Sci Transl Med（IF=19.319）：用肠道微生物组和代谢物标志物评估NAFLD发展的风险

毕业季找工作点击链接，多家企业30W+年薪工作招聘任你选（赶紧点击进入注册，上传简历吧~ ）

编译：微科盟胜寒，编辑：微科盟Tracy、江舜尧。

微科盟原创微文，欢迎转发转载。

导读

越来越多的证据表明肠道菌群与非酒精性脂肪肝(NAFLD)发病机制之间存在相互作用。然而，肠道菌群在NAFLD早期检测中的作用尚不清楚。前瞻性研究可以用于识别早期 NAFLD 的微生物组标志物。本文评估了以社区为基础的队列中的2487名个体，在初步临床检查和生物标本取样后随访4.6年。我们对90名进展到NAFLD的参与者和90名随访时未发生NAFLD的对照组进行了宏基因组和代谢组学特征分析。病例和对照组在性别、年龄、基线和随访时的体重指数(BMI)以及4年BMI变化方面匹配。本文根据随访时参与者的NAFLD状态和肝脏脂肪积累对参与者（auROCs 为0.72至0.80）进行分类。在来自亚洲、欧洲和美国的四个外部NAFLD病例对照队列中，研究通过活检或磁共振波谱检测其诊断能力，证实了微生物组与NAFLD的生物学相关性。总之，该发现提出了利用肠道菌群对NAFLD发展进行早期临床预警的可能性。

论文ID

原名：Risk assessment with gut microbiome and metabolite markers in NAFLD development Risk assessment with gut microbiome and metabolite markers in NAFLD development

译名：用肠道微生物组和代谢物标志物评估NAFLD发展的风险

期刊：Science Translational Medicine

IF：19.319

发表时间：2022.06

通讯作者：GIANNI PANAGIOTOU

通讯作者单位：德国莱布尼茨天然产物研究和感染生物学研究所&香港大学

实验设计

实验结果

1. 研究队列的特征

为了建立一个基于微生物群的NAFLD长期预后模型，我们在基于社区的中国成人前瞻性队列研究中设计了一个嵌套病例对照研究。2014年研究者应用超声筛查NAFLD，其中约2500名个体用于后续的诊断试验。根据亚太肝脏研究协会提出的标准，1216名参与者被确定为无NAFLD，研究于基线时采集参与者的粪便和血清样本。在2018 年的随访中，经过严格的排除程序，90名参与者（38名男性和52名女性）被确定为NAFLD（NAFLD-/+）（图1）。 NAFLD-/+ 组的参与者与90名在基线或随访时没有 NAFLD (NAFLD-/-) 的对照组相匹配。两组在基线和随访时的性别、年龄和体重指数 (BMI) 以及BMI 的4年变化均匹配。基线和随访时，两组患者2型糖尿病、高血压疾病、代谢综合征的患病率和药物使用情况均无差异，只有随访时NAFLD-/+的代谢综合征比例显著高于预期。

图1 前瞻性研究设计概述

总结研究设计、数据收集以及数据生成和分析方法的图形表示。

详细的基线人体测量参数、葡萄糖稳态参数、血清肝酶和肾功能、脂质谱和细胞因子如表1所示。基线时NAFLD-/+和 NAFLD-/-组之间的大多数临床参数没有显著差异（t 检验，P > 0.05）。NAFLD-/+ 组的空腹胰岛素 (FINS)、胰岛素抵抗 (HOMA-IR)、甘油三酯 (TGs) 和高敏 C反应蛋白 (hs-CRP)略高于NAFLD −/−组（t检验，P < 0.05）。然而，它们的平均值或中值在两组的参考范围内（FINS：5.1至11.2 uU/ml，HOMA-IR < 2.5，TG < 1.70 mM 和 hs-CRP < 1 μg/ml）。在调整HOMA-IR后，只有TGs保持显著差异（表1）。

表1 NAFLD-/+和NAFLD-/-组参与者的基线特征

对于连续变量，数据表示为平均值±SD或中位数，n表示分类变量的百分比。BMI，体重指数；SBP，收缩压；DBP，舒张压；FBG，空腹血糖；hs-CRP，高敏C反应蛋白；TC，总胆固醇；TG，甘油三酯；HDL-C，高密度脂蛋白胆固醇；FGF-21，成纤维细胞生长因子21；HbA1c，血红蛋白A1C；HOMA-IR，稳态模型评估胰岛素抵抗；apo，载脂蛋白；PG30，餐后30分钟血糖；PG120，餐后120分钟血糖；INS30，餐后30分钟胰岛素；INS120，餐后120分钟胰岛素；FINS，空腹胰岛素；Cr，肌酐；UAlb/Ucr，尿白蛋白与肌酐比值；UA，尿酸；FFA，游离脂肪酸；TBIL，总胆红素；GA，糖化白蛋白；AST，天冬氨酸氨基转移酶；ALT，丙氨酸氨基转移酶；GGT，γ-谷氨酰转移酶。*P值表示通过t检验分析的NAFLD-/+和NAFLD-/-之间的差异。†P值表示通过协方差分析分析的NAFLD-/+和NAFLD-/-之间的差异。

2.NAFLD-/+和NAFLD-/-个体之间的基线肠道微生物组存在适度但可区分的差异

我们通过散弹枪宏基因组测序在基线评估了NAFLD-/+和 NAFLD-/-组的肠道微生物组构成，生成了1128千兆碱基对的读数，每个样本平均有 41,786,187 个读数（图1）。研究使用 MetaPhlAn2 的分类学分析对405个物种进行了鉴定。群落α多样性以丰富度衡量，香农和辛普森指数显示两组在种、属或科水平上无显著差异（Wilcoxon秩和检验，P>0.05）。Bray-Curtis、未加权UniFrac 和加权 UniFrac比较表明 NAFLD-/+和 NAFLD-/-组没有显著差异。

此外，我们对2014年和2018年被诊断为 NAFLD (NAFLD+/+) 的 66名参与者和2014年被诊断但2018 年未被诊断为 NAFLD (NAFLD+/-) 的34名参与者的基线肠道微生物群进行了测序。这两组与上述其他两组的年龄、性别、BMI 和4年 BMI 变化相匹配。对四组参与者在基线时的微生物群α和β多样性的全面比较表明，非NAFLD组和NAFLD组微生物群不同。此外，NAFLD-/+个体的肠道微生物群与NAFLD+/+和NAFLD+/-个体的肠道微生物群不同，这表明 NAFLD-/+ 组在基线时尚未患病。由于我们的研究重点是在无病人群中识别NAFLD易感的肠道菌群特征，因此只对NAFLD-/-和NAFLD-/+组进行了进一步分析。

分析发现，10个最丰富的属和物种中的几个（图 2A）与观察到的研究参与者的分类学特征差异显著相关。然而，它们的相对丰度在 NAFLD-/+ 和 NAFLD-/- 组之间没有显著差异。与 NAFLD-/-相比，NAFLD-/+ 中的甲烷短杆菌减少。与瘦弱个体相比，在肥胖个体的队列研究中观察到这两个属的丰度较低。据报道，Slackia 在中度至重度纤维化个体中比在无至轻度纤维化个体中更丰富，并且与 NAFLD-/-组相比，NAFLD-/+中该属增加。Dorea formicigenans（一种在肥胖人群中非常丰富的物种）的相对丰度在 NAFLD-/+ 组中高于NAFLD-/-组。即使在调整了年龄、性别、BMI 和 HOMA-IR后，两个研究组之间甲烷短杆菌、Phascolarctobacterium、Slackia和D. formicigenerans 的相对丰度差异仍然显著。我们的前瞻性研究表明，甲烷短杆菌、Phascolarctobacterium、Slackia 和 D. formicigenerans 除了是肥胖相关的特征外，还可能是NAFLD的风险特征。

图2肠道微生物组和血清代谢组的整体特征

(A)基线时180名参与者的10个最丰富的属、种和通路的相对丰度，以及基线参与者的人体测量学特征。丰度值被归一化为0和1的范围。(B)包含至少10种代谢物的代谢物类别中代谢物(μM)的变化。每个点代表一个代谢物，其中z值来自两组的Wilcoxon秩和检验比较，-1.96和1.96处的虚线表示显着性阈值。颜色表示代谢物类别中代谢物z值与所有其他类别中代谢物z值之间的比较。(C)使用123种代谢物的基线血清浓度，基于Bray-Curtis对180名参与者进行主坐标分析。PC，主坐标。

接下来使用HUMAnN2对微生物群落进行功能分析，并确定了458条途径。NAFLD-/+和NAFLD-/-组的微生物群无法通过alpha 和beta多样性进行区分。我们检测到的四种最丰富的途径，尿苷单磷酸生物合成I、尿苷二磷酸-N-乙酰胞壁酰五肽生物合成I 和II，以及肽聚糖生物合成I（图2A）与研究参与者功能特征的变化显著相关。在最近的一项美国队列研究中，这些途径用来区分 NAFLD 肝硬化对对照组的影响。然而，在我们的前瞻性研究中，它们的相对丰度在 NAFLD-/+ 和 NAFLD-/- 组之间没有显着差异。我们发现了两组之间的相对丰度显着不同的19种生物合成途径。我们观察到 NAFLD-/- 组中香叶基香叶基焦磷酸生物合成和甲羟戊酸途径的相对丰度显着更高。这些途径在患有非酒精性脂肪性肝炎 (NASH) 的小鼠和人类中失调。编码参与这些途径的酶的两个基因，羟甲基戊二酰辅酶 A (CoA) 还原酶 (EC 1.1.1.34) 和甲羟戊酸激酶 (EC 2.7.1.36)，在 NAFLD-/-组中显著富集。羟甲基戊二酰辅酶a还原酶(95%)和甲戊酸激酶(40%)基因表达丰度的主要贡献者是甲烷短杆菌。相比之下，NAFLD-/+ 组的磷脂酸盐代谢和胆酸降解相对丰度较高。胆酸是一种初级胆汁酸，在西方饮食的大鼠中会显著降低，并被提议作为 NAFLD 发展的早期标志物。NAFLD-/+ 组中编码磷脂酶 D (EC 3.1.4.4) 和胆汁酸 7-α-脱水酶 (EC 4.2.1.106) 的基因也显着富集。上述四个重要途径（香叶基香叶基焦磷酸生物合成、甲羟戊酸途径、磷脂酸盐代谢和胆酸降解）在调整年龄、性别、BMI和HOMA-IR后在两组之间仍然存在显著差异。

3.NAFLD-/+与NAFLD-/-组的代谢物富集和代谢变化

我们对基线收集的血清样本进行了靶向代谢组学分析，以探索肠道微生物群的物种和途径丰度的差异是否导致 NAFLD-/+ 和 NAFLD-/- 组中微生物代谢物的不同特征。我们将检测到的123种代谢物分为九个代谢物类别（图2B），然后进行了富集分析，发现 NAFLD-/+ 组中的氨基酸显著升高。在欧洲病例对照队列 (MICROBARIA) 的非靶向代谢组学数据中，我们发现队列中52名肥胖女性，其中26名活检证实为 NAFLD，26名为非NAFLD。两种氨基酸与NAFLD 相关肝酶的表达呈正相关，包括与丙氨酸转氨酶 (ALT) 的支链氨基酸缬氨酸和与天冬氨酸转氨酶 (AST) 的芳香族氨基酸酪氨酸。最近基于代谢组学的研究支持了我们在亚洲前瞻性和欧洲基于队列的数据中的发现，也表明氨基酸代谢的扰动与NAFLD和NASH 发病机制有关。

据报道，在人类或动物病例对照研究中，基线时NAFLD-/+ 和 NAFLD-/- 组之间的15种显著不同的代谢物以及与观察到的代谢组变异显著相关的代谢物（图2C）中有几种代谢物与NAFLD相关。例如，3-氯酪氨酸、花生四烯酸和氧代戊二酸分别是小鼠和大鼠模型以及人类NAFLD研究中肝损伤和 NAFLD 发展的标志物。色氨酸与队列中的代谢组变异显著相关（图2C），芳香族氨基酸也与NAFLD相关，NAFLD-/+组中的这些代谢物水平高于NAFLD-/-组。在 NAFLD-/+组中，与肥胖和胰岛素抵抗有关的肠道微生物群调节脂肪酸8,11,14-二十碳三烯酸的浓度也显著升高。由乳酸菌产生的苯乳酸被认为可以减少啮齿动物中活性氧的产生，在 NAFLD-/- 组中水平更高。相反，两个研究组中异戊酸和二十二碳六烯酸的浓度差异不大（在两组中均较高）。在我们的前瞻性研究中，NAFLD-/+和 NAFLD-/-组之间脂肪酸的浓度显著不同，但这些代谢物在NAFLD中的功能意义相对未知。最后，测量的血清代谢物（如 3-氯酪氨酸和苯乳酸）的浓度与肠道菌群组成显著相关。

4.一种检测NAFLD早期特征的机器学习前瞻性模型

我们建立了一个无创风险评估模型(随机森林算法)，结合基线宏基因组和代谢组学特征，并根据4.6年后的NAFLD状态对健康受试者进行分类。由于队列规模相对较小(n =180)，所以采用了留一法来建立和评估我们的模型。我们利用研究参与者在基线时的14个分类、功能和代谢组学特征建立了一个前瞻性模型，该模型可以根据4.6年后的NAFLD状态进行分类，受试者工作特征曲线(auROC)下的面积(auROC)为0.72(图3A)。该模型的性能显著提高auROC至0.79，仅增加了两个非侵入性临床特征（图3B）。然后，我们通过人体测量参数、BMI 和年龄进行改进以获得最终模型。

图3机器学习模型在研究队列中的预测性能和最终模型在外部队列中的诊断性能

（A到C，蓝色）使用以下特征区分NAFLD-/+和NAFLD-/-组的留一法机器学习模型的性能：（A）宏基因组学+代谢组学，（B）宏基因组学+代谢组学+ 2个临床参数（HDL和空腹胰岛素），和(C)宏基因组学+代谢组+ 2个临床参数（HDL和空腹胰岛素）+人体测量学（BMI和年龄）。（D到G，紫色）基于所选特征子集构建的模型的诊断性能，以区分四个外部队列中健康或患有NAFLD的参与者：（D）通过活检确定NAFLD诊断的中国队列，（E）NAFLD诊断基于MRS的中国队列，（F）活检诊断的欧洲NAFLD队列，和（G）活检诊断的美国肝硬化队列。（H到J，桃红色）留一法机器学习性能以区分以下模型中的NAFLD-/+和NAFLD-/-组：（H）FGF21 + BMI临床模型，有和没有宏基因组学+代谢组学特征; (I) FLI临床模型，有和没有宏基因组学+代谢组学特征；(J) TyG临床模型，有和没有宏基因组学+代谢组学特征。图形颜色代表模型的用途：蓝色，模型构建；紫色，不同种族群体的外部验证；桃红色，测试队列中先前临床模型的性能。auROC，受试者工作特征曲线下面积；auPRC，精确曲线下的面积；TPR，真阳性率；FPR，假阳性率。

研究通过测试模型组件的诊断能力来评估所选特征的生物学相关性，以区分两个公开可用的独立外部亚洲病例对照队列中的健康个体和 NAFLD 患者。一组通过活检诊断，另一组通过磁共振波谱（MRS）诊断，这使得我们能够进一步探索患者诊断方法是否对模型性能产生影响。我们使用这些外部队列中可用的最终模型中的九个特征构建了一个新的前瞻性模型。基于研究队列得出的新模型区分了两个外部队列中的健康和NAFLD组，其 auROC 分别为0.78和0.72（图3、D和E），表明确定的特征与 NAFLD 发展或病理生理学密切相关。除了亚洲队列，我们在其他不同种族的病例对照队列中进一步验证了我们的前瞻性模型。在欧洲队列 FLORINASH 中，auROC（具有与亚洲队列相同的九个特征）达到0.76（图 3F），而在美国队列中， auROC（具有七个可用特征）为 0.78（图3G）。

先前的临床前瞻性NAFLD研究表明，成纤维细胞生长因子21和BMI (FGF21+ BMI)、脂肪肝指数 (FLI) 以及TG 和葡萄糖指数 (TyG) 可预测诊断前 3至9年的NAFLD发展（auROCs 为0.71至0.82)。我们将前瞻性模型与 FGF21 +BMI、FLI 和 TyG 的性能进行了比较，以预测队列中NAFLD的发生率。最终模型（auROC，0.80）的性能明显优于所有三种临床模型（auROCs为0.58至0.60， P值< 0.01，图3H-J）。为了确认宏基因组和代谢组学信息在前瞻性 NAFLD 预测中的重要性，我们将最终前瞻性模型中的宏基因组和代谢组学特征添加到临床模型中（auROC为 0.73至0.75， P值< 0.05，图3H-J)。

我们在最终模型中总共使用了18个特征：两个属、三个途径、九个代谢物以及四个人体测量和临床参数（图 4A- B）。分析表明，该风险评估模型最重要的特征是苯乳酸（图4A）。通过分析来自欧洲微生物菌群的非靶向代谢组学数据，我们发现苯乳酸与ALT、AST和γ-谷氨酰转移酶呈负相关（相关系数 = -0.35、-0.45 和-0.45；P = 0.004、0.14 和 0.053）。

图4基于SHapley Additive exPlanations（SHAP）的模型

(A)所选特征的条形图及其在NAFLD预测模型中的贡献。特征在模型中按贡献（也称为重要性）降序排列。蓝色条，与NAFLD-/-关联的特征值较高；红色条，与NAFLD-/+关联的特征值较高。关联的详细信息显示在(B)蜂群图中，其中每个点代表一个参与者(n = 180)。颜色表示特征的值，红色较高，蓝色较低。负SHAP值表示用于预测NAFLD-/-的特征属性；正SHAP值表示NAFLD-/+预测的特征属性。(C)通过对每组SHAP值求和计算的特征类别贡献。（D到F）SHAP依赖图示例，显示特征对模型预测的影响。每个点代表一个参与者(n = 180)。颜色表示性别，男性为蓝色，女性为红色。X轴是特征值，y轴是特征的SHAP值。特征的最佳阈值由垂直虚线表示。

SHAP分析还显示甲烷短杆菌与 NAFLD-/- 相关，而 Slackia 与 NAFLD-/+ 相关（图 4，A 和 B），这些属在两个研究组中差异很大。此外，8,11,14-二十碳三烯酸、氢化肉桂酸和氧代戊二酸与2 型糖尿病、肥胖、胰岛素抵抗和 NAFLD 相关（图 4，A 和 B）。

特征的贡献也是通过对每个类别的 SHAP 值求和来计算的，代谢物对模型性能的贡献率为 44.6%，其次是微生物组和非微生物组特征，分别占 31.2% 和 24.1%（图4C）。

建立依赖图以揭示 NAFLD 特征和风险的非线性相关性，确定了每个特征的最佳阈值。我们发现高密度脂蛋白（HDL）在4.6 年后 <1.39 mM 时与 NAFLD 的发生相关，接近 HDL <1.0 mM（男性）或 <1.3 mM（女性）时代谢综合征的诊断标准。我们还检查了微生物代谢物苯乳酸、氢化肉桂酸和 8,11,14-二十碳三烯酸的依赖性图（图 4，D 至 F）。浓度大于 0.25 μM 的苯乳酸与 NAFLD 保护有关。8,11,14-二十碳三烯酸的浓度在>51.5 μM 时会增加 NAFLD 的风险，而氢肉桂酸在浓度<0.39 μM 时与 NAFLD 相关。我们根据最佳阈值将特征转换为二元变量（≥或<阈值），发现18个特征中有 12 个与 NAFLD 进展显著相关。这些结果证明了SHAP的重要性，以便在分析微生物组数据时提供见解。

我们进一步检查了风险评估模型的特征是否可用于根据不同程度的脂肪变性对NAFLD-/+组的受试者进行分类。我们最初根据诊断时的肝脏脂肪百分比划分，随后使用基线时18个特征的值建立了一个模型，对轻度和重度脂肪变性病例进行分类。这种新的随机森林模型的 auROC 为 0.78。与上述类似，我们试图通过在来自美国的病例对照队列中测试我们的前瞻性模型的诊断能力，进而确认所选特征的生物学相关性。尽管缺乏对代谢组学数据的绝对量化，但模型显示正确识别仅具有肠道微生物和临床特征的严重脂肪变性病例的准确率为 71.4%。

以前的工作已经证明了基于肠道微生物组的诊断测试对晚期纤维化的作用。本队列中的参与者在4 年后不太可能发展为晚期纤维化。尽管如此，研究的前瞻性设计能够探索基线微生物群是否与纤维化的变化或恶化有关。我们根据 2014 年至 2018 年纤维化4 (FIB-4) 指数的变化对NAFLD-/+ 参与者进行分组，使用五种肠道微生物群功能途径建立了一个新的风险评估模型，按照 auROC 为 0.72 的纤维化恶化对受试者进行分类。在美国病例对照队列中，我们发现磷酸泛酸生物合成在肝硬化组中显著高于非 NAFLD 对照组。作为前瞻性模型中最高分类学特征的甲烷短杆菌，在肝硬化患者中也显著降低。

结论

NAFLD患病率在短时间内迅速增加，尤其是在中国。预计到 2030 年，中国的肝脏相关死亡人数将成为经济最发达的国家中最多的国家。越来越多的人体研究表明，NAFLD 患者和非 NAFLD 个体以及处于 NAFLD 不同阶段的个体之间存在不同的肠道微生物群。在最近提出的代谢相关脂肪肝疾病 (MAFLD) 概念中，肠道微生物群被认为是与 MAFLD 异质表型相关的主要因素。在 NAFLD 和 MAFLD 中，疾病的复杂性和异质性可以通过整合患者临床表型和分子表型组学以及肠道微生物特征的组学技术得到更好的解决。这种方法已显示出其在肝脏和最近的肝外疾病（包括缺血性心脏病和冠状动脉疾病）分类中的潜力。两项心血管疾病研究都表明，肠道微生物组和代谢组的改变可能发生在疾病临床发作之前，这表明基于肠道微生物群的风险评估是有用的。最近的一项前瞻性研究证明肠道微生物群组成可预测15.8年后发生2型糖尿病的几率。我们的研究使用 NAFLD 诊断前 4.6 年采集的粪便样本和匹配的对照，全面描述了中国参与者的肠道微生物组。我们在4.6年内评估了宏基因组和代谢组学特征作为 NAFLD 发生风险评估工具的能力，并开发了一个随机森林机器学习模型，该模型将 NAFLD 风险个体与具有 0.80 auROC 表现的对照组区分开来。最终模型由主要细菌属、途径和代谢物的 18 个特征组成，具有两个临床参数和两个人体测量参数。使用外部病例对照队列中可用的这些特征子集也显示出良好的分类能力(auROC为0.73 ~ 0.78)，包括证实了活检发现的NAFLD或非NAFLD队列。

NAFLD 的诊断需要肝脏脂肪变性的证据，无论是通过组织学还是影像学检查。肝活检有严重并发症的风险，如果组织学病变分布不均匀，采样过程可能会使一些 NAFLD 患者无法确诊。基于影像学（如 MRS、CT 或超声检查）的脂肪变性评估在临床实践中存在价格高、辐射暴露和敏感性有限等局限性。许多研究努力寻找其他可靠、经济高效、无创的诊断方法，包括使用临床特征（年龄、性别、糖尿病和 BMI）、生化特征（转氨酶、胆红素和铁蛋白）、代谢特征（糖化血红蛋白、胰岛素, 和 HOMA-IR), 或脂质 (TG 和胆固醇) 参数或其他标志物, 如 FGF21 和脂联素。一些前瞻性研究也试图预测 NAFLD 的长期发展。在我们基于社区的前瞻性研究中，当嵌套病例对照设计包括匹配性别、年龄、BMI 和 4 年 BMI 变化时，这些模型显示出有限的性能（auROC 在 0.58 到 0.60 的范围内）。鉴于肥胖是 NAFLD 的主要危险因素，这种匹配对于消除混杂效应和揭示与微生物组相关的NAFLD发展风险因素尤为重要。另外，基于微生物组的模型在预测4.6年后无NAFLD个体的NAFLD状态方面表现出良好的性能（auROC为 0.72）。

但是，本文的研究也有局限性。将患者分为两组不是基于肝活检，这仍然是 NAFLD 诊断的金标准。然而，在我们的研究中，这种方法在有数千名参与者的社区研究中是不切实际的。此外，根据欧洲肝脏研究协会、欧洲糖尿病研究协会和欧洲肥胖研究协会的指南，超声是 NAFLD 的一线诊断，尤其是对于大型规模筛选研究。该诊断标准已广泛用于之前的研究，例如鹿特丹队列、Golestan 队列和 Kangbuk Samsung 健康研究。我们在葡萄糖代谢的测量中，对所有参与者进行了口服葡萄糖耐量试验。在许多基于人群的研究中，该测试通常被空腹血糖或 FINS 测试所取代。其次，由于发生率低，我们无法预测纤维化等更严重后果的发展。这主要是由于我们基于社区的流行病学调查的性质。然而，使用基线微生物群，我们能够通过auROC为 0.72的纤维化恶化对受试者进行分类。

此外，该研究没有测量血清铁蛋白，尽管一些研究表明它与 NAFLD 相关。在前瞻性模型中添加铁蛋白可能会提高性能。与现有临床模型（0.58 到 0.60 的 auROC）相比，我们的前瞻性模型（0.80 的 auROC）的预测能力有了进步。然而，临床应用需要进一步的改进，例如整合额外的生化参数。我们的前瞻性模型揭示的代谢特征及其分类驱动因素不能证明因果关系，需要更多的研究来阐明NAFLD发展所涉及的分子机制。

在机器学习模型中整合细菌种类和功能以预测宿主对治疗或生活方式干预和疾病进展的反应已显示出巨大的潜力。对于 NAFLD 及其并发症，肠道菌群变化可以独立预测 auROC 为 0.83 的肝硬化患者短期住院（90 天）的风险。阐明肠道微生物组作为 NAFLD 长期风险评估工具的重要性非常重要，早期发现可以显著改善了 NAFLD 患者的预后。我们的研究确定了在未来 4 年内有患 NAFLD 风险的参与者的微生物组特征，并指出了无创诊断测试的潜力，以补充现有的 NAFLD 临床筛查工具。此外，识别微生物组特征还为基于微生物组的预防和治疗干预提供机会，例如使用丙酸作为多发性硬化药物的有效免疫调节补充剂。然而，仅建立在少数几个方面的临床预测模型无法提供这种功能。使用更大规模的前瞻性研究(包括种族和生活方式的异质性)来评估和进一步改进我们的NAFLD风险评估模型，将增加模型的精确性。

https://pubmed.ncbi.nlm.nih.gov/35675435/

【福利时刻】关于血清药理和药代动力学，近期我们会安排一期直播课（复方血清药理及药代动力学思路探讨），感兴趣的老师和朋友可以扫码订阅：

讲师简介：

毕业于山西大学，本草生物学专业博士，主持及参与省级及国家级项目(3项，主持1项，主要参与2项)，发表一作及共一论文5篇，其中SCI中科院二区2篇，中文核心1篇，参编著作 (1部)，参与发明专利两项。