https：//doi。org/10。1128/Spectrum。00223-21
在全球範圍內，超重/肥胖患病率呈快速增長趨勢，肥胖及其併發症不僅嚴重影響患者生活質量，也給社會和家庭帶來沉重的經濟負擔。低碳水化合物飲食（low carbohydrate diets，LCD）是減重治療的一種飲食干預模式，然而在不同的研究中，LCD干預的減重效果存在較大差異，目前尚無足夠的證據解釋這種異質性的現象，這也是醫學體重管理領域的一個難點。
近日，南方醫科大學珠江醫院內分泌代謝科
陳宏
教授
、
孫嘉
教授
團隊聯合廣東省微生物研究所腸道微生態與健康團隊PI
謝黎煒研究員
，在
Microbiology Spectrum
期刊上發表了題為
“Gut microbiota serves a predictable outcome of short-term low-carbohydrate diet (LCD) intervention for patients with obesity”的臨床研究報告
，該研究
首次報道了腸道菌群基線特徵是超重肥胖人群短期低碳水化合物飲食（LCD）減重效果的決定因素，該研究透過構建基於腸道菌群基線特徵預測LCD減重效果的人工神經網路（Artificial Neural Networks，ANN）模型，該研究的發現為臨床醫學體重管理和干預提供了全新的策略和和方法。
在全球範圍內，超重/肥胖患病率呈快速增長趨勢，自1980年以來，70多個國家的肥胖患病率翻了一番，受肥胖症或與肥胖相關慢性代謝性疾病影響的人口已超過20億［1］。根據美國國家健康統計中心（National Center for Health Statistics，NCHS）的資料顯示，在2017-2018年，美國的肥胖患病率約為42。4％，其中BMI≥40 kg/m2的重度肥胖患病率達到9。2%［2］。與此同時，《中國居民營養與慢病狀況報告（2020）》［3］指出，中國居民超重肥胖患病/發病率仍呈快速上升趨勢，成年居民超重或肥胖率已超過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險因素［4］，［5］，嚴重危害國人健康［6］，［7］，［8］。此外，青少年肥胖帶來的高血壓、血脂異常、糖代謝紊亂等併發症可超過29種，嚴重影響青少年身體發育和健康。對於肥胖患者而言，CVDs是肥胖相關死亡率和致殘率居高不下的主要原因，由CVDs引起的高BMI相關性致殘率達34％，而高BMI相關性死亡率則高達41％［9］。
逐年上升的發病率、潛在的諸多健康危害及龐大的經濟負擔，使得超重/肥胖問題成為全球公共衛生領域的一項巨大挑戰。近年來，多種形式的減重干預措施逐漸被應用於臨床實踐並寫入指南，其中生活方式干預是肥胖治療的基石，其中首選飲食干預。在眾多的飲食干預模式中，低碳水化合物飲食干預備受關注，其由來已久，但形式不一。近年來，LCD引起了廣泛關注，但也存在一定的爭議。
本研究納入了51名符合超重/肥胖診斷標準的18-65歲男性或女性受試者（臨床試驗前3個月未使用抗生素或藥物），受試者均採用隨機入組原則，分為不限制能量攝入的正常飲食（Normal diet，ND）組和不限制熱量的低碳水化合物飲食組（LCD）。飲食干預時間為12周。為保證LCD飲食結構，LCD組我們採用了標準化營養棒（由廣州南大菲特營養健康諮詢有限公司饋贈）代替每日午餐、晚餐的主食，其餘食物數量不限，忌暴飲暴食。在入組時（即基線）及干預12周後，均採集靜脈血、和糞便樣本，血液樣本用於糖脂代謝、肝腎功能等血液生化指標檢測，糞便樣本用於進行腸道菌群16S rDNA擴增子測序，透過16S rDNA擴增子測序，研究共獲得247萬餘個高質量reads（圖1A）。透過每週3天24小時膳食監測受試者的飲食情況。在整個研究期間，正常飲食組攝入碳水化合物的平均比例約為50%，LCD組的比例約為20%（圖1B-D），雖然不限制熱量攝入，但是低碳組的平均能量攝入均顯著低於正常飲食組，12周的LCD干預顯著改善了受試者的BMI、腰圍、腰圍、體脂率和內臟脂肪面積等體型引數（圖1E）。
圖1 研究概況與體重臨床指標變化情況
除了不同的減肥結果，不同的膳食成分可能會影響腸道菌群的組成和多樣性，但除了總體組成和菌門水平的變化外，以往的研究並沒有得出一個建設性的結論來指導LCD下的減肥臨床試驗，因此，我們對腸道菌群測序資料進行了分析，透過5倍交叉驗證和隨機森林演算法，在兼顧錯誤率和標準差之和最小以保證最高準確性和穩定性的情況下，我們分析了ND和LCD組受試者在試驗前後的16S rDNA序列資料，以識別潛在的菌群生物標誌物。對隨機森林模型在基線及第12週數據篩選出的所有菌屬進一步分析發現Ruminococcaceae Oscillospira和Porphyromonadaceae Parabacteroides在為期12周的LCD干預之後，其相對丰度明顯升高，差異具有統計學意義（p
圖2 短期LCD干預與特定菌群標誌物相關
進一步分析每位受試者的減重情況，根據減重引數BMI、腰圍、WHR、BFR和VFA變化情況的聚類分層，將每組分為兩個亞組：減重效果一般組（moderated weight loss group，MG）和減重效果顯著組（distinct weight loss group，DG）（圖3A）。LCD 干預條件下，兩個亞組的能量攝入和飲食中碳水化合物比例幾乎相同，但顯效亞組受試者減重指標下降更為顯著，提示減重效果的個體化差異可能受其他因素的影響（圖3E-F）。
圖3 兩種飲食方案干預措施在各亞組的減重情況存在個體化差異
上述結果提示LCD干預具有較好的減重效果，但存在個體差異。因此，本研究分進一步析了兩個亞組的腸道菌群資料，進一步探究是否存在菌群相關的潛在因素導致了該飲食模式中兩個亞組的減重差異。在進一步的亞組分析中，我們採用屬級別水平的共發生網路，進一步分析LCD亞組中腸道菌群之間的相互作用發現，在LCD干預12周之後，雖然LCD_DG和LCD_MG兩個亞組的網路互動複雜度均有所下降，但LCD_DG 在基線及第12周均表現出比LCD_MG更密集、更廣泛更豐富的網路互動複雜度。以上結果表明，除了菌群組成和多樣性的差異外，菌群結構和菌群相互聯絡的複雜度之間的差異可能是導致減重效果存在個體化差異的重要原因（圖4C-F）。在低碳亞組中，透過隨機森林模型演算法進行分析發現，Bacteroidaceae Bacteroides的基線相對丰度在低碳飲食的兩個亞組中具有統計學差異（圖4I），根據線性迴歸分析，我們發現擬桿菌屬的基線相對丰度與短期低碳飲食減重效果呈正相關關係（圖4J-N）。基於上述結果，透過低碳亞組擬桿菌屬的基線相對丰度建立了ROC模型，ROC模型反映曲線上每個資料點對同一訊號刺激的感受性，綜合體現變數的敏感性和特異性。在本研究中，ROC模型AUC值達到73。2%，提示擬桿菌屬基線相對丰度對於短期低碳水化合物飲食減重效果具有一定的預測價值（圖4O）。
圖4 腸道菌群是影響LCD減重效果的重要因素
由於人體腸道中的菌群不是一個獨立的個體，細菌之間存在錯綜複雜的聯絡。因此，本研究引入了人工神經網路模型（artificial neural network ：ANN），ANN是一種更強大的深度學習模型，其被訓練並用於模擬生物神經網路進行復雜資料的分析，ANN基於生物學中神經網路基本原理，模仿人體大腦結構和外界刺激響應機制，以網路拓撲知識為理論基礎建立模型，具有聯想記憶、分類與識別、最佳化計算和非線性對映等功能。近年來，越來越多的醫學研究將ANN應用於複雜資料的處理。我們將LCD組減重引數的變化值及其比率分別納入基於該組整體腸道菌群基線相對丰度的ANN模型，獲得了更高的預測模型決定係數（R2），這也提示ANN的預測效果優於線性模型，提示預測效果更好（圖5）。
圖5 用於預測LCD減重效果的ANN模型
總而言之，目前的研究表明，在超重/肥胖人群中，不限制熱量的短期LCD干預具有顯著的減重效果，且無明顯不良影響。短期LCD減重效果存在個體化差異，LCD干預前即基線時Bacteroidaceae Bacteroides的相對丰度與短期LCD干預減重效果呈正相關。最後，本研究構建了基於基線腸道菌群相對丰度的高精度ANN預測模型，透過ANN預測模型發現，腸道菌群基線相對丰度可以作為LCD干預之前評估個體化減重效果的預測因子，對臨床醫學體重管理具有重要指導意義。相關研究成果發表在《Microbiology Spectrum》。
基於本研究成果，在臨床醫學體重管理中，對於腸道中Bacteroidaceae Bacteroides相對丰度低，但希望透過LCD進行減重的超重/肥胖受試者，或許可透過補充相應的益生菌進而增強LCD減重療效，目前本課題組正在與廣東省科學院微生物研究所，謝黎煒研究院團隊開展益生菌和低碳飲食聯合使用的臨床減重研究，進一步探索醫學體重管理的策略和思路，讓我們期待更新的研究成果。
本研究的主要完成人，第一作者張素素是南方醫科大學珠江醫院內分泌代謝科醫師；共同第一作者吳佩麗南方醫科大學南方醫院內分泌代謝科在讀博士；田也是南方醫科大學珠江醫院內分泌代謝科陳宏教授與華南應用微生物國家重點實驗室謝黎煒研究員聯合培養碩士研究生；劉秉東是暨南大學第一附屬醫院精神醫學科潘集陽教授與華南應用微生物國家重點實驗室謝黎煒研究員聯合培養博士研究生。本文的通訊作者為南方醫科大學珠江醫院內分泌代謝科孫嘉教授，共同通訊作者為南方醫科大學珠江醫院內分泌代謝科陳宏教授和廣東省科學院微生物研究所腸道微生態與健康團隊PI謝黎煒研究員。
全文連結：
https://journals.asm.org/doi/10.1128/Spectrum.00223-21
參考文獻
［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。 InAdv 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