文章中心

了解、体验、感悟、分享——汇聚平台使用教程与科研动态。

新闻资讯

肠道菌群与代谢物助力轻度认知障碍诊断与进展预测

Genelibs文献解读 2026-10-08 01:35 109 次阅读

原文：Profiling Gut Microbiome and Metabolites Aids Diagnosis and Prediction of Progression in Mild Cognitive Impairment.
期刊：MedComm（影响因子 14.1） | PubMed | PMC 全文（含 PDF）

在全球老龄化背景下，轻度认知障碍（MCI）已成为神经科学与老年医学领域高度关注的临床前阶段。MCI 指可测量的认知下降超过年龄预期，但尚未影响日常生活、也未达到痴呆标准。据论文正文介绍，全球约 23.7% 的老年人群受 MCI 影响；而 MCI 患者每年有 10%–15% 会转化为阿尔茨海默病（AD），是认知正常老年人年转化率（1%–2%）的 5–7 倍。然而，MCI 的疾病轨迹高度可变：有人多年稳定，有人快速衰退。如何早期识别 MCI，并预测哪些人会快速进展，一直是未被满足的临床需求。

目前 MCI 诊断依赖神经心理测验、临床判断、神经影像和体液生物标志物，但各有局限。认知评估耗时 1–3 小时，且受教育、语言、文化背景影响；结构磁共振在早期敏感性不足；PET 与脑脊液检测成本高、有创；新兴血液 Aβ/tau 标志物只能反映特定病理通路，难以捕捉 MCI 的异质性。因此，临床上迫切需要可及、可扩展、能综合反映疾病风险的新型生物标志物。

近年来，“肠–脑轴”为理解认知障碍提供了新框架。肠道菌群可通过产生短链脂肪酸、神经递质前体、调节血脑屏障完整性、神经炎症和迷走神经信号等方式影响认知。已有研究发现 MCI 患者存在菌群失调，代谢组也显示氨基酸代谢、能量通路和氧化应激异常。但过去研究多存在样本不一致、缺乏多组学整合、横断面设计难以预测未来进展等问题。

在此背景下，一项发表于 MedComm（影响因子 14.1）的研究，通过纵向多组学设计，系统分析了粪便肠道微生物组与代谢组，并结合机器学习，探索其在 MCI 诊断和进展预测中的价值。

核心发现：菌群与代谢物共同区分 MCI 与认知健康者

研究共纳入 35 名老年人，包括 18 例 MCI 患者和 17 名认知健康对照；其中 16 对为共同生活的配偶（spousal pairs），以尽量控制饮食、生活环境等混杂因素。两组在年龄、性别、教育年限、BMI、吸烟饮酒、质子泵抑制剂使用等方面匹配良好，仅 MoCA 评分差异显著（MCI 组 20.3±3.7，对照组 27.4±1.8）。

研究者首先对粪便样本进行 16S rRNA 测序与 LC-MS 代谢组学分析。结果显示，在门水平上共检测到 7 个菌门、138 个菌属。虽然整体 α 多样性和 β 多样性在两组间无显著差异，但在调整家庭聚类效应后，仍发现 4 个菌属存在显著差别：MCI 患者中 Izemoplasmatales spp. 显著升高，而 Ruminococcus spp.、Lachnospira spp. 和 Lachnospiraceae UCG-008 降低。由于后者在 80% 样本中丰度为零，可能带来偏倚，因此被排除出分类模型。

基于剩余三个菌属（Ruminococcus、Izemoplasmatales、Lachnospira），研究构建了机器学习诊断模型。人工神经网络（ANN）表现最好，AUC 达 0.972；五种模型平均 AUC 为 0.900，说明这三个肠道菌属特征能较稳健地区分 MCI 与对照。

**FIGURE 2** FIGURE 2: 区分 MCI 病例与对照的微生物组多样性及功能变化。(A) 从 MCI 病例与认知健康对照收集的粪便样本中细菌群落的差异丰度。分类学差异基于 16S rRNA 序列。圆圈由外至内分别代表门、纲、目、科、属水平。带箭头的圆圈表示组间丰度存在差异的分类单元（红色为增加；蓝色为减少，在 MCI 中）。(B) 散点图显示组间四种差异丰度属的标准化相对丰度（对照，n = 17；MCI，n = 18；MaAsLin2：*p < 0.05）。(C) 内部验证集中微生物特征的 ROC 分析。(D) MCI 与对照相比的预测功能通路，显示 MCI 中富集（红色）或减少（蓝色）的通路。通路显著性（FDR）：***p < 0.001，**p < 0.01，*p < 0.05。PWY-6151：S-腺苷-L-甲硫氨酸循环 I。ANN：人工神经网络；GLM：广义线性模型；NB：朴素贝叶斯；NRA：标准化相对丰度；RF：随机森林；SVM：支持向量机。

功能预测分析进一步显示，MCI 肠道菌群中 L-精氨酸/L-鸟氨酸降解、甲基乙二醛降解超通路（提示氧化应激增加）、免疫原性 LPS 糖组分合成等通路富集；而 S-腺苷-L-甲硫氨酸生物合成通路降低。这些结果提示 MCI 不仅菌群组成改变，其潜在功能也偏向促炎、氧化应激和代谢调节异常。

在代谢组方面，LC-MS 共鉴定 5843 个化合物，其中 119 个被可靠注释。PCA 显示 MCI 与对照代谢轮廓分离。线性混合模型校正后，MCI 患者粪便中脯氨酸（proline）升高，而延胡索酸/富马酸（fumaric acid）降低；在 16 对配偶中，12 对 MCI 方的脯氨酸高于配偶，11 对 MCI 方的富马酸低于配偶。基于这两个代谢物的模型平均 AUC 为 0.861。

**FIGURE 3** FIGURE 3: 区分 MCI 病例与对照的粪便代谢谱变化。(A) MCI 病例与认知健康对照注释粪便代谢组的主成分分析。(B) 火山图展示 MCI 与对照之间代谢组差异分析得出的 log2 倍数变化及相应 p 值。(C 和 D) MCI 与对照组中脯氨酸 (C) 和富马酸 (D) 的相对丰度；左图显示组间比较（以家庭配对为随机效应的线性混合效应模型），右图显示 16 对同居夫妇的配对内变化（配对 Wilcoxon 符号秩检验，*p < 0.05）。(E) 棒棒糖图显示五种分类模型在内部随机验证集上的性能。

更关键的是，研究者将菌群与代谢物整合。SHAP 分析显示五个标志物均贡献于判别：Ruminococcus 贡献最大（30.87%），其后依次为富马酸（24.54%）、脯氨酸（16.48%）、Lachnospira（15.35%）和 Izemoplasmatales（12.76%）。整合模型 AUC 达 0.944，高于单独菌群模型（0.899）或单独代谢模型（0.861），决策曲线也显示联合模型在 0.1–1.0 阈值范围内净获益更高。

**FIGURE 4** FIGURE 4: MCI 病例与对照中微生物属与代谢物之间的共现网络。(A) Spearman 相关网络显示属水平微生物与代谢物之间的共现关系，突出五个诊断标志物（p < 0.05）。节点形状表示特征类型（圆形为微生物；菱形为代谢物），节点颜色表示 log2 倍数变化（蓝至红）。绿色虚线表示负相关，紫色实线表示正相关，范围从 −1 到 1。(B) 散点图显示 MCI（紫色）与对照（橙色）组间相关方向不同的微生物–代谢物对。

**FIGURE 5** FIGURE 5: 微生物组与代谢组在 MCI 诊断中的联合效应。(A) SHAP 汇总图显示五个特征对诊断模型输出的影响。每个点代表一名参与者（橙色为对照：n = 17；紫色为 MCI 病例：n = 18）；x 轴显示每个特征的标准化丰度，y 轴显示 SHAP 值。(B) 每个所选特征对分类模型的贡献。(C) 联合代谢组–微生物组诊断模型（ANN）的性能。(D) 诊断模型的决策曲线分析。完整模型（黄色实线）：联合代谢组与微生物组模型；微生物组（绿色虚线）：仅微生物组模型；代谢组（蓝色虚线）：仅代谢组模型；全部（灰色虚线）：假设所有样本均为 MCI 病例；无（灰色实线）：假设所有样本均为对照。

方法亮点：配偶配对、纵向随访与多组学机器学习

该研究设计上有几个突出亮点。第一，采用“配偶配对”队列：16 对共同生活夫妇中一方患 MCI、另一方认知正常，从而最大程度减少环境、饮食和生活方式混杂。第二，不仅是横断面诊断，还对 17 例 MCI 患者进行了 12 个月认知随访，并按复合认知下降比例分为“快速进展者”（rapid progressors，n=6）和“缓慢进展者”（slow progressors，n=6），从而检验基线菌群和代谢物能否预测未来衰退速度。

第三，研究同时整合了微生物组、代谢组与机器学习，并比较了单组学与多组学模型的性能。诊断部分使用 ANN、GLM、SVM、朴素贝叶斯和随机森林五种算法；进展预测同样采用多模型平均策略，避免单一算法偏倚。

在外部验证方面，研究者使用一个独立队列（30 例 MCI、30 例对照）检验微生物标志物。虽然 Izemoplasmatales 在该队列中缺失，但仅用 Ruminococcus 和 Lachnospira 两个菌属仍取得 AUC 0.825，说明粪便菌群特征具有一定跨队列判别能力。

核心发现：基线特征预测 MCI 快速进展

在进展预测方面，快速进展组相比缓慢进展组，肠道菌群 α 多样性（inverse Simpson 指数）显著降低。菌属水平上，Bacteroides 在快速组平均丰度达 17.04%，几乎是缓慢组（约 8.7% 水平）的两倍；Bifidobacterium 降低，Streptococcus 升高。差异分析确认：Bilophila spp. 在快速进展组中显著富集，而 Coprococcus spp. 显著减少。

**FIGURE 6** FIGURE 6: 快速进展与缓慢进展 MCI 病例中的微生物组组成。(A) α 多样性（Shannon 和逆 Simpson 指数；缓慢，n = 6；快速，n = 6）。(B) β 多样性（Bray–Curtis 距离）。(C) 属水平细菌分类单元的相对比例。(D) 快速与缓慢进展者之间细菌分类单元的差异丰度。最外层显示每个分类单元的 log2 倍数变化；相对于缓慢组，红色表示快速组中丰度增加，蓝色表示减少。内部连接线按分类学水平进行颜色编码。(E) 使用属水平微生物特征预测进展的分类器性能。

基于 Bilophila 和 Coprococcus 两个菌属的机器学习模型，预测 MCI 快速进展的平均 AUC 为 0.867，准确率、敏感性和特异性均约 0.800。研究者还在另一个横断面队列中用该特征区分已确诊 AD（n=58）与 MCI（n=14），AUC 为 0.72，提示该菌群特征可能与疾病向更严重阶段推进有关，但仍需纵向研究确认。

代谢组方面，快速进展者粪便中精氨酸（arginine）、天冬氨酸（aspartic acid）和次黄嘌呤（hypoxanthine）水平更高。这些代谢物与前文功能预测中“精氨酸/鸟氨酸降解通路富集”相呼应，提示氨基酸代谢和嘌呤代谢异常可能参与认知衰退加速过程。

**FIGURE 7** FIGURE 7: 快速进展与缓慢进展 MCI 病例中的粪便代谢物谱。(A) 快速与缓慢进展组中精氨酸、天冬氨酸和次黄嘌呤的相对丰度。(B) 认知下降速率与三种代谢物之间的相关性（分析限于快速与缓慢进展者，n = 12；探索性）。(C) 基于精氨酸、天冬氨酸和次黄嘌呤的 PCA 显示进展组之间的分离。(D) 五种算法预测进展的 ROC 曲线；右侧列出来自重复随机训练–验证划分的 AUC 值。

**FIGURE 8** FIGURE 8: 快速进展与缓慢进展 MCI 病例中的共现网络与特征贡献。(A) Spearman 相关网络显示属水平微生物与代谢物之间的共现关系，特别强调五个不同指标（p 值 < 0.05）。节点形状表示特征类型（圆形为微生物，菱形为代谢物），颜色表示 log2 倍数变化，由蓝渐变为红。虚线（绿色）表示负相关，实线（紫色）表示正相关，颜色范围从 −1 到 1。(B) 蜂群图（左）显示特征与 SHAP 值之间的关联，每个点代表一名参与者（n = 12）；点颜色表示标准化特征丰度（绿至红）。条形图（右）显示每个特征对模型预测的贡献。(C) 预后模型的决策曲线分析。完整模型（黄色实线）：联合代谢组与微生物组预后模型；微生物组（绿色虚线）：仅微生物组预后模型；代谢组（蓝色虚线）：仅代谢组预后模型；全部（灰色虚线）：假设所有样本均为快速进展者；无（灰色实线）：假设所有样本均为缓慢进展者。

应用意义：迈向无创、可及的早期筛查工具

这项研究的意义在于，它不只是再次确认“MCI 患者肠道菌群不同”，而是向前推进了一步：证明粪便中的菌群+代谢物组合，既能较准确区分 MCI 与认知健康者，也能在基线时预测未来一年认知下降的速度。

对科研而言，该研究提供了多组学整合分析的范式：通过配偶配对控制环境混杂、通过纵向随访定义进展表型、通过机器学习比较单组学与多组学模型，并利用 SHAP 解释各标志物贡献。对临床而言，粪便样本获取无创、成本远低于 PET 或脑脊液检测；若未来在更大规模、多种族队列中验证，这类“粪便多组学标志物”有望成为 MCI 早期筛查和风险分层的一线工具。

当然，作者也指出研究样本量仍较小（诊断 35 人、进展分析仅 12 人完成分组），且外部队列中部分菌属缺失。因此，目前结果应被视为“候选生物标志物”的发现，而非可直接临床应用的检测盒。后续需要更大样本、多中心、长期随访研究来验证其敏感性和特异性。

总体而言，这项发表于 MedComm 的工作表明：肠道里的微生物和它们产生的代谢小分子，可能携带着大脑认知衰退的早期信号。把菌群和代谢物“放在一起看”，比只看单一维度更能揭示 MCI 的风险与未来走向，为阿尔茨海默病等神经退行性疾病的早期干预打开了新的窗口。

本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。

返回文章列表