學、蛋白質組學、宏基因組測序等多組學數(shù)據(jù)深入研究短期PM2.5暴露對人體健康的影響，揭示PM2.5暴露與T2D之間復雜的相互作用機制。（Journal of Hazardous Materials，IF=12.2，2024，麥特繪譜提供Q300全定量檢測服務）。

非酒精性脂肪肝�。∟AFLD）是最常見的慢性肝病，影響著全球25%的成年人。腸道微生物群被認為是導致NAFLD的環(huán)境因素之一，但是以往的研究沒有考慮微生物群之間的相互作用和實驗室參數(shù)之間的相互作用。因此，發(fā)展基于細菌豐度的可解釋機器學習（ML）算法被認為是識別腸道微生物組特征的有用工具，并進一步對ML算法進行系統(tǒng)比較，以探索NAFLD發(fā)展與腸道微生物群特征之間的關聯(lián)。

為此，暨南大學曾芳芳、中山大學陳裕明、西湖大學鄭鉅圣團隊在BMC Medicine雜志上發(fā)表了題為“Gut microbiome features and metabolites in non-alcoholic fatty liver disease among community-dwelling middle-aged and older adults”的文章，該團隊通過機器學習模型分析了廣州中老年社區(qū)居民NAFLD與腸道菌群及其代謝物的關系，揭示了腸道菌群組成變化與NAFLD發(fā)展的生物學相關性。（麥特繪譜提供Q300全定量檢測服務）

本文技術路線圖

1. 研究設計

發(fā)現(xiàn)隊列：1546人，平均年齡為64.9±5.9歲，女性占68.4%，NAFLD患病率為56.1%。

內部驗證隊列：377人，平均年齡65.0歲，NAFLD患病率為33.4%。

前瞻性驗證隊列：747人，平均年齡64.6歲，NAFLD患病率為35.5%。

圖1. 研究設計

2. 模型性能

ROC曲線表明，在發(fā)現(xiàn)隊列中，LightGBM模型具有最佳性能，AUC值為0.829。其次是支持向量機（AUC = 0.719）、邏輯回歸（AUC = 0.694）和隨機森林（AUC = 0.654）模型。進一步研究發(fā)現(xiàn)較高的BMI、TG水平、腰圍、葡萄糖、魚類攝入量和四種微生物群（p_fusobacteria、f_veillonellaceae、g_clostridiaceaeother和f_rikenellaceae）的豐度增加會增加NAFLD的風險；而女性、較高的蔬菜攝入量以及f_barnesiellaceae，g_klebsiella，s_acidifaciens，o_turicibacterales，s_adolescentis，s_bifidobacteriumother和g_anaerostipes的豐度增加會降低NAFLD的風險。

圖2. 基于機器學習模型輸出

3. 微生物組風險評分（MRS）的計算及其與NAFLD的關系

根據(jù)12個選定的微生物特征，計算MRS來評估NAFLD發(fā)展的個體微生物組風險。分析發(fā)現(xiàn)，男性與MRS之間存在顯著的負相關，BMI和腰圍與MRS均呈正相關。

表1. 微生物組風險評分(MRS)構建中包含的成分列表

4. 腸道菌群特征與NAFLD的關系

在 12 個已確定的微生物特征與NAFLD之間的關系方面，發(fā)現(xiàn)f_veillonellaceae豐度升高與NAFLD風險增加相關。f_rikenellaceae,  f_barnesiellaceae,  s_adolescentis的豐度降低與NAFLD風險減少相關。

圖3. 通過機器學習選擇的微生物組與不同隊列中NAFLD風險的關聯(lián)

5.差異代謝物的鑒定

對發(fā)現(xiàn)隊列中兩組（MRS > 5 vs. MRS≤5）糞便代謝物分析發(fā)現(xiàn)，差異代謝物（吡啶酸）顯著下調，甘膽酸、麥芽糖以及�；悄懰犸@著上調。進一步研究發(fā)現(xiàn)，NAFLD患者與非NAFLD患者之間，�；悄懰�顯著變化。

6. �；悄懰崤c選定的腸道菌群特征顯著相關

通過分析牛磺膽酸與12種選定腸道菌群的關聯(lián)關系，發(fā)現(xiàn)12種腸道菌群成分中有7種與牛磺膽酸顯著相關，其中p_fusobacteria和g_clostridiaceaeother與�；悄懰犸@著正相關，而o_actinomycetales、o_turicibacterales、f_barnesiellaceae、f_rikenellaceae和s_adolescentis與�；悄懰岢守撓嚓P。

7. 小鼠實驗驗證

利用NAFLD的FMT（糞菌移植）小鼠模型發(fā)現(xiàn)，移植高MRS+NAFLD組和高MRS+非NAFLD組的體重增加趨勢比低MRS和對照組（僅HFD）組更為明顯。與低MRS組相比，高MRS+NAFLD組和高MRS+非NAFLD組的體重、肝臟重量、Lee’s肥胖指數(shù)、NAS評分和肝臟TG含量均增加。HE染色結果顯示，與對照組相比，高MRS+NAFLD組和高MRS+非NAFLD組的糞便樣本細胞中的脂滴更多，肝臟脂肪變性程度更大。

小結

本研究使用lightGBM-SHAP算法識別腸道微生物群特征，發(fā)現(xiàn)特定腸道微生物群（p_fusobacteria和f_veillonellaceae）與NAFLD呈正相關，但f_rikenellaceae，f_barnesiellaceae和s_adolescentis與NAFLD呈負相關。觀測和實驗數(shù)據(jù)都支持代謝組學在NAFLD進展中的作用。下一步可針對腸道代謝物（如�；悄懰幔┡cNAFLD的生物學相關性和機制進行進一步的研究。

參考文獻

Zeng F, Su X, Liang X. et al. Gut microbiome features and metabolites in non-alcoholic fatty liver disease among community-dwelling middle-aged and older adults. BMC Medicine. 2024.

請掃描二維碼閱讀原文

繪譜幫你測

針對本研究提到的�；悄懰�、甘膽酸等物質來源于自研Q300全定量代謝組學技術，麥特繪譜專注于代謝組學與轉化醫(yī)學疾病研究領域，擁有成熟的代謝組學檢測平臺，以全定量靶向代謝組學技術為核心，包括Q1000，Q500、Q300、Q200和膽汁酸、短鏈脂肪酸等各類小分子代謝物檢測方法共40+系列。已為數(shù)百家三甲醫(yī)院、科研院所和企業(yè)提供多組學解決方案，協(xié)助客戶與合作伙伴發(fā)表SCI文章400+篇，累計影響因子4000+，平均IF＞10，包括Cell, Nature, Science, Cell Metabolism, Immunity, Gut, Hepatology, Microbiome等頂級期刊。優(yōu)選的檢測技術、全面的數(shù)據(jù)報告及專業(yè)的售后探討，助您科研探索之路不斷創(chuàng)新和突破。歡迎聯(lián)系獲取詳細資料！

END