国家高新企业 | ISO9001认证
二级病原微生物安全实验室- 联系电话：+13336028502
- +400-161-1580
- service@guheinfo.com
国家高新企业 | ISO9001认证 二级病原微生物安全实验室
越来越多小伙伴开始关注我们产品的同时也会对产品的准确性，检测使用的技术等产生强烈的好奇日常提问：
检测后能得到什么有用的信息？
这个结果的准确性如何？
通过检测能直接区分患者和健康人吗？
同个人过一段时间做菌群变化大吗？
取样时间不同影响大吗？
疾病之间会不会相互干扰？
……各种问题层出不穷今天就为大家详细解答
以下是分享原文。
非常高兴有机会在这里跟大家分享我们这几年在肠道菌群检测应用于临床和健康管理方面的尝试,以及我们的一些经验｡
谷禾成立于 2012年，是最早从事肠道菌群健康事业的公司，技术骨干源自浙大。建立了完整的pcr分子实验室｡
我们比较专注,一直在做肠道菌群检测,从整个样本量来说,我们更关注来自于临床的有病理的信息,以及临床辅助诊断的数据样本。所以我们在这方面积累了相当大一部分的数据集｡
而且这些临床样本相对来说,对于我们后续将肠道菌群检测应用于临床辅助诊断当中有很大的帮助。
我们其实不只是检测一下肠道菌群的构成,以及哪些菌有异常,我们是希望将肠道菌群检测直接做成一个临床辅助诊断的产品｡
不只是告诉你可能有哪些疾病风险,我们希望可以直接给出包括结直肠癌、胃癌、甚至肝癌、抑郁症、自闭症的临床辅助诊断提示｡
从这个角度上来说,可能跟目前已有的检测,包括这几天嘉宾分享的一些研究，可能就会有很大的不同｡
你可以通过检测找到很多肠道菌群构成的显著性差异,比如自闭症患者跟健康人之间有相当大一部分的菌是存在丰度上的显著差异，但是：
能不能准确告知,哪个是自闭症患者,哪个是健康人,或者是他甚至有中间型的状态？
那么这个过程当中就需要解决几个问题｡
第一个问题,首先是准确度
不仅仅是告诉你一个概率的问题,而且需要临床辅助诊断,那么就需要提高样品的处理本身,以及疾病诊断模型的准确度｡
第二个是稳定性
大家都知道肠道菌群其实受的影响因素非常多,你的饮食方式、生活、地域、健康状态、甚至情绪状态都可能对菌群有巨大的影响｡
这种巨大的影响的来源有这么多的情况,那么如何保证无论你什么时候检测，都能够是可靠稳定的？
假设一个结直肠癌患者,他今天做了,和隔了一个礼拜之后再去做,从病理的状态上来说,他还是个结直肠癌患者,但是他的菌群状态可能会产生巨大的变化｡
那么这些变化本身是否会对我们的检测和临床结论产生巨大的影响,这种波动如何去消除,所以这个是个稳定性的问题。我等会也会讲到｡
再一个是可解释性
因为菌群相对来说,实际算是一个大的数据。我们现在如果采用高通量测序的方式来做,一次性可以拿到大量的数据集｡
这些数据集本身会有各种各样的菌的构成差异,我们的经验是差不多每个人,从婴幼儿开始到成年人,大概两岁以上的婴幼儿，菌群构成会从200到2000种菌不等，也就是说每个人会有这么大的菌的种类。
但是总的数据集有多大呢？我们自己有几万例的人群的样本,构建了一个人的肠道菌群的参考数据集，这个数据集里目前包括7500多种菌。但是我们自己的评估,全人类的肠道当中可能出现的定植菌应该会超过10万例｡
那么这么大的数据量当中的异常菌如何去进行解释,如何给临床上提供更有意义的,病理上也好,或者机制上的一种解释,以及可以量化的干预方案,这就是可解释性｡
最后一个是经济性
因为如果希望肠道菌群检测能够作为一个临床辅助诊断的项目，或者是针对具体的临床疾病的辅助诊断来说,它不仅仅要做到准确,它要具有足够大的经济性｡
也就是说成本必须要得到控制,几千块钱的项目可能能做,但是它无法做到普及,也无法在临床当中被大量的应用,所以如何控制成本也是个巨大的一个问题｡
我们做了很多的工作，尝试在上面提到的方向去努力实现在临床应用当中的可能，以下几方面我后面会逐一讲一下我们所做的工作。
第一是取样和储存运输，然后是如何大规模、低成本、高效准确的去处理样品。
再一个是参考数据库,完整的数据库的建立,其实也是非常重要的｡
然后是大规模人群队列和临床数据。我们的核心经验,由于肠道菌群的多样性，以及受各种因素的影响比较多,那么大规模的人群队列就变成一个非常重要的点｡如何去构建大规模的临床队列,以及从这个大规模的临床队列当中,我们能不能拿到一些信息和有用的经验｡
再有是全方位的解析,我们等会儿会讲到不只是在菌群层面上,也不只是在代谢层面上，我们甚至可以基于肠道菌群,把代谢营养,生理生化指标,免疫指标,我们都是来自于临床的,包括血常规,尿常规,我们都能够进行解析｡
还有重要的一点是如何使用人工智能的高可用性的模型,从这么大的数据当中精细化的提高检出率的同时,又能够保证它的特异性和敏感度,这是个巨大的一个挑战,这个我后面也会讲到｡
第一个方面,可能我们现在采用的这个取样方式,应该相对来说最简便和最小的一个取样方式,我们直接可以用棉签从厕纸上蘸取,直接洗脱在取样管当中｡
你可以看到取样颜色达到左侧第二个管子的这种颜色的粪便量,我们就可以完成整个检测,从使用体验上来说,会比较简便,而且需要量少｡
样本保存也可以在室温下至少可以保存一个月,运输过程当中就不需要涉及到冷链,可以直接快递，便捷性也会大大提高｡
有了这个取样管之后,实际上从临床和门诊当中可以快速的拿到大量的方便的样品,因为不需要采用非常复杂的取样和储存的方案｡
我们讲第二个方面,刚才提到菌群的构成特点是很多样性的，而且跟很多因素包括取样时间有关,比如说早上取、晚上取,取的粪便的部位以及取样的量的多少,可能出来的菌群构成都会有一些区别｡
如何再将这些区别和波动有效地控制，并且从中提取稳定准确的信息
这就涉及到一个我们能够从菌群数据当中能拿到一些什么结果,我主要从几个维度来讲｡
——首先是菌群丰度和菌群结构
你首先可以知道每一种菌大概有多少的量,相对比例是多少｡你还会知道菌群构成，也就是说都有些什么菌。
——然后是菌群结构｡
所谓菌群结构就是说,有一些菌它会共同出现。甚至你会发现你检测到了有几种菌，并不代表其他的菌可能就没有出现｡我们的肠道菌群总共可能会有七万多种菌,每个人差不多200到2000种,但是在99%的人当中都出现的菌,可能不超过30几种｡你的肠道当中有这种菌,但是很多人当中都没有这种菌,那么很多的信息是稀疏的。但是通过构建菌群结构之后,你会发现这两种菌,可能一个在你这里有,一个在另外一个人当中有,但是这两种菌它其实代表的意义和内涵是类似的｡
——再一个方面,我们通过数据的模型的挖掘,可以拿到更高维的特征。
这些特征反应的是生理的,比如说你的尿酸量,你的尿蛋白,你的血液当中的高密度脂肪酸，包括一些代谢的指标,这些指标的生理的特征和病理的特征,我们也可以通过菌群结构来进行提取｡
那么从信息的维度上提升了之后,你可以看到数据的稳定性在不断提高。
最底层数据菌种的丰度波动性是非常大的｡前一天的饮食如果有改变,跟你日常的饮食习惯有一些稍微的改变,第二天的检测,菌群的构成丰度上,波动甚至会达到30%｡这种菌群丰度的变化,就代表如果你单纯依据少量的几种菌的丰度变化去检测它的异常,或者是这个疾病的状态的话,稳定性是很差的｡那么你就需要控制各种场景,各种条件,才能拿到一个稳定的结果。但是菌种丰度又代表了一个非常高的信息量｡
那我们尝试的更多的是从第二个维度开始,就菌群的构成,菌群的结构以及高维的菌群特征这个角度,因为它的稳定性更好｡我们通过不断的去加入各种各样的临床病例的数据的方式来提取这些菌群的附加信息｡
这就涉及到第二个问题,我们要把这更多维度的信息量能够提出来的话,你就必须要有涉及到非常大规模的样本人群，包括疾病状态、年龄、社会生活区域、饮食方式等各种因素的情况｡
那么大量样本的话,我前面提到我们在取样盒上的改进,对应的我们还提供了一个快速的提取方式｡就是通过磁珠法,来完全全自动化的来配合我们的取样盒,来做到大规模,自动化的,低成本的快速提取｡
因为一般来说像MoBio这一类的试剂盒它对于样本的起始量有一个比较高的要求,并不适用于我们前面那种非常低当量的一个量｡
我们自己改进之后的方法，稳定性和可靠性也是相当高的,这样是极大地降低了我们的整个实验处理过程当中的成本,同时又能够有效地保证这个检测结果的可靠性。我们的方法已经有文章发表｡
那么当有了大量的样本之后,第二个问题就是
需要你更精准,更精细化的去提取这些数据
提取这些数据的过程当中我们自己也做过比较｡用公共数据库包括Greengene、RDP或者HMP这些数据参考集,我们大概也就只能最多到95%的数据是能比对上去的，到种属的鉴定甚至会更低一些。
我们自己大概用了24000例的来自全球各地的样本,包括我们自己大概测了将近有17000多例的我们早期测的样本，还有各种来源的,特征的,包括疾病状态的,包括我们纳入了从各种基因组数据库拿到的肠道疾病和人体病原物的这些菌的数据,总共汇总之后,我们有24000多人的样本｡
最后,我们构建了一个全新的人体肠道的一个参考集,这个参考集大概有75000多种OTU的菌，然后我们做了大量的注释，超过99.5%的菌是都能够完成比对的,这就大大的提高了对于菌属和样品当中菌构成的分辨率｡
我们目前总的样本量已经接近快20万了,估计今年应该会超过20万例｡
多种相关疾病互相存在干扰
这个是遇到的另外一个问题。
当我们解析了这些菌之后,我们尝试去做不同的疾病状态下菌的构成丰度和这些菌的特征信息，我们去尝试做疾病的分类。
前期做的时候效果相对还是非常不错的,因为它的特征菌比较明显。但是实际上面对临床的时候会遇到第二个问题，临床当中没有一个人的样品是非常干净,他可能会有结直肠癌,但是同时又会有高血压,或者是有消化道的疾病。
这些样本在你做检测之前你其实不知道他的状态，在试验或者研究型论文当中，你可能做的队列一个是健康人,再加一个某种疾病的患者,那么这两类的样本做出来,统计差异是非常明显的｡但是如何在临床样本当中做到非常精准地将这两类人区分,而且不受任何中间因素的干扰,比如说阴性干扰样本的这个影响，这是需要面临的问题。
图解
上面图的左侧,我们自己做了一个结直肠癌的模型｡结直肠癌我们现在检测的准确度可以达到非常高了｡
但是,最开始做的时候,其实我们做了一下测试,单纯的模型去做预测分析的时候，会有其他中间疾病的大量干扰。尤其是消化道出血的情况下,会对整个菌群状态有非常大的影响｡
包括腺瘤的阶段，刚才几位也都提到肠癌,肠癌其实是一个菌群变化要早于癌症发生的过程｡但是菌群变化和癌症的阶段是有一些特征性的影响的,那么腺瘤的阶段跟肠癌是有大量的菌群特征是重叠的｡
我们前期由于收集来自于各个来源的病例样本,所以可以大量的去寻找哪一些疾病是和我们要检测的目标疾病存在干扰因素的，我们可以挑选出这些疾病作为一个控制集,那么可以大大的减少假阳性和干扰的因素｡
这也就是另外一个因素,就是我们在构建人群队列的时候,务必不能以一个相对干净的样本集去做｡对于研究来说,它可能是很好的一个方式,你可以做前瞻性来寻找这是否可能以及效果｡但是实际临床过程当中,你需要纳入大量的,可能影响你这个菌群,或者跟这个疾病有相互干扰和影响的相应的疾病来作为控制集,才能够提高它的可靠性和准确度｡
图解
这个图是我们自己有完整的临床病例,我们跟大量的医院和研究所在合作,我们自己构建了大量的人群队列规模,全部都是住院病人,有明确的临床的诊断和所有的病例信息,这个样本规模差不多有4.7万例。
图的左侧是各种疾病的类型,我们也通过各种疾病和菌群的模型构建，分析了七大类系统,包括呼吸系统,泌尿系统,免疫系统,内分泌系统,神经系统和消化系统,还有循环系统,跟肠道菌群能够有相对可靠的临床应用和检测，用于临床疾病的辅助诊断的可能性的。
右边这里是一个疾病的构成,其中有很多病跟菌群的关系目前甚至都没有发表过论文,就是说并不知道肠道菌群跟它有关｡我们实际通过大规模的临床样本的实际筛查和模型构建之后,发现有很多病,通过肠道菌群可以做到非常精准｡
另外一个问题就是，我们对于一个病的预测也好,或者进行辅助诊断也好,基于肠道菌群
需要多大样本的量才能够做到足够的准确度
来看一个我们自己做的一个模型,是拿实际真实临床样本的数据来做的
图解
这个图实际上是拿二型糖尿病的患者的诊断来做的，可以看到不同的曲线丰度。
我们自己做了从50例、300例、1000例到3000例,这些都是病人的样本量,对照集的样本量一般会在两到三倍的量来进行构建模型。
从我们自己的这个模型数据来看,50例的样本,你可以有效地判断菌群到底能否对这个疾病进行一个相对较好的评估；那么如果是300例,你基本上可以拿到一个相对可用的模型，进行初步评估。
如果是要达到一个相对稳定的有临床应用价值的模型,我们认为差不多要1000例｡因为你要纳入各种来自于不同临床疾病状态的样本,因为可能这个患者虽然有这个病,但是他同时还会有其他的疾病,包括不同的年龄和饮食习惯的这些背景因素要做控制,至少要1000例｡
如果想要得到稳定可靠的检测结果,而且因为不是所有的病，菌群都是在其中起到绝对性的作用,有些是属于间接的,那么你希望菌群本身的检测,它需要有一个贡献度的上限，也就是说,菌群本身与这个疾病的参与度和关联性的上限｡那么要达到这个上限,我们认为差不多要3000例的临床的阳性样本,就是病例患者的样本,可以达到上限的结果｡
再下来,就是我们需要构建可靠的模型。
因为菌群是一个相对数据源,你的各种生活方式,疾病状态,营养健康的情况都会影响它｡可能这个菌既在肠癌当中属于特征菌,同时也是一个炎症性疾病的特征菌,那么这些状态都会影响同一个菌的结果｡
如何将这个菌的结果的变化反馈到去解释它到底是哪一个病的问题呢？
我们通过数据标准化和多维度的提升来构建一个判断的模型｡
我们用人工智能和深度学习的方法,通过足够大的样本数据,来提取各种各样的菌群特征,并不直接用菌群自身的信息,而是用高维度自主学习的方式来提取这些菌群特征｡
然后纳入各种各样数据,
比如有营养学的数据,有质谱的数据,
也有一些病理的数据,包括一些生理生化的数据，
都纳入之后,我们去解析它｡
而且我们并不是用一个模型来做,我们现在是用三个模型来做。
我们第一轮是将所有的可能的干扰性疾病和有影响的疾病,全部作为一个病的类型,来进行模型的分析,筛出所有可能有问题的人｡
然后第二轮我们需要精准化的去提取,到底哪些病是明确就是单一这种疾病的。
第三个模型,就是我们要对目标疾病与其他干扰的疾病进行区分｡
通过多个模型之后,我们可以极大地提高菌群检测的稳定性,以及这个疾病当中的特异性程度｡
图解
这个图是我们自己在做的一些疾病的检测结果。从目前来看,很多疾病的稳定性和效果都相当不错,这里每一个病至少都有将近500例病人的样本数据,来去做一个验证｡每一个疾病的类型,我们差不多都有两到三个中心的检测结果数据去汇总。
通过多维度之后,我们就可以探寻不同的菌群变化背后,它可能真实驱动的因素｡
我们还加入了营养的部分,这些营养其实我们是通过营养调查和一些质谱的数据,然后通过机器学习的方式来去把它解析出来｡
我们也加入了像血常规,尿常规,生化,免疫组化,代谢组产物指标,肿瘤标志物,还有激素水平｡我们将这些数据纳入之后,通过构建模型,可以将菌群的结果转换为这些生理生化相应的指标。也就是说,你如果只给我菌群的数据,我可以将这些生理生化的相应指标也能够给你体现出来｡
甚至还有包括艾滋病的特征的,以及另外一些其它疾病,这里没有列出来,但是效果也是相当不错｡
但是你可以看到,它的解释并不是指这个菌群直接的特征变化。我们通过菌群解析,像艾滋病,我们有免疫组化的数据解读了之后,我可以明确告诉你,CD4和CD8的比值会有特征性的差异｡但它本身的菌群特征上并没有直接体现出这个东西,是通过生理生化指标的转换之后,我就可以告诉你,菌群特征的变化在具体哪些生理生化方面产生一些影响｡
这个是我们现在提供给包括临床和健康检测的一些基本的内容。
可以提供菌群的总体状况,以及致病菌的情况,益生菌的情况｡因为本身测的就是菌群,所以它直接就能提供这些最基本的一些信息。当然正常范围都是我们基于将近上万人的健康人群来做的正常范围的评估｡
这个是除了来自文献之外,我们自己通过算法提取到的相关的菌，每一种菌在这个疾病内的相关性情况,以及它在正常人群的基本的正常范围是多少｡然后我们通过检测这个是否异常,在临床当中给医生来做快速判断的一个内容和信息｡
再有一个我们现在给一个疾病的辅助诊断,这些部分它可以相对有效的提供整个维度的不只是一个专科的信息，可以给到包括我们前面讲到七个系统的相关疾病的一个提示｡
这些提示可以帮助我们来做一些专科性的疾病辅助诊断,能排除一些其他科室可能漏掉的一些疾病症状。另外包括消化道症状的解读,我们也会有一个菌群异常的评估提示｡
包括营养的部分,我们也单独加入营养摄入水平,维生素摄入水平,氨基酸摄入水平。
这个值目前来说我们是基于人群分布数据，就是说我们通过菌群来预测模型构建之后,评估出人群基础的水平,然后再基于人群的营养调查的水平,我们做拟合。现在来看,准确度还是相当的高｡
那另外也包括微量元素,现在重金属的部分我们已经完成了,也很快会加入包括饮食特点、盐摄入、精制糖摄入对应的信息,还有短链脂肪酸的这些指标｡
另外这里还有包括有心脑血管、神经系统的疾病的风险评估,包括过敏的一些问题。
过敏的话现在我们也在开展一个比较大的多中心的项目｡关于过敏Broad Institute(博德研究所)去年还是今年有一篇文章,他们做的是一个大的欧洲的队列｡
也就是通过菌群的数据,从刚出生开始持续采集,差不多到六岁,然后再去评估过敏以及过敏原。目前他那个数据我们做过测试，完全基于菌群的数据,对于过敏包括过敏体质的评估,我们差不多现在能到0.78左右｡那如果你是做特异性的过敏原的检测的话,我们甚至也能够进行过敏源的评估,完全基于菌群数据｡
所以我们自己的大量的数据检测完了之后,会发现,通过菌群数据本身,不止是能够告诉你菌群的结果,甚至能够反映非常非常多原来你意想不到的,需要用其他手段来进行检测的结果｡
另外,我们现在的检测全部是基于16S,16S大家知道它本身的精细度可能还是有缺陷,就是它并不能到菌株；另外它只测细菌的部分,你的病毒和真菌是没有的｡
但是我们这里可以看到有一项检测是病毒性腹泻,就是说我测的是肠道菌群,但是我们能够发现,这个病毒的感染,也会对整个肠道菌群产生一个巨大的影响｡
所以我们通过整个菌群结构的特征变化,能够只检测细菌,也仍然能够发现病毒性的这种变化｡
最后我说一下挑战。
第一个挑战，到目前为止我们做了这么多的数据和这么多样本量之后,竟然发现要真正去完整的解析整个菌群的特征,我们需要更大规模和全面多维度的数据集｡不只是菌群检测本身的或者疾病的信息,我们需要纳入比如代谢组,以及其他的一些数据的情况,来构建更完整的数据集｡
第二,我们发现不同的疾病,它的诊疗需求和特点是不一样的。虽然信息很多,但如何去跟临床辅助诊疗特定的疾病去做对接和结合是很重要的一点｡
第三,我们现在的肠道菌群干预的手段其实也蛮多的,但是这些干预手段呢,现在缺乏量化,就是如何去评估每个人的干预手段,包括饮食的习惯，益生菌的菌株的水平的评估,益生元的效应,甚至粪菌移植的配体｡这些量化的方面需要有大量的工作去做。
以上是我们这么多年做的实际临床大量样本的菌群检测的一些经验,跟大家分享一下,谢谢｡
尊敬的肠道菌群检测者：
谷禾健康专注于提供高水准的肠道菌群基因检测和基于此的健康评估咨询，肠道菌群对人体健康的影响和关联性已被广泛研究和认可，多年来谷禾已累积数十万肠道菌群样本数据，但基于对健康的慎重和法规，谷禾重申其提供的肠道菌群基因检测目前不用于临床疾病诊断，仅作为菌群状况构成检测和健康评估以及基于菌群的科研。
分析报告中疾病风险和健康相关评估来自于公开研究数据和谷禾构建的大人群队列数据分析的预测评估结果，涉及临床诊断和医疗建议请遵照临床诊断和医生的医嘱。由于技术进步和样本数据不断积累，报告中可能存在尚未完全涵盖的因素或状况，不可避免的存在一定概率部分风险未被完全检出的情况。
杭州谷禾信息技术有限公司
2019年8月6日
原创： 谷禾健康
说话晚、读书读不进、每天不开心不全是我们的错，还可能是肠道菌群有问题。肠道菌群不仅影响消化吸收，还影响神经系统。近年来，科学家们研究发现，肠道细菌可能在神经发育，焦虑和抑郁症的诱发过程中，甚至很多中枢神经系统疾病中，都起着重要的作用。
肠道菌群究竟是什么
首先，我们了解下肠道菌群。
肠道菌群包含居住在胃肠道中的大约100万亿微生物的集体基因组，我们肠道细菌的基因库包含比人类基因组多150倍的独特基因。
在人体定植的许多微生物群落中，肠道菌群正在成为影响宿主健康状况的主要参与者。肠道菌群的组成是在宿主发育早期建立的，并且可以在一生中经历无数的变化。越来越多的证据表明，肠道微生物组与中枢神经系统（CNS）相通 。
肠道菌群和我们的发育同步
是伴随和影响我们一生的伙伴
从怀孕时期就影响我们的神经发育
神经发育过程
经研究发现，神经发育的主要过程与母体和新生儿肠道微生物的变化一致
肠-脑轴参与婴儿早期神经发育与感受
接下来我们看看胃肠道是怎么构成的
胃肠道的构成
胃肠道（GI）长5米，上皮表面积约32平方米。它是身体70-80％免疫细胞的家园，超过1亿个神经元，以及多达100,000个外在神经末梢。
微生物组包含多达40万亿个细胞和至少数百种不同的物种。胃肠道的一个重要功能是感知和响应外部线索。
胃肠道由不同的横截面隔室组成。外在的，交感神经和副交感神经纤维通过肠系膜进入胃肠道并且可以延伸遍及肠组织的所有层。各种免疫细胞驻留在肌层，但在固有层中也非常丰富，特别是在Peyer氏斑块和淋巴滤泡中。
这些免疫细胞也与神经元和神经胶质细胞紧密相连。这里显示的上皮由5种不同的细胞类型组成，包括吸收肠上皮细胞，肠内分泌细胞，杯状细胞，潘氏细胞，微细胞。
胃肠道（GI）对于营养物质的吸收，粘膜和全身免疫反应的诱导以及健康的肠道微生物群的维持是必不可少的。
你会发现不只是消化的细胞
还有大量的神经元和免疫细胞
以及海量的肠道菌群
为什么有句话说
“肠胃不好顺带着心情和脑子也不好了”？
肠道又是如何联系到大脑
从而影响神经系统的呢？
经过大量的研究，我们逐步揭开了肠道菌群与大脑之间的联系。
肠-脑轴
人体肠道微生物组以多种方式影响人类大脑健康：
（1）结构性细菌成分如脂多糖为先天免疫系统提供低级强直性刺激。由细菌生态失调，小肠细菌过度生长或肠渗透性增加引起的过度刺激可能产生全身和/或中枢神经系统炎症。
（2）细菌蛋白质可能与人类抗原交叉反应，刺激适应性免疫系统的功能失调反应。
（3）细菌酶可产生神经毒性代谢物，如D-乳酸和氨，甚至有益的代谢物如短链脂肪酸也可能发挥神经毒性。
（4）肠道微生物可以与人类产生相同的激素和神经递质。这些激素的细菌受体影响微生物的生长和毒力。
（5）肠道细菌直接刺激肠神经系统的传入神经元，通过迷走神经向大脑发送信号。通过这些不同的机制，肠道微生物塑造了睡眠和下丘脑 – 垂体 – 肾上腺轴的应激反应的结构。它们影响记忆，情绪和认知，并且在临床和治疗上与一系列疾病相关，包括酗酒，慢性疲劳综合症，纤维肌痛和不安腿综合征。
在健康和疾病的背景下，多个途径引导微生物组 – 肠 – 脑轴的向下和向上方向。
（A）向下，CNS通过影响营养的可用性饱食信号肽，影响肠功能和神经通路的内分泌物来控制肠道微生物组成。
皮质醇的HPA轴释放调节肠道运动和完整性。
免疫途径（细胞，细胞因子和sIgAs）可以开启，用以响应肠道功能的改变。内分泌和神经通路还可以调节来自特化肠上皮细胞的分泌，包括潘氏细胞，肠内分泌细胞和杯状细胞。它们的分泌产物影响菌群的存活和居住环境。
（B）向上，肠道微生物组通过神经（通过微生物组直接激活神经元），内分泌（例如5-羟色胺的肠内分泌细胞释放），代谢（神经活性分子的菌群合成）和免疫（CNS浸润免疫细胞和全身炎症）途径来控制CNS活动。
菌群在健康状态（神经发育）和疾病（一系列神经免疫和神经精神疾病）状态影响CNS。肠腔菌群，其产物由APC取样，附着上皮的SFB(肠内节丝状菌)介导外周免疫培养。
肠道微生物组成，菌群内的特定菌株，益生菌处理，菌群衍生产物和其他因素构成微生物组研究的范围。
由肠道微生物及其产物
直接或间接驱动的基本发育过程
细分来看，肠神经系统（ENS）就是肠道的大脑，同时还是联系着肠道外部（微生物群，代谢物和营养物）和内部（免疫细胞和基质细胞）微环境。
肠神经系统
胃肠生理学的关键方面由肠神经系统（ENS）控制。ENS由神经元和神经胶质细胞组成。
肠神经元位于粘膜下或肌间神经丛中。两个丛都位于两个肌肉层之间。副交感神经纤维释放乙酰胆碱，交感神经释放去甲肾上腺素。这些外在神经纤维可以支配肠神经元，但也与平滑肌，固有层和上皮细胞相关。肠神经元可以相互支配或延伸到固有层，特定的肠道真菌（IFAN）可以突触到交感神经节。
肠神经胶质细胞产生和释放神经营养因子，与肠神经元结合，并延伸到整个粘膜。左列和中间列用颜色编码，分别代表产生特定条件的细胞和分子以及从这些特定条件产生的结果。
肠神经元与胶质细胞的连接
此外肠道菌群还通过释放不同物质和干预免疫系统最终影响血脑屏障和中枢神经系统（CNS）产生联系。
肠道用于收集营养和能量，防止有害的毒素和病原体，并清除废物，它是一个高度动态的环境，受到蠕动活动的周期性波动的影响。这些功能主要受两个肠神经系统（ENS）和驻留在肠道内的亿万共生细菌调节和控制。斑马鱼研究实验表明ENS调节肠道微生物群落成员身份以维持肠道健康。通过施用代表性抗炎细菌菌株或恢复ENS功能来预防ENS突变体中的炎症。
肠-脑之间通讯途径
肠道微生物群与大脑之间可能存在五种通信途径，包括肠道神经网络，神经内分泌 – HPA轴，肠道免疫系统，肠道菌群合成的一些神经递质和神经调节因子，以及包括肠粘膜屏障和血脑屏障在内的屏障。在这个通信网络中，大脑影响肠道运动，感知和分泌功能，来自肠道的内脏信号也影响大脑功能。
肠道微生物群与脑之间可能存在的五种通讯途径
神经递质和代谢产物
很多肠道菌群能代谢产生大量神经递质及其类似物，此外肠道菌群的部分代谢物质也会通过免疫系统影响神经系统。
连接菌群和大脑的
还离不开一个重要通道
——血脑屏障
血脑屏障越来越多的证据表明，菌群与中枢神经系统（CNS）相互作用，并可以调节其许多功能。这种相互作用的一种机制是在血脑屏障（BBB）的水平上。
细菌可以直接将因子释放到体循环中或可以转移到血液中。一旦进入血液，微生物组及其因子可以改变外周免疫细胞，促进与BBB的相互作用，并最终与神经血管单元的其他元素相互作用。
在菌群影响下从外围部位释放的细菌及其因子或细胞因子和其他免疫活性物质可穿过BBB，改变BBB完整性，改变BBB转运率，或诱导屏障细胞释放神经免疫物质。
由菌群代谢产物，例如短链脂肪酸，可穿过BBB以影响脑功能。通过这些和其他机制，微生物组-BBB相互作用可以影响疾病的进程。
Logsdon et al, Experimental Biology and Medicine, 2018
图中1层
菌群与全身免疫细胞相通，可影响血脑屏障（BBB）和CNS功能。肠腔不断暴露于来自外部环境的细菌。肠上皮屏障的破坏可允许肠道菌群不受调节的移动进入固有层。
图中2层
细菌可以渗透GALT(肠道相关的淋巴组织)和血腔，它们与各种免疫细胞相互作用，包括T细胞。
图中3层
某些细菌可以刺激效应型T细胞分化。调节性T细胞测量在GALT，血液和脑脊液中局部菌群的变化可促进T细胞脑浸润。
图中4层
循环细菌可以上调炎性细胞因子水平，影响BBB完整性并促进神经炎症。LPS（脂多糖）由细菌因子产生，并且可以作用于内皮TLR（Toll样受体）以促进神经炎症和CNS疾病。
图中5层
细菌代谢物可以上调紧密连接蛋白并改善BBB完整性。
图中6层
代谢物也可穿过BBB以影响神经胶质细胞和神经炎症。微生物组对周细胞的作用仍不清楚。
那么肠道菌群如果发生变化，
会带来哪些神经系统疾病和问题呢？
神经系统疾病的相关菌
目前已经发现一些与神经系统疾病（包括多发性硬化症，自闭症，帕金森病等）研究相关的菌。研究发现，这些疾病患者的某些菌群的数量明显发生变化，具体如下表：
菌群干预或异常会导致的问题
目前有越来越多的证据表明，肠道微生物群在指导和促进大脑发育过程中发挥着重要作用，对健康具有长期的影响。
菌群和菌群产物的扰动
会影响小鼠模型和人类的行为结果
产前效果
产后效果
菌群如何影响中枢神经系统疾病
免疫介导的CNS疾病
多发性硬化症
多发性硬化症（MS）是由针对中枢神经组织的自身反应性免疫攻击介导的慢性CNS脱髓鞘疾病。这是通过研究患者和使用称为实验性自身免疫性脑脊髓炎（EAE）的MS动物模型来实现的。
如在一系列研究中观察到的，用单一细菌或细菌混合物口服治疗可调节EAE。益生菌动物双歧杆菌减少了大鼠EAE模型中症状的持续时间。
乳酸杆菌（包括LcS），单独施用或与其他双歧杆菌属菌株组合施用，倾向于通过相互调节促炎细胞因子和抗炎细胞因子反应来缓解小鼠EAE症状。
脆弱拟杆菌和乳酸片球菌（菌株R037）的益生菌治疗也显着降低了小鼠对EAE的易感性。
视神经脊髓炎
视神经脊髓炎（NMO），是一种CNS自身免疫疾病，其特征在于视神经和脊髓的免疫介导的脱髓鞘。
研究发现水通道蛋白血清阳性的NMO和NMO谱系疾病患者血清对胃肠道的抗原（最常见的饮食蛋白）抗体水平高于健康对照组，暗示NMO患者微生物群组成和免疫状态的改变。
格林 – 巴利综合征
格林 – 巴利综合征（GBS）是一种周围神经系统的自身免疫性疾病。
空肠弯曲杆菌在家禽中发现的肠道共生物种是由食物污染引起的人类肠炎的主要原因。研究表明弯曲杆菌肠炎患者的GBS风险高。
此外，弯曲杆菌与几种GBS的病理形式有关。不同的弯曲杆菌菌株以及宿主因子在GBS发育过程中形成自身反应性免疫反应中起重要作用。
因此，空肠弯曲杆菌代表了一种介导神经自身免疫的肠道相关病原体。
其他免疫介导的疾病
脑膜炎是CNS保护膜的炎症。病毒或细菌感染可能导致脑膜炎。据报道，成年肠道共生大肠杆菌 K1能够通过母体转移给新生儿引起脑膜炎。
慢性疲劳综合征（CFS），也称为肌痛性脑脊髓炎（ME），目前尚不清楚病因。据推测，共生细菌的转运升高可能是某些CFS患者疾病活动的原因。
非免疫介导的CNS疾病
自闭症
自闭症谱系障碍（ASD）是一系列发育性神经行为障碍，其特征是社交互动和沟通受损。新出现的数据表明肠道微生物组与ASD之间存在联系，可能是直接因果关系，也可能是间接的非典型摄食和营养模式的结果。
肠道微生物群的破坏可能促进产生神经毒素的细菌的过度定殖，从而导致自闭症症状。据报道，在自闭症儿童的粪便样本中存在的梭菌属下的物种数量更多，Bacteroidetes和Firmicutes门的不平衡也表现在自闭症儿童身上。
此外，其他肠道共生物的水平改变，包括双歧杆菌，乳酸杆菌，Sutterella，普氏菌和Ruminococcus属以及Alcaligenaceae家族，与自闭症相关。
肠道微生物组介导的新陈代谢也会影响自闭症。
抑郁症
抑郁症是由神经精神障碍或免疫失调导致的情绪障碍的主要形式。益生菌治疗已经显示出抑制动物抑郁症模型的功效。乳杆菌属下的物种特别表征为抗抑郁剂，包含鼠李糖乳杆菌和瑞士乳杆菌菌株的益生菌混合物通过使皮质酮水平正常化来改善母体分离诱导的抑郁。
类似地，鼠李糖乳杆菌菌株JB-1通过以迷走神经依赖性方式调节皮质酮和GABA受体来减少抑郁相关行为。
双歧杆菌的种类也是有效的抗抑郁药。
如大鼠强迫游泳试验（FST）和母体分离模型所示，Bifidobacterium infantis减轻了抑郁症。涉及的机制包括促炎细胞因子的减弱，色氨酸代谢的调节和CNS神经递质。
此外，含有高水平多不饱和脂肪酸（PUFA）n-3的饮食配方通过与瑞士乳杆菌和长双歧杆菌相似的机制减弱大鼠MI后抑郁症。
焦虑和压力
焦虑和压力是具有神经，内分泌和免疫学基础的情绪障碍的常见形式。暴露于诸如化学，生物或环境刺激的压力因素可引发压力和焦虑反应，其涉及激活HPA轴（下丘脑-垂体-肾上腺轴）。如前所述，焦虑和压力的共病已经在剧烈和轻微的肠功能障碍类型中被感知，强调了肠 – 脑信号如神经递质和免疫因子的作用。
与具有正常肠道微生物群的SPF小鼠相比，GF小鼠显示出增加的运动活性和减少的焦虑。这种行为表型与GF小鼠的CNS中更高水平的神经递质和降低的突触长期增强相关。
后来的研究证实了GF条件下焦虑样行为的减少，这可以通过其他神经化学变化来解释，例如神经递质受体减少和色氨酸代谢增加。因此推测肠道微生物组调节HPA轴的设定点。
有益的益生菌可以改善焦虑。乳杆菌属和双歧杆菌属的特定种类具有抗焦虑作用。用长双歧杆菌，婴儿双歧杆菌，瑞氏乳杆菌或鼠李糖乳杆菌的某些菌株进行益生菌处理单独或联合使用，在动物焦虑模型中归一化行为表型。
Lactobacillus farciminis还抑制了应激诱导的肠道泄漏并减弱了HPA轴应激反应。
由瑞士乳杆菌和长双歧杆菌组成的益生菌制剂显示出在大鼠中的抗焦虑样活性和对健康人受试者的有益心理作用。
痛
通过益生菌调节微生物组可以减轻由对刺激的外周神经反应和对CNS的信号转导引起的伤害性疼痛。在乳杆菌属的种中可见抗伤害感受作用。
罗伊氏乳杆菌还减轻正常大鼠CRD诱导的内脏疼痛。
L. paracasei使抗生素扰动小鼠的CRD内脏超敏反应正常化。
嗜酸乳杆菌通过诱导阿片样物质和大麻素受体在肠道疼痛中产生镇痛作用。
此外，两项研究支持IBS背景下特定婴儿双歧杆菌菌株的抗伤害感受作用。
其他神经精神症状
微生物组与其他神经精神疾病有关，其中经常发生基于免疫和非免疫的病因的混合物。GF动物表现出缺陷的记忆和认知能力。用小鼠菌群重新定殖GF小鼠可以增强或减少探索行为。海马脑源性神经营养因子水平与探索行为正相关。
益生菌能够改善感染引起的记忆功能障碍和糖尿病引起的认知缺陷。肠道微生物组的膳食改变也调节了小鼠的认知和学习行为。
总而言之，肠道菌群的研究对于CNS疾病相关的诊断，预后和治疗都有很大的意义。
主要参考文献
Sharon G et al. (2017) The Central NervousSystem and the Gut Microbiome. Cell. 167: 915–932.
Cong et al. (2016) Early life experience and gut microbiome: the Brain-Gut-Microbiota signaling system. Adv Neonatal Care. 15(5): 314–323.
Rolig et al. (2017). The enteric nervous system promotes intestinal health by constraining microbiota composition. PLoS Biol. 15(2): e2000689.
Logsdon AF et al. (2018) Gut reactions: How the blood–brain barrier connects the microbiome and the brain. Exp Biol Med. 243(2): 159–165.
Wang HX and Wang YP (2016). Gut Microbiota-brain Axis Chin Med J (Engl). 129(19): 2373–2380.
Vighi G et al. (2008) Allergy and the gastrointestinal system. Clin Exp Immunol.153:3–6
Hooper LV et al. (2012) Interactions between the microbiota and the immune system. Science. 336:1268–1273
Mowat AM. (2003) Anatomical basis of tolerance and immunity to intestinal antigens. Nat Rev Immunol. 3:331–341.
Bryan B. Yoo et al. (2018) The Enteric Network: Interactions between the Immune and Nervous Systems of the Gut. Immunity. 46(6): 910–926.
Johansson MEV et al. (2016) Immunological aspects of intestinal mucus and mucins. Nat Rev Immunol. 16:639–649.
Gerbe F et al. (2016) Intestinal epithelial tuft cells initiate type 2 mucosal immunity to helminth parasites. Nature. 529:226–230.
Howitt MR et al. (2016)Tuft cells, taste-chemosensory cells, orchestrate parasite type 2 immunity in the gut. Science. 351:1329–1333.
Shivani Ghaisas et al. (2016) Gut microbiome in health and disease: linking the microbiome-gut-brain axis and environmental factors in the pathogenesis of systemic and neurodegenerative diseases. Pharmacol Ther. 158: 52–62.
Yatsunenko T et al. (2012) Human gut microbiome viewed across age and geography. Nature. 486:222–227.
Dogra S et al. (2015) Dynamics of infant gut microbiota are influenced by delivery mode and gestational duration and are associated with subsequent adiposity. MBio. 6
Villaran RF et al. (2010) Ulcerative colitis exacerbates lipopolysaccharide-induced damage to the nigral dopaminergic system: potential risk factor in Parkinson’s disease. J Neurochem. 114:1687–1700.
Wang Y, Kasper LH. (2014) The role of microbiome in central nervous system disorders. Brain Behav Immun. 38: 1–12.
Mayer EA et al. (2017) The gut and its microbiome as related to central nervous system functioning and psychological wellbeing: Introduction to the Special Issue of Psychosomatic Medicine. Psychosom Med. 79(8): 844–846.
Cryan JF et al (2012). Mind-altering microorganisms: the impact of the gut microbiota on brain and behaviour. Nature reviews. Neuroscience. 13:701–712.
Belkaid Y, Naik S. (2013) Compartmentalized and systemic control of tissue immunity by commensals. Nature immunology. 14:646–653.
Knuesel I et al. (2014) Maternal immune activation and abnormalbrain development across CNS disorders. Nat Rev Neurol. 10:643–660.
Möhle L et al. (2016) Ly6Chi Monocytes Provide a Link betweenAntibiotic-Induced Changes in Gut Microbiota and Adult HippocampalNeurogenesis. Cell Rep. 15:1945–1956.
Matcovitch-Natan et al. (2016) Microglia development follows astepwise program to regulate brain homeostasis. Science
Desbonnet L. et al. (2015) Gut microbiota depletion from earlyadolescence in mice: Implications for brain and behaviour. Brain Behav Immun. 48:165–173.
原创 ：谷禾健康
随着高通量数据分析数据的大量产生
生物信息数据库及系统生物学已越来越重要
大量的数据库和网络服务
又使得使用者面临被数据淹没的危险
如何有效的组织和利用这些信息
也成为生物信息研究的重点
为了构建一个统一的生物信息框架
来有效的统一和组织以及
分析这些不同来源、类型的数据和信息
谷禾对生物信息的数据结构和信息构成进行了基础的分析
并对海量生命科学概念构建统一的本体库
构建了新的基于语义的文献搜索引擎
命名为谷禾学术搜索
http://www.guhes.com/ ）
谷禾学术搜索
从科研工作者使用角度出发
提供最便捷强大的论文学术和英文图表
以及句子级别的学术搜索服务
主要以生命科学和医学为主的
学术全文和句子搜索引擎
由sci-hub提供全文pdf链接
搜索栏中可以搜索中文关键词
会自动转化成对应的英文关键词
功能如下：
搜索界面首页如下：
文章版搜索展示如下：
例如：在搜索框内输入关键词“microbiome”，可以看到能搜出来19121篇文章，只用时0.043秒。点击文章标题可以查看全文，关联Sci-hub可以下载PDF全文
句子版搜索展示如下：
例如：在搜索框输入“DNA extraction”可以直接搜到关键词的相关句子，搜出来的结果关联度很高，而非一般搜索引擎那样出现一大堆无用信息。
指定区域搜索如下：
例如，在搜索“DNA extraction”的时候，我们在后面的第一个下拉菜单选择 “Methods”（方法），第二个下拉菜单选择 “Middle sentence”（中句），那么它只会在方法部分出现该关键词的文章中搜索，同时只搜中句。我们可以看到除了指定搜索内容，还可以指定搜索的句子长短。
支持中文搜索：
有时候突然单词不会拼了，或者不知道该用哪个词的时候，这种情况应该遇到过吧？没关系，别急着找翻译软件，试试直接在搜索框内输入中文，例如 “小鼠 粪便”，我们可以看到同样能搜到英文文献！
按作者检索展示如下：
有时候看到一篇文献觉得很精彩，于是想找该作者的其他研究成果，这里又可以用到谷禾学术搜索啦，先从句子版切换到完整版（Normal version）。例如，在Authors前面的框内输入“Yigong Shi”，该作者相关的88篇文献就全搜出来啦！
按单位检索展示如下：
例如，在“Authors affiliation”输入“Zhejiang University”，相关文章 61683 篇文章就都搜出来啦。
互动
页面的右下角是一个留言评论区，这里除了可以和管理员互动之外，你们还可以互相之间进行学术交流，有木有很酷？！
弹出的评论框如下：
目前已有很多小伙伴留言互动。如果你有什么问题或建议欢迎在评论区留言互动。
数据库：
文献范围包括生命科学，医学，环境科学等，内容包括摘要2600万，全文650万，句子2.4亿，最后更新时间为 2019-5-6
DNA样品：
请注明浓度和送样体积。样品保存期间切忌反复冻融，低温运输。
质量要求：浓度>10ng/ul，体积>20ul，A260/A280应在1.5至2.0之间；（若样品中其他干扰性DNA含量较多，如组织DNA，请提高送样量）
电泳检测：主带明显，无明显RNA条带。若是可以，请提供质量检测相关数据和图片，如：Nanodrop仪器检测数据或电泳胶图。
——不符合要求的DNA样品须第一时间与客户沟通，待客户答复后再做处理。（不保证测序周期）
处理方法：重新送样，或者尝试扩增。
重新送样处理的样品，测序周期重新计算；
粪便样品：
此类样品仅适用于小鼠、大鼠等样品。切记此类样品必须低温运输（非低温可能导致样品中菌群分布发生变化），否则不保证测序数据的真实性。
粪便大小适中（黄豆大小），样品管中含有大量保存液/裂解液。
例，颗粒状粪便取样量视大小而定，如小鼠粪便2粒、大鼠粪便1~2粒；
人等动物的粪便样品参照取样说明，规范取样。
Ⅰ、不合格样品：
样品管内液体无明显颜色变化，且无固体存在——视为不合格样品
样品管中样品量过多，保存液/裂解液过少、或者没有——视为不合格样品
Ⅱ、可尝试扩增样品：可尝试扩增；若未扩增成功，须三天内反馈给客户
样品管内液体有明显颜色变化，但含有类胶体物质——视为可尝试样品
样品管内液体有明显颜色变化，但无固体存在，且总体积少于200ul——视为可尝试样品
寄送要求：
低温寄送：不含样品保存液的样品，必须低温寄送。如果使用冰袋，寄送时间不超过48h ；如果使用干冰，寄送时间不超过72h。
常温寄送：含有样品保存液的样品选择常温寄送。
收样安排
五一期间实验室放假，样本接收处理时间截止4月30日，客户的样本必须在4月29日前送到实验室会安排节前上机。五一期间5月1日至5月5日实验室无法处理样本，可正常接收快递。
报告交付
4月30到5月5日收到样本交付期限延后至节后5月14日；
5月6号起实验室恢复正常和报告出具。
杭州谷禾信息技术有限公司
2020年4月21日
收样安排
春节前实验室的收样时间截止1月31日，客户的样本必须在12月29日前送到实验室会安排节前上机。春节期间2月1日至2月10日实验室无法收样。
报告交付
1月23到29日收到样本交付期限为节后2月12日；
原定2月5号出具报告的样本报告将延后于2月12号出具。
2019年春节期间样本接收及报告交付安排
杭州谷禾信息技术有限公司
2019年1月14日
收样安排
国庆前实验室的收样时间截止9月30日，客户的样本必须在9月30日前送到实验室会安排节前上机。
国庆期间10月1日至10月7日实验室不接收样本。
报告交付
29号及之后样本报告延后至国庆后出具。
杭州谷禾信息技术有限公司
2022 年 9 月 16 日
V20181010
修正苹果手机使用微信浏览器查看提示信息无法点开的问题
开始启用v3.3疾病预测模型，疾病之间干扰会更加少
修正认知障碍风险提示总览与详情部分分值不一致问题
V20180913
修正疾病总分计算中对于年龄的识别错误，原来部分低年龄段样本由于年龄识别判断bug会因为不符合年龄段的疾病风险导致疾病分值偏低。
修正后部分样本的疾病分值会提高，相应的健康总分也会更新。请以修正后的分值为准。
V20180808:
打印版增加个体食物推荐列表
雌激素水平评估修正完善
v20180801:
在线版更新
修正说明？点击不消失问题
修正侧边菜单栏窗口尺寸变化异常问题
加强报告主菜单栏阴影，便于快速识别
修正儿童总分计算偏低问题
修正管理版后台不同报告版本跳转问题，正确识别菌群版
v20180725：
打印版更新
修正建议文字清晰度
修正指标范围清晰度
在线版更新
增加40岁以上绝经女性非卵巢雌激素水平评估指标
更新健康人群队列数量，增加0~7岁健康儿童参照人群数量
v20180718：
更新在线绑定页面，减少问题填写
v20180714：
打印版更新
重新设计版式，全面更新以页面模式展示
增加厚壁菌、拟杆菌比例
增加香浓指数和菌种数量
更新疾病风险分值分布图，以实际验证人群检验模型和风险分值分布
在线版更新
以分栏式页面展示不同内容
新增分项健康评估分值
使用v20180710疾病模型，大幅增加结直肠癌、肝病等人群数量，部分疾病检出率大幅上升，总体分值相对统一
v20180615：
在线版更新
增加菌群详情部分，在页面中给出具体门、纲、目、科、属、种对应注释具体菌及丰度
修正部分文案错误
去除血清素缺乏建议中的药物建议
v20180610：
在线版更新
重新增加抗生素抗性中beta-内酰胺类药物的抗生素抗性风险评估
v20180510：
在线版更新
胃病调整，增加检测模型敏感度，增加胃癌样本
新增菌群检测版本，仅提供菌群信息
v20180420：
疾病模型更新，部分疾病使用深度神经网络模型，使用7万例样本进行基础网络构建。迁移学习提升少样本疾病预测可靠性。
v20180310：
在线版更新
增加个体化食物推荐
增加自闭症疾病风险评估
v20180114：
菌群注释大幅增加人体致病病原菌增加至340种，并全部注释到种，已去除25种分辨精度不足的菌
v20171210：
增加菌群详情，提供完整的菌群构成丰度和菌注释
v20171116：
更新疾病预测模型，提高疾病检出率，增加疾病风险预防提示，将潜在风险人群分值提升至0.3~0.5区段
v20170730：
更新疾病预测模型，使用新的机器学习方法，减少疾病之间相互干扰
v20170503：
暂时下线肥胖、慢性疲劳综合征以及季节性过敏和骨质疏松，因样本数量尚不足以使模型获得稳定预测，转入alpha测试阶段
调整肝病风险，精细化预测乙肝、肝功能异常、肝癌
增加营养部分，加入各种氨基酸、加入维生素A、B族维生素、D
v20170415：
君验专业版上线
完整提供菌群构成、疾病风险和营养构成三大模块
在线版更新
重新排版并增加说明和背景知识
增加疾病风险评估的准确度及人群分布图
v20161013：
增加血清素代谢及睡眠质量
增加人群分布，扩增为2.4万人
v20160715：
疾病增加胃病、肾病、肝病、胆病、心脑血管疾病、抑郁症、老年痴呆
v20160322：
增加疾病风险评估
首批疾病包括：IBS、IBD、结直肠癌、II型糖尿病以及自体免疫疾病
肥胖、慢性疲劳综合征以及季节性过敏
另外初步测试骨质疏松
v20151005：
增加代谢和6种营养成分分析内容
增加抗生素抗性评估内容
v20150712：
首个正式在线评估版上线
提供菌群多样性及菌群失调
健康人群分布
具体菌群情况
v20150510：
首批1万例临床病理样本检测完毕，疾病模型及人群菌群分布初步构建完成。
谷禾是中国乃至全球领先的肠道菌群和精准健康检测公司，专注于肠道，阴道等菌群检测及其在健康临床领域的实际应用。
肠道菌群复杂多样，与众多环境及疾病因素息息相关，解析肠道菌群与健康的关系需要针对大量不同人群、环境和条件下的菌群样本及研究。为推动肠道/阴道菌群的健康及临床应用，谷禾基于自身检测和数据分析优势设立开放基金，希望联合来自各个领域和方向的研究人员以及合作者，帮助完成大样本队列的实验和检测以及后续的深度分析。最终早日实现肠道菌群在现实生活和临床应用中的落地。
基于上述目的和定位，支持方向为人体肠道菌群研究，具有实际临床意义或健康检测价值的实验设计或设想。不仅限于科研人员，也面向公众、团体和机构。
方向可以包括：传染病、肿瘤、慢性病、药物、营养、生殖发育等，并不仅限于疾病或诊疗，也可包括饮食、生活方式、生长发育或认知心理等方向。
注意：本基金仅支持人体肠道菌群研究，且研究目标为实际应用导向。
基金为长期开放，随时申请，申请通过后签订项目合同，并随时公布入选项目清单，并会同时定期公布项目进展情况。
项目会分三个阶段，根据项目进展情况逐步推进，由谷禾专家团队评议是否进入下一个阶段。
基金不直接提供资金，谷禾会免费提供包括：
另外根据样本采集和招募需要，谷禾可提供在线信息登记和为样品提供参与者提供菌群检测报告。
三个阶段分别是：
第一阶段为100例探索阶段
第二阶段为300~500例大样本验证阶段
第三阶段为500~1000例临床或实际应用阶段
随时申报，申请书递交后1周内回复，项目是否支持由谷禾专家团队评议。
每个课题根据不同阶段，研究年限为1~3年。
开放课题申请书可通过下方链接在线申请填写。
申请关键需要明确研究目标，必须具备实际临床或检测应用价值。
申请人需要明确说明具备的研究条件，包括人群队列召集或样本获取途径，样本收集周期等，另外已有部分样本或数据的研究优先支持。
有下列情况之一者不予受理：
（一）申请书填写不合要求；
（二）不符合资助范围；
（三）申报材料不齐全；
（四）申报材料填写不真实。
本开放基金所涉及具体研究方案、样本原始数据、发表论文知识产权均归申请人所有，谷禾仅对样本数据具有使用权。
谷禾不要求论文署名，仅要求相关研究发表论文中注有致谢。
所有研究样本及样本贡献人员个人信息均需脱敏。
1、申请人通过在线提交申请书
2、谷禾专家委员会审议，通过则签署开放基金项目合同书
3、签署合同书后1周内谷禾发放第一批50例取样盒，申请人在3个月内完成先期测试和实验
4、发放第二批50例取样盒，申请人在3个月内完成第一阶段取样和调查
5、如申请人申请进一步开展第二阶段，谷禾专家委员会在2周内完成第一阶段数据的评估，确定第二阶段研究规模并发放一半的取样盒
6、申请人在4个月内完成该批次的测试和实验研究，发放剩余取样盒，第三阶段依次类推，阶段周期延长为6个月。
项目实施过程中，申请人须符合伦理原则，严格遵照伦理审查规范。
项目进行期间调整或更换课题申请者必须经谷禾批准。
项目启动后，申请人有责任和义务建立完整的数据和课题档案，包括课题执行中的各类报表、各种原始实验记录、图表、数据、光谱原件及论文，并在课题结束后整理齐全交谷禾归档保存。
项目实施过程中，申请人须在项目阶段周期内开展研究和课题，无正当理由逾期或无进展者，谷禾将停止资助。
基金支持不得用于与申报课题无关的方向，如不严格执行谷禾可拒绝提供的技术和服务支持。
项目名称 |
申请人 |
单位 |
项目阶段 |
启动日期 |
肠道菌群特征用于心梗及脑梗风险监测 |
何煜舟 |
浙江省中医院 |
第三阶段 |
20170513 |
轮状病毒与诺如病毒感染腹泻儿童肠道菌群改变差异研究 |
谢晓丽 |
成都妇女儿童中心医院 |
第三阶段 |
20180328 |
HP根除成功与否儿童治疗前肠道菌群特征差异 |
谢晓丽 |
成都妇女儿童中心医院 |
第三阶段 |
20180325 |
儿童食物过敏性慢性腹泻肠道菌群特征调查 |
谢晓丽 |
成都妇女儿童中心医院 |
第三阶段 |
20180403 |
胃癌患者肠道菌群特征及与结直肠癌患者差异 |
沈健 |
浙江省人民医院 |
第三阶段 |
20180428 |
皖南地区胃癌、结肠癌肠道菌群特征研究 |
徐振宇 |
皖南医学院弋矶山医院 |
第三阶段 |
20180518 |
多组学整合分析肠道菌群在妊娠糖尿病及合并症患者发病中的作用 |
孙嘉 |
江南大学食品学院 |
第二阶段 |
20180525 |
便秘，肥胖以及糖尿病人群复合特征菌群 |
樊沅峰 |
中国康纳斯 |
第二阶段 |
20180718 |
人牙囊原虫感染对儿童肠道菌群的影响 |
田利光 |
中国疾病防控中心 |
第二阶段 |
20180803 |
直肠癌局部肠道菌群的培养组学及基因组学研究 |
左志贵 |
温州医科大学结直肠癌临床研究中心 |
第二阶段 |
20180818 |
结直肠癌前病变患者肠道及粪便菌群特征异同分析与规范治疗后肠道及粪便菌群差异性分析 项目 |
陈婷婷 |
南京中医药大学肿瘤协同创新中心 |
第三阶段 |
20190220 |
F，nucleatum协同CRM促进结直肠癌细胞侵袭的研究 |
李祥 |
温州医科大学 |
第三阶段 |
20190328 |
生长迟缓儿童肠道菌群分布研究 |
王春林 |
浙江大学医学院附属第一医院 |
第二阶段 |
20190516 |
北京地区职业人群慢性代谢性疾病风险防控的系统医学精准防控工具探索 |
周贵常 |
中关村卓益慢病防治科技创新研究院 |
第二阶段 |
20190601 |
高尿酸血症患者肠道菌群变化的区域性差异研究 |
刘海峰 |
武汉康复得生物科技股份有限公司 |
第二阶段 |
20190813 |
咸阳翰林炎症性肠炎和大肠腺瘤性息肉与肠道菌群的关系探究 |
苏翔 |
咸阳翰林中医结肠病研究所 |
第一阶段 |
20190829 |
妊娠高血压与肠道菌群相关研究 |
杨微涛 |
长沙妇幼保健医院 |
第三阶段 |
20190829 |
肠道微生态在结核病防治作用中的研究 |
曾朝阳 |
长沙中心医院-省结核重点专科 |
第二阶段 |
20190909 |
人体肠道菌群与肥胖的关系及有氧运动干预效果的研究 |
周多奇 |
安庆师范大学 |
第三阶段 |
20190924 |
口腔癌的肠道菌群特征研究及预后评估模型的建立 |
梁玉洁 |
中山大学附属口腔医院 |
第一阶段 |
20191031 |
结直肠癌根治术后腹腔热灌注化疗对肠道菌群的影响 |
刘其龙 |
中山大学附属第一医院 |
第一阶段 |
20191108 |
生命早期肠道菌群建立与幼儿生长发育迟缓 |
匡晓妮 |
长沙妇幼儿童保健中心 |
第二阶段 |
20200420 |
肠道菌群与第二代抗精神病药所导致精神分裂症患者代谢改变的相关性研究 |
赵雪 |
上海市精神卫生中心 |
第二阶段 |
20200628 |
肠道菌群与肿瘤免疫治疗应答和毒副作用的临床样本 |
郝文胜 |
解放军第901医院 |
第二阶段 |
20200701 |
肠道菌群紊乱与进食障碍治疗效果的关系 |
亢清 |
上海市精神卫生中心 |
第二阶段 |
20200715 |
胃癌围手术期化疗与肠道菌群关系探究 |
刘琪 |
郑州大学第一附属医院 |
第一阶段 |
20200814 |
肠道菌群与老年患者骨科手术术后谵妄相关性及干预研究 |
郑晋伟 |
中国科学院大学宁波华美医院 |
第二阶段 |
20201021 |
肠道菌群与儿童精神发育多组学研究 |
曹爱华 |
山东齐鲁医院 |
第二阶段 |
20210506 |
肠道菌快速检测和精准干预在儿童消化道疾病的临床应用 |
汤卫红 |
杭州市儿童医院 |
第二阶段 |
20210803 |
耐多药结合患者肠道菌群特征及代谢 |
李祥 |
温州医科大学 |
第二阶段 |
20210923 |
肠道菌群快速检测和精准干预在老年呼呼吸道感染疾病中的临床应用 |
李凡 |
国药东风总医院 |
第一阶段 |
20210102 |
鼠李糖乳杆菌辅助治疗支气管哮喘患儿肠道菌群分布及临床疗效分析 |
茹凉 |
新疆医科大学第一附属医院 |
第一阶段 |
20220413 |
儿童先天性巨结肠肠道菌群相关性研究 |
黄泓玮 |
郑州大学第三附属医院 |
第一阶段 |
20220419 |
糖原蓄积综合症与肠道菌群 |
杨敏 |
广东省人民医院 |
第二阶段 |
20210610 |
肠道菌群与不良妊娠结局的关联 |
黄利辉 |
长沙市妇幼保健院 |
第二阶段 |
20190715 |
自闭症谱系障碍的多组学研究与靶向菌群干预策略 |
王鹢超 |
全国多地区、多中心 |
第三阶段 |
20190513 |
基于代谢组学和肠道菌群对T2DM的研究及其关键生物标志物筛选 |
周多奇 |
安庆师范大学 |
第二阶段 |
20220731 |
肥胖儿童高尿酸血症肠道菌群特征调查 |
牛杨 |
上海交通大学医学院附属新华医院 |
第一阶段 |
20220801 |
基于联合组学分析益生菌干预炎症性肠病的效应机制研究 |
石水琴 |
安庆师范大学 |
第二阶段 |
20220828 |
益生菌补充对幽门螺旋杆菌阳性患者治疗中消化系统不良的影响及机制研究 |
顾秋云 |
上海市第一人民医院 |
第二阶段 |
20221215 |
粪菌移植精准配型研究项目 |
柳丰萍 |
江南大学附属医院 |
第二阶段 |
20230110 |
婴幼儿炎症性肠病出生队列 |
杨敏 |
广东省人民医院 |
第三阶段 |
20230220 |
初诊及不同剂量低敏配方治疗食物蛋白 诱导的直肠结肠炎婴儿肠道菌群研究 |
周梦瑶 |
成都市妇女儿童中心医院 |
第一阶段 |
20230413 |
特发性少弱精症患者肠道菌群研究 |
王变 |
上海交通大学医学院附属第九人民医院 |
第一阶段 |
20230419 |
子宫内膜息肉患者肠道菌群特征及其作用机制的研究并建立复发预测模型 |
邱洁霞 |
诸暨市人民医院 |
第一阶段 |
20230625 |
缺血性脑卒中患者肠道菌群监测和干预应用 |
徐晓民 |
首都医科大学 |
第二阶段 |
20230807 |
关节术后关联的骨质疏松与肠道菌群关系探究 |
徐晓民 |
首都医科大学 |
第一阶段 |
20230807 |
抗菌治疗下的阴道微生物的响应与重建 |
黎丽 |
长沙市妇幼保健院 |
第一阶段 |
20230807 |
先天性脊柱侧凸患者肠道菌群研究 |
彭志明 |
中国医学科学院北京协和医学院 |
第二阶段 |
20230907 |
骨代谢疾病的肠道菌群研究 |
彭志明 |
北京协和医院骨科 |
第二阶段 |
20230925 |
超声联合肠道菌群分析评估蒙药治疗肠系膜淋巴结肿大患儿的临床效果 |
沈丽青 |
内蒙古医科大学附属医院 |
第一阶段 |
2023.11.20 |
肠道菌群与下肢动脉硬化闭塞症的相关性及干预研究 |
冉峰 |
南京大学医学院附属鼓楼医院 |
第一阶段 |
2023.12.05 |
基于肠道微生态模型探讨重组人胰岛素贴片对2型糖尿病的肠轴机制 |
沈建 |
浙江省人民医院越城院区 |
第一阶段 |
2023.12.07 |
131-碘治疗对甲状腺疾病患者肠道菌群影响的分析的临床研究 |
席永昌 |
保定市第一中心医院 |
第一阶段 |
2023.12.27 |
肠道菌群及代谢产物丁酸钠调控特发性矮身材研究 |
郑治民 |
大连医科大学妇女儿童医疗中心 |
第一阶段 |
2024.1.24 |
Yan X, Yan J, Xiang Q, et al. (2023) Early-life gut microbiota in food allergic children and its impact on the development of allergic disease. Ital J Pediatr. 9;49(1):148. (儿童食物过敏)
Xu S, Liu W, Gong L, et al. (2023) Association of ADRB2 gene polymorphisms and intestinal microbiota in Chinese Han. Open Life Sciences. doi.org/10.1515/biol-2022-0646 ( 中国汉族青少年胃肠病相关 )
Qian X, Liu A, Liang C, et al. (2022) Analysis of gut microbiota in patients with acute myocardial infarction by 16S rRNA sequencing. Ann Transl Med. 10(24):1340. ( 急性心肌梗死 )
Chen C, Shen J, Du Y, et al. （2022）Characteristics of gut microbiota in patients with gastric cancer by surgery, chemotherapy and lymph node metastasis. Clin Transl Oncol. 24(11):2181-2190 . (胃癌和化疗)
Chen C, Du Y, Liu Y, et al. （2022）Characteristics of gastric cancer gut microbiome according to tumor stage and age segmentation. Applied Microbiology and Biotechnology. 106(19): 6671-6687. （胃癌）
Lou M, Cao A, Jin CL, et al. (2021) Deviated and early unsustainable stunted development of gut microbiota in children with autism spectrum disorder. Gut. 71(8):1588-1599 ( 自闭症谱系障碍 )
Shen J, Jin CL, Zhang YY, et al. （2022）A multiple-dimension model for microbiota of patients with colorectal cancer from normal participants and other intestinal disorders. Applied Microbial and Cell Physiology. 106(5-6):2161-2173（结直肠病，腺瘤，息肉）
Yu T, Ji L, Lou L, et al. （2022）Fusobacterium nucleatum Affects Cell Apoptosis by Regulating Intestinal Flora and Metabolites to Promote the Development of Colorectal Cancer. Frontiers in microbiology. 18;13:841157 （结直肠癌， 具核梭杆菌 ）
Zhang M, Miao D, Ma Q, et al. (2022) Underdevelopment of gut microbiota in failure to thrive infants of up to 12 months of age. Front. Cell. Infect. Microbiol. 12:1049201 (幼儿生长发育迟缓、生长不足 )
Zhang Y, Shen J, Shi X, et al. (2021) Gut microbiome analysis as a predictive marker for the gastric cancer patients. Applied Microbiology and Biotechnology. 105(2), 803-814（胃癌）
Li X, Huang J, Yu, T, et al. (2021) Fusobacterium nucleatum Promotes the Progression of Colorectal Cancer Through Cdk5-Activated Wnt/β-Catenin Signaling. Frontiers in microbiology. 11, 545251（结直肠癌）
Xiong L, Li Y, Li J, et al. (2021) Intestinal microbiota profiles in infants with acute gastroenteritis caused by rotavirus and norovirus infection: a prospective cohort study. Int J Infect Dis.111:76-84（轮状病毒和诺如病毒感染）
Huang L, Cai M, Li L, et al. (2021) Gut microbiota changes in preeclampsia, abnormal placental growth and healthy pregnant women. BMC Microbiol. 4;21(1):265 (先兆子痫、胎盘生长异常)
Wan C, Zhu C, Jin G et al. (2021) Analysis of Gut Microbiota in Patients with Coronary Artery Disease and Hypertension. Evid Based Complement Alternat Med. 7195082 (心脑血管疾病，高血压，冠心病)
Liu H, Pan LL, Lv S, et al. (2019) Alterations of Gut Microbiota and Blood Lipidome in Gestational Diabetes Mellitus With Hyperlipidemia. Front Physiol. 10:1015（妊娠糖尿病）
徐山茸，龚莉，储文文，周多奇. (2021) 12 周高强度间歇性训练对人体肠道菌群的影响. 微生物学通报. 48(4): 1215−1226 (运动）