文献解读 | AUC高达0.93！肠道微生物+临床指标联手，精准区分肥胖类型。

背景介绍

肥胖全球患病率持续上升，预计2030年全球BMI升高的成年人将达29亿，中国肥胖和超重人群比例预计达70.5%，给公共卫生系统带来沉重负担。近年研究表明，肠道菌群可以调节能量代谢、炎症反应和肠道屏障功能参与肥胖发生，特定菌属如埃希氏-志贺菌属等增加与肥胖相关。然而，现有研究存在显著异质性，多将肥胖视为单一状态，忽视了"超重"这一关键过渡阶段，也缺乏涵盖正常、超重和肥胖三类人群的系统比较。因此，本研究旨在系统识别超重状态的独特微生物特征，并构建整合肠道微生物标志物与临床代谢指标的预测模型。

 

材料方法

研究纳入214名成年人，按《中国肥胖症诊疗指南(2024年版)》分为正常体重组(Nor，n=85)、超重组(Ow，n=91)和肥胖组(Ob，n=38)，收集粪便样本-80°C保存。DNA提取使用HiPure Stool DNA Mini Kit，经Qubit 4定量及凝胶电泳质检后，以341F/805R引物扩增16S rRNA基因V3-V4区，AMPure XP磁珠纯化，Illumina MiSeq PE250平台双端测序。生物信息学分析采用QIIME2流程：DADA2生成ASVs，SILVA 138数据库注释，样本均一化至20,000reads。α多样性采用Shannon指数，β多样性基于Bray-Curtis距离矩阵进行PCoA可视化，组间差异经ANOSIM和Adonis检验；差异菌属筛选采用LEfSe(LDA>2，p<0.05)；Spearman相关分析微生物与临床指标的关联(FDR校正)。组间比较采用Kruskal-Wallis检验；生物标志物筛选结合随机森林(均一性减少Gini值排名)和LASSO回归；模型性能以ROC曲线及AUC评估，采用Firth校正逻辑回归和分层10折交叉验证。为验证独立于BMI的预测价值，构建整合微生物标志物与临床代谢指标(TG、HDL-C、UA等)的联合模型，BMI作为分组变量纳入分析。

 

结果讨论

研究揭示了不同BMI人群肠道微生物组的结构特征、功能关联及其作为生物标志物的判别潜力。结果显示，肥胖、超重与正常体重人群在菌群α和β多样性上存在显著差异：肥胖组Shannon多样性最低，且主坐标分析(PCoA)结合ANOSIM(R=0.12,p2.0的差异属。相关性分析进一步显示，Akkermansia与BMI、TG、LDL-C显著负相关，Blautia则与尿酸(UA)和糖化葡萄糖(Glu-AC)正相关，提示特定菌属可能参与代谢调控。基于这些差异菌属，随机森林和LASSO回归构建的微生物模型可有效区分BMI组别，其中正常体重与肥胖组的分类AUC达0.86(95%CI:0.80–0.92)。

临床指标(如TG、HDL-C、UA等，排除BMI本身)与微生物标记联合建模后，判别性能显著提升：Obvs. Ow、Nor vs. Ow和Nor vs. Ob的AUC分别达到0.91、0.89和0.93。所有模型均经分层10折交叉验证和Firth校正，结果稳健。研究证实肠道菌群随BMI梯度发生系统性改变，识别出一组与代谢健康密切相关的菌属，构建了高精度的多模态分类模型，为肥胖的早期筛查、精准分型及基于菌群的干预策略提供了重要依据。

 

研究结论

研究揭示了不同BMI状态(肥胖、超重、正常体重)下肠道菌群的组成特征与功能关联，识别出多个与临床代谢指标显著相关的差异菌属，验证了这些菌属作为潜在生物标志物的判别能力。研究构建的微生物–临床联合模型展现出优异的分类性能，优于单一临床指标模型，表明将肠道菌群纳入现有评估体系可提升肥胖分型的精准度。这种多模态策略有助于实现个体化风险评估，指导早期干预，例如通过益生菌或膳食调整定向调节关键菌群。

 

结果展开

 

图1. 显示不同BMI组群的肠道微生物群特征。

A. 显示肥胖组、超重组和正常体重组之间扩增子序列变异(ASVs)的分布情况，并标注了各组独有的及共享的ASV数量。

B. 显示三组间Shannon多样性指数(α多样性)的箱线图。

C. 显示基于Bray-Curtis相异度的主坐标分析(PCoA)展示三组间β多样性的差异。

D. 显示ANOSIM结果显示微生物群落的分离情况(标注了R统计量和p值；使用Bray-Curtis距离)。较高的R值表示组间分离程度更强。

 

 

图2. 显示肥胖(Ob)、超重(Ow)和正常体重(Nor)人群肠道微生物群结构的差异分析。

A. 显示各BMI组中相对丰度排名前10的门的相对丰度柱状图。

B. 显示各BMI组中相对丰度排名前10的属的相对丰度柱状图。

C. 显示LEfSe分析结果，包括线性判别分析(LDA)得分(LDA>2.0)及对应的不同组间显著差异属的热图。Ob组，n=38；Ow组，n=91；Nor组，n=85。组间差异采用Kruskal–Wallis检验，并经Benjamini–Hochberg错误发现率校正。彩色菱形表示组间统计比较结果(校正后p值)。

 

 

图3. 显示显著变化的菌属与临床参数(BMI、TG、LDL-C、HDL-C、Glu-AC、Alb、UA等)之间的Spearman相关系数热图。

红色表示正相关，蓝色表示负相关。统计显著性：*p<0.05，**p&lt;0.01，***p<;0.001(FDR校正)。

 

 

图4. 显示用于区分不同BMI组群的肠道微生物生物标志物的鉴定。

A. 显示通过随机森林得出的平均减少Gini(MDG)值，对最具区分性的前10个微生物属进行排序。

• B. 显示用于正常体重组(Nor)与肥胖组(Ob)分类的LASSO回归模型。
• C. 显示选定的复合微生物标记的系数(蓝色：与Ob负相关；橙色：与Ob正相关)。
• D. 显示Nor与Ob区分的ROC曲线。
• E. 显示用于肥胖组(Ob)与超重组(Ow)分类的LASSO模型。
• F. 显示区分Ob与Ow的微生物标记的系数。
• G. 显示Ob与Ow分类的ROC曲线。

H–J. 显示用于Nor与Ow分类的LASSO模型、系数以及ROC曲线。AUC表示ROC曲线下面积；95%置信区间显示在括号内。所有模型均使用分层10折交叉验证进行训练，并且p值经过FDR校正，ROC曲线和AUC值是从经过Firth校正的模型中得出的。

 

 

图5. 显示单独使用临床指标及其与微生物标志物联合应用对BMI组群鉴别能力的提升。

A. 显示随机森林分析中前10个鉴别性临床指标(不包括BMI)的平均基尼减少(MDG)值排名。

• B. 显示肥胖组与超重组(Ob vs. Ow)分类的LASSO回归模型。
• C. 显示所选临床预测因子的系数。
• D. 显示肥胖组与超重组鉴别的ROC曲线。

E-G. 显示正常体重组与肥胖组(Nor vs. Ob)分类的LASSO模型、系数和ROC曲线。

H-J. 显示正常体重组与超重组(Nor vs. Ow)分类的LASSO模型、系数和ROC曲线。

K-M. 显示微生物-临床联合模型对肥胖组与超重组(K)、正常体重组与超重组(L)、以及正常体重组与肥胖组(M)鉴别的ROC曲线。

 

参考文献：

Chen X, Wang Y, Lv Y, Wang H, Yang Y, Tang J, Shen H, Dai Z. Gut microbiota signatures across BMI categories in adults and combined diagnostic value with clinical indicators for early obesity risk stratification. Front Microbiol. 2026 Jan 16;16:1734612.