Cell Metab. | IF 30.9重磅综述：从关联到因果，AI+多组学开启微生物组精准时代

21世纪初人类基因组计划完成后，科学界对微生物组（microbiome）研究的高度关注。随着测序技术的发展，研究人员逐渐认识到肠道微生物群在宿主健康与疾病中的重要作用，尤其在肥胖、糖尿病、心血管疾病等代谢性疾病中的潜在关联。然而，尽管大量研究揭示了微生物群与疾病的关联，这些发现多为横断面、相关性研究，缺乏因果证据，导致从机制研究到临床干预的转化进展缓慢。过去二十年间，尽管动物实验提供了丰富的机制线索，如微生物群可影响能量代谢、炎症反应和胰岛素敏感性，但在人类中的干预手段（如益生菌、益生元、粪菌移植等）效果不一，且常因个体差异、生态复杂性及方法学差异而难以重现。

研究综合了多种技术方法，从传统到前沿：

a. 宏基因组学与多组学整合：

b. 动物模型技术：

c. 临床干预方法：

d. 人工智能与大数据分析：

除了艰难梭菌感染与结肠炎或幽门螺杆菌与胃溃疡之间已确立的因果关系（其因果关系毋庸置疑）之外，迄今为止研究的大多数疾病呈现出更为复杂的图景，其中肠道菌群可能扮演驱动因素、调节因素或仅仅是旁观者的角色。在人类肠道微生物组首次被绘制成图谱后的几年里，大量研究涌现，旨在阐明健康和疾病状态下微生物群落的差异。这导致了所谓的“菌群失调浪潮”，大量报告将肠道菌群的组成变化与几乎所有慢性疾病联系起来。这些疾病包括经典的代谢性疾病，例如肥胖、2型糖尿病、肝病和心血管疾病，以及多种人类疾病，包括过敏和哮喘，以及炎症性疾病，例如炎症性肠病（IBD）、肠易激综合征（IBS）和类风湿性关节炎。随着时间的推移，这波关联研究浪潮扩展到包括神经系统和神经发育障碍，例如帕金森病、阿尔茨海默病、多发性硬化症、自闭症谱系障碍（ASD）和重度抑郁症（MDD）。

然而，绝大多数研究停留在相关性层面，缺乏因果证据。例如：肥胖患者中常见的“厚壁菌/拟杆菌比率升高”在不同人群中并不一致；2型糖尿病患者中“丁酸盐产生菌”的减少，后来被发现可能与药物（如二甲双胍）使用有关；胃旁路手术后菌群结构的剧烈变化，反而与代谢改善相关。这说明：不能仅凭物种分类判断“好”与“坏”，必须结合功能、宿主状态与时间动态（图1）。

图1解读：该图展示了PubMed数据库中“肠道微生物组与特定疾病”关联研究的年度发表比例。

☑ 1945-2005 年：每年 <10 篇/10 万引文；

☑ 2006-2015 年：肥胖、糖尿病、炎症性肠病（IBD）、心血管疾病（CVD）曲线同步陡峭上升；

☑ 2016-2025 年：神经退行性疾病、自闭症、癌症等新增关键词呈指数级激增；

☑ 结论：早期“菌群与一切疾病相关”的狂热带来“失调”研究洪流，但临床转化滞后。

为探究肠道菌群与宿主代谢之间的因果关系，研究人员转向了受控动物模型（例如，无菌小鼠、已知菌群小鼠和抗生素处理小鼠）。这些模型允许研究人员在控制饮食、环境和宿主遗传等混杂因素的同时，对微生物群落进行靶向操控，从而揭示肠道微生物并非被动的旁观者，而是宿主生理的积极调节者。

无菌小鼠实验证明，肥胖个体菌群可导致受体鼠体重增加，提示微生物直接驱动代谢表型。机制上，菌群通过代谢性内毒素血症（LPS入血引发慢性炎症）、短链脂肪酸（调节胰岛素敏感性）和胆汁酸代谢（激活FXR/TGR5通路）影响宿主。而基于人类的横断面研究显示2型糖尿病患者丁酸产生菌减少，但后续分析揭示该变化主要源于二甲双胍使用，而非疾病本身，凸显混杂因素影响。

尽管临床前模型提供了令人信服的机制见解，但啮齿动物体内研究带来的乐观情绪并未完全转化为人体试验中有效的靶向微生物群的临床疗法。粪便微生物移植（FMT）、益生菌、益生元和微生物代谢物补充剂等方法已反复在啮齿动物中显示出明显的代谢效应。

然而，在人体中，这些干预措施往往只能产生微弱、不稳定或短暂的效果。这种转化差距凸显了微生物生态、宿主生理和环境因素之间复杂的相互作用，因此，需要重新审视如何从小鼠的机制发现过渡到人体干预（图2）。

文章系统分析了四类干预手段的失败原因。粪菌移植（FMT），早期小规模试验显示FMT可短期改善胰岛素敏感性，但长期效果不稳定（如Gut Bugs试验中青少年肥胖患者无显著代谢改善）。失败主因包括供体-受体菌群功能不匹配、定植抵抗及个体差异。益生元（如菊粉）在动物模型中一致改善代谢，但人类试验反应高度个体化，依赖基线菌群结构。高剂量易引起胃肠不适。益生菌（如LGG菌株）定植率低，Zmora等研究显示仅部分人群能长期定植，效果受宿主生态位和饮食调制。后生元虽可以避免活菌定植问题，但成分复杂（如灭活菌体、代谢物），机制不明确，且缺乏标准化剂量-效应关系。

鉴于粪菌移植（FMT）、益生元、益生菌和后生元干预措施的临床反应存在异质性，所以研究供体和受体微生物组之间基线细菌生态位可用性和功能相容性是否能改善治疗效果至关重要。

图2解读：该示意图揭示了转化鸿沟的根源。

☑ 发现阶段：MWAS 仅提供弱相关、横断面、小效应值；

☑ 临床前：无菌鼠/同品系、标准化饲料、单一变量→内部效度高，外推性差；

☑ 早期临床：高度筛选人群、短期干预、狭窄终点→疗效信号被放大；

☑ 真实世界：多合并症、多重用药、饮食多样、依从性差异→效应被稀释或消失；

☑ 核心信息：生态复杂性 + 个体差异构成“转化墙”。

鉴于基于微生物群的干预措施在代谢性疾病中临床疗效有限且不稳定，一些人质疑该领域是否过度承诺而未能兑现。然而，将这种转化差距解读为失败，是对生物学的根本误解。该领域的现状并非否定微生物组的重要性，而是反映了其固有的复杂性，并表明我们需要更精细的模型、更深入的机制理解以及更切合实际的预期。

微生物组是一个动态、自适应的生态系统，受饮食、基因、免疫、药物等多重因素影响，将其视为“万能灵药”是不现实的，需要精准、个体化的干预策略。

图3解读：探索微生物群迷宫。该迷宫象征着从最初的微生物发现（入口，左侧）到有效的、针对患者的个性化疗法（出口，右侧）的曲折历程。红色标注标示了主要障碍：缺乏因果关系意味着关联性证据通常足以推出产品，但一旦排除混杂因素，就很少能保证疗效。生态复杂性以及微生物与微生物和宿主-微生物之间的相互作用可能会逆转或消除预期效果。监管障碍意味着益生菌、LBP 和 FMT 在不同司法管辖区的分类各不相同，这延缓了试验设计和市场准入。个体差异，例如遗传、饮食、药物和生活方式，都会调节基线微生物群和对干预的反应。红色的“您在此处”标记了当前的研究：处于迷宫的中途，意识到障碍的存在，但仍在寻找最佳路径。该图仅为示意图；图中的文字将详细介绍为简化转化所需的具体标准。

微生物组研究要从“粗放关联”走向“精准干预”，必须围绕六大原则重构路线图：功能导向、患者分层、方法标准化、真实世界设计、预测性生物标志物、以及AI-多组学整合。

功能导向：从“分类”转向“功能”，菌群分类组成（谁在那儿）个体差异大、稳定性差；功能谱（能干什么），如丁酸合成、胆汁酸去羟化、色氨酸代谢等，更稳定、更关联宿主代谢与炎症；干预目标也应锁定功能缺陷，而非单纯“补菌”。

患者分层：用菌群特征指导“谁接受治疗”。基于基线菌群特征、宿主基因型（如FUT2分泌状态）和免疫标志物预测干预反应。AI模型可整合多组学数据实现动态分层。

方法标准化：呼吁统一采样、测序流程，开展长周期、多中心试验，结合电子健康记录和可穿戴设备数据。标准化工作应兼顾严谨性和可行性。采用最低限度的基本框架（核心元数据字段、商定的质量控制阈值和透明的报告机制）既能确保研究间的可比性，又能让规模较小的实验室以较低的成本参与其中。

真实世界设计：肠道菌群受饮食、药物、地理位置、年龄、合并症、压力等多种因素影响。为了真正发挥作用，临床研究必须从理想化的、严格控制的干预措施发展为更能反映现实世界复杂性的研究设计，尤其对于肥胖和糖尿病等受生活方式和环境因素深刻影响的慢性疾病而言更是如此。因此，多中心试验、长期随访以及与电子健康记录和可穿戴设备数据的整合对于弥合发现与实际应用之间的差距至关重要（图2和图4）。

预测性生物标志物：从“发现”到“决策”，基于菌群功能、宿主基因、免疫标志等预测干预反应。

AI 与多组学整合：利用AI建模，融合基因组、代谢组、转录组等数据，实现机制解析与预测。

图4解读：从临床数据收集到个体化治疗策略的转化流程概述。该图展示了将异质性临床信息转化为个性化治疗建议的各个步骤。样本和数据收集（最左侧）：标准化的临床记录和食物频率问卷辅以可穿戴设备（生物特征数据）的体内读数。生物样本（血液、粪便、尿液、肠道组织）和组织学/影像数据集完善了多维输入。高通量测量（第二部分）：专用平台可生成每种样本类型的多组学读数。组学层级及典型输出（第三幅图）：基因组（全基因组关联研究[GWAS]、遗传图谱、结构变异检测）、转录组（表达数量性状位点[eQTL]、基因表达水平、调控特征）、蛋白质组（翻译后修饰、蛋白质丰度谱、功能注释）、表观基因组（组蛋白修饰图谱、DNA甲基化模式）、代谢组（代谢物数量性状位点[mQTL]、非靶向代谢物分析）。人工智能驱动的多组学整合（第四幅图）：机器学习和深度学习框架融合分层数据集，生成低维嵌入，构建网络特征（路径查找和中心性），并迭代算法开发。个性化医疗输出（最右侧）：预测模型将患者分为有效应答者（蓝色）和无效应答者（红色），并预测治疗获益的大小或缺失，以及潜在的不良反应，从而为个体化治疗选择提供依据。双向箭头强调，反馈到早期阶段的见解能够迭代地改进数据采集和模型性能。GWAS，全基因组关联研究；eQTL，表达数量性状位点；mQTL，代谢物数量性状位点。图由 BioRender.com 生成。

文章最后指出，微生物组研究的转化鸿沟非科学失败，而是生物复杂性的体现。未来需摒弃“一刀切”策略，通过功能分析、多组学整合和AI驱动，实现精准微生物组干预。正如希波克拉底“所有疾病始于肠道”的直觉，微生物组仍是代谢疾病治疗的核心靶点，但成功取决于对生态规律的尊重和系统生物学方法的采纳。