-
国家认可委 CNAS L23010 认可项目：微生物宏基因组 | 16S rRNA扩增子
二级病原微生物安全实验室
国家高新企业 | ISO9001认证 | 肠道健康精准检测高新技术研发中心 | 专精特新企业- 联系电话：+13336028502
- +400-161-1580
- service@guheinfo.com
国家认可委 CNAS L23010 认可项目：微生物宏基因组 | 16S rRNA扩增子
二级病原微生物安全实验室 国家高新企业 | ISO9001认证 | 肠道健康精准检测高新技术研发中心 | 专精特新企业
谷禾健康
肠道微生物组作为人体“第二基因组”，在癌症的发生、发展及治疗反应中扮演着日益重要的角色。这些微生物不仅在局部和全身层面调节免疫应答，还深刻影响着炎症、免疫监视和耐受性。
平衡良好的微生物群是有效免疫功能的基石，但由饮食，环境因素，生活方式，感染或药物驱动的干扰可能会促进慢性炎症并损害抗肿瘤免疫力。越来越多的证据表明，这些干扰不仅有助于肿瘤的发生和发展，而且还对治疗产生耐药性。
微生物及其代谢产物能够通过局部及全身性机制，直接影响药物代谢、塑造免疫微环境，并改变肠道、全身乃至肿瘤微环境（TME）中的转录和表观遗传程序。
大量新兴数据支持，微生物组作为预后和预测性生物标志物、癌症防治中可调控因素以及治疗靶点的巨大潜力。以微生物组为靶点的干预措施（如粪菌移植、饮食调整、益生元和益生菌）可作为传统癌症疗法的辅助手段，增强疗效并降低毒性。
本文探讨了微生物组驱动癌症发生发展的多维机制，包括基因毒性、慢性炎症和表观遗传调控。详细分析微生物组如何调节化疗、放疗及免疫治疗的疗效与不良反应，还系统梳理了当前基于微生物组的癌症治疗策略，如粪菌移植、饮食干预、益生菌和后生元等，并总结了相关临床试验的进展。
历史上，微生物与癌症的关联常采用科赫假设（Koch’s postulates）等框架，将疾病归因于具有确定潜伏期的单一病原体。然而，现在人们认识到，微生物作为复杂的群落发挥作用，对宿主产生集体效应，而不仅仅是孤立的病原体。这些效应包括调节炎症、免疫、代谢和表观遗传，从而深刻影响致癌过程。
微生物驱动的致癌机制
微生物群通过多种复杂的机制促进肿瘤的启动和进展，主要包括直接的基因毒性效应、诱导慢性炎症和肠道屏障功能障碍，以及对宿主细胞的表观遗传调控。这些机制相互交织，共同构成了一个促癌的微环境。
肠道微生物组可通过诱导基因组损伤、表观遗传调控或破坏肠道屏障功能参与癌症的启动和/或进展。这些机制共同作用，促进了从正常上皮到恶性肿瘤的转化。
病原菌的致癌策略：信号传导与毒素的双重威胁
定植于上皮表面的病原菌或机会性细菌可通过直接的宿主细胞信号传导、微生物间通讯或分泌毒素发挥致癌作用。其中，细菌基因毒素是研究最为深入的直接致癌因素之一。这些毒素包括tilimycin、indolimines、tilivalline、colibactin和脆弱拟杆菌毒素（Bacteroides fragilis toxin, BFT）等。
编辑
-Colibactin
在这些毒素中，Colibactin的机制研究最为透彻。Colibactin由存在于变形菌门（如特定大肠杆菌菌株）中的聚酮合酶（pks）基因岛编码。这种基因毒素能够诱导DNA双链断裂和烷基化，从而引发基因组不稳定性，促进癌症的发生。
编辑
图源：doi.org/10.1038/s41579-025-01268-6
例如，一项研究发现，在结直肠癌中，由产colibactin的大肠杆菌（pks+ E. coli）引起的突变特征与早发性CRC相关。此外，产BFT的脆弱拟杆菌（ETBF）能够协同pks+ E. coli，其产生的BFT和黏液溶解活性使得colibactin能够穿透黏液层，到达上皮细胞，从而加剧DNA损伤。
微生物代谢物：潜在的DNA损伤元凶？
除了直接的基因毒素，微生物代谢物也可能具有DNA损伤效应。例如，有研究指出微生物将初级胆汁酸转化为次级胆汁酸，后者过量可通过诱导DNA损伤、调节炎症通路和抑制抗肿瘤免疫反应（包括抑制在癌症免疫监视中至关重要的细胞毒性CD8+ T细胞）来促进结直肠肿瘤的发生。
同样，肠道微生物将管腔中的乙醇转化为乙醛，或将某些亚硝胺类致癌物（如N-丁基-N-(4-羟丁基)亚硝胺）转化为更具活性的形式，这些过程均可导致基因组损伤。
雌激素与微生物：远程影响
此外，微生物的β-葡萄糖醛酸酶（GUS）能够重新激活在肝脏中被结合失活的雌激素，提高循环雌激素水平，这可能对乳腺癌等雌激素敏感性肿瘤的发生构成远距离影响。
慢性炎症与肠道屏障功能障碍
慢性微生物感染是癌症发生的重要驱动力
例如，幽门螺杆菌（Helicobacter pylori）感染通过诱导持续性胃部炎症，促进胃癌的发生，而根除幽门螺杆菌已被证实可以预防胃癌。同样，伤寒沙门氏菌（Salmonella typhi）与胆囊癌的发生相关。
编辑
图源：doi.org/10.1038/s41579-025-01268-6
微生物组失衡促癌变
即使在没有明显感染的情况下，微生物组失衡也能通过调节局部炎症反应促进癌变。
例如，通常存在于口腔的具核梭杆菌（Fusobacterium nucleatum）在特定条件下可定植于肠道，并在CRC肿瘤中诱导肿瘤微环境的炎症。
炎症与癌症之间的复杂信号网络
微生物诱导的炎症部分通过模式识别受体（如Toll样受体，TLRs）信号和炎症小体激活介导，导致细胞因子和活性氧（ROS）的产生，这些分子刺激上皮增殖、免疫逃逸以及癌细胞在远端部位的播散和植入。
肠道炎症与肠道屏障功能障碍密切相关
屏障功能受损，即黏液层和上皮细胞无法在管腔微生物群落与宿主上皮之间提供足够的空间，增加了促癌微生物和分泌性基因毒素造成损害的易感性。受损的屏障完整性促进了微生物产物（如脂多糖，LPS）和代谢物（如胆汁酸）的易位，进入体循环。这些因素可驱动远端组织的全身性炎症或免疫抑制，可能导致远端上皮和非上皮癌症及转移的发生。
编辑
保护性微生物代谢物的作用
一些微生物代谢物，如膳食纤维在结肠中发酵产生的短链脂肪酸（SCFAs），通过促进紧密连接形成和刺激黏液产生，对肠道屏障具有保护作用。
表观遗传调控
肠道微生物组是一个强大的表观遗传调节器，能够通过代谢、炎症和饮食-微生物相互作用的组合来塑造基因表达和肿瘤行为。
图源：doi.org/10.1038/s41579-025-01268-6
丁酸盐的双重角色：从能量源到表观遗传调控
最典型的微生物驱动的表观遗传调控机制是SCFA中的丁酸盐对组蛋白去乙酰化酶（HDAC）的抑制。在健康的上皮细胞中，丁酸盐是支持增殖和分化的能量来源。然而，随着肿瘤细胞代谢转向有氧糖酵解（瓦博格效应），丁酸盐不再被有效消耗。其积累导致过度HDAC抑制，改变染色质构象，促进抑癌基因的转录激活，从而抑制癌变。
膳食成分与微生物的影响
其他微生物或膳食成分也能影响表观基因组。例如，叶酸、亚硝胺和致肥胖饮食在小鼠模型中影响DNA甲基化和组蛋白乙酰化，促进肠道肿瘤发生。
产毒脆弱拟杆菌的致癌机制
有趣的是，在小鼠模型中，产肠毒素的脆弱拟杆菌（ETBF）定植通过破坏DNA修复机制促进结直肠肿瘤发生，并诱导广泛的CpG岛高甲基化，这是肿瘤组织中表观遗传变化的标志。
不同类型的癌症与特定的微生物组特征相关联，这些特征不仅存在于胃肠道肿瘤中，也见于乳腺癌、前列腺癌等远端肿瘤，揭示了微生物组在肿瘤生态系统中的广泛影响。
结 直 肠 癌
结直肠癌（CRC）的发展与多种微生物、其代谢物和结肠上皮之间的相互作用密切相关。在动物模型和细胞培养研究中，特定微生物如ETBF（产肠毒素的脆弱拟杆菌）、具核梭杆菌（F. nucleatum）和携带pks基因岛的大肠杆菌（pks+ E. coli）被证明有助于肿瘤发生。
将结直肠癌患者的粪便微生物群移植到无菌小鼠体内，会导致细胞增殖增加、息肉数量增多、异型增生更严重以及炎症标志物水平升高，这强烈表明肠道微生物组失衡可能是结直肠癌发展的致病因素。
驱动-乘客模型：微生物的协同作用
“驱动-乘客”模型提出，像ETBF这样的驱动菌通过引发慢性炎症和破坏上皮屏障，创造一个允许性环境，让像具核梭杆菌这样的共生乘客菌得以定植并加剧肿瘤进展。具核梭杆菌通过其细胞表面的FadA黏附素与上皮E-钙黏蛋白直接相互作用，激活β-连环蛋白信号通路，促进肿瘤细胞增殖和存活。
编辑
具核梭杆菌与化疗耐药性
此外，具核梭杆菌还通过刺激肿瘤细胞中的自噬相关蛋白，与化疗药物的细胞毒性作用相抗衡，从而与化疗耐药性相关。临床上，结直肠癌肿瘤组织中的具核梭杆菌DNA水平较高与结直肠癌特异性死亡率增加相关，表明其可作为潜在的预后生物标志物。
胃 癌
在胃癌中，幽门螺杆菌（H. pylori）感染是公认的关键致病因素。它通过其毒力因子（如CagA和VacA，在谷禾16S Plus检测实践中，也会检出个别受检者携带 CagA和VacA毒力基因）引发炎症和免疫反应，进而可能有诱发癌症风险。然而，随着胃癌进展，胃内环境发生萎缩，幽门螺杆菌数量反而减少，而其他非幽门螺杆菌物种（如乳酸杆菌属、链球菌属）开始增多。
肝 细 胞 癌
在肝细胞癌（HCC）中，肠-肝轴起着关键作用。肠道屏障功能受损导致细菌及其产物（如LPS）易位至肝脏，诱发炎症、纤维化和肝细胞损伤，最终促进癌变。
肝细胞癌患者的肠道微生物组通常表现为产SCFA的细菌多形拟杆菌（Bacteroides thetaiotaomicron）减少，而促炎细菌（如大肠杆菌）增多。
胰 腺 导 管 腺 癌
胰腺导管腺癌（PDAC）同样与肠道微生物组失调相关。肠道屏障受损允许某些肠道微生物（如变形菌门）易位至胰腺，在局部创造一个免疫抑制的微环境，促进肿瘤进展。此外，微生物对胆汁酸的代谢异常也被认为是PDAC的风险因素之一。
激素依赖性癌症
肠道微生物组在激素代谢中发挥着重要作用，从而影响激素依赖性肿瘤的进展。所谓的雌激素菌基因组（estrobolome）是指能够代谢雌激素的细菌基因集合。肠道中的细菌β-葡萄糖醛酸酶可以解偶联在肝脏中结合的雌激素，使其重新被吸收入血，提高循环中活性雌激素的水平，从而促进乳腺癌等雌激素驱动肿瘤的生长。
在乳腺癌患者中，具有β-葡萄糖醛酸酶活性的菌种（如梭菌属）丰度增加可能与更严重的临床分期有关。同样，在前列腺癌中，肠道菌群能够从头合成雄激素或将皮质醇代谢物转化为雄激素，促进对内分泌治疗的抵抗。
癌症的多步发生模型认为，遗传和表观遗传的序贯改变是恶性转化的驱动力。新兴证据表明，微生物组的失调可能是这一模型中一个额外的、相互关联的因素。
生命早期的微生物组发育
微生物组的发育始于生命早期，受分娩方式、喂养习惯和饮食转变的影响。在这一关键窗口期的干扰可能导致微生物多样性永久性降低和对免疫与代谢稳态至关重要的关键菌种的缺失。
生活方式对微生物组的影响
在整个生命周期中，累积的损害（包括抗生素滥用、慢性压力和低纤维、超加工饮食）会进一步侵蚀微生物的多样性和功能。这种微生物恢复力的逐步丧失可能会损害上皮完整性、增加炎症、削弱代谢信号和免疫监视。
多个研究和科学家提出，微生物组的这种纵向退化可能会降低癌症启动和进展的阈值，与经典致癌过程中的逐步遗传事件相平行。
微生物组健康随生命周期的逐步退化可能促进癌症发展
编辑
图源：doi.org/10.1038/s41579-025-01268-6
图中显示了肠道微生物组健康和恢复力的两种对比轨迹
每次急性干扰后恢复不完全，导致微生物组健康和恢复力逐步退化。
持续的压力源可能将个体推向恶化轨迹，直至达到癌症发展概率更高的阈值。
癌症治疗反应的变异性受到多种宿主和肿瘤相关因素的影响，而肠道微生物组是导致这种变异性的一个重要贡献者。
微生物组主要通过两大机制调节癌症治疗结果：
一是通过微生物对治疗药物的生物转化以及药物对微生物组的反作用；
二是通过微生物介导的宿主免疫反应调节。
微生物组与化疗、放疗及靶向治疗
肠道微生物组编码着庞大的基因库，能够代谢多种肿瘤学和非肿瘤学药物，从而影响药物的生物利用度、疗效和毒性。
微生物介导的影响癌症治疗结果的机制
编辑
图源：doi.org/10.1038/s41579-025-01268-6
药物的微生物生物转化
一个典型的例子是化疗药物5-氟尿嘧啶（5-FU）及其口服前药卡培他滨。某些大肠杆菌和厌氧棒状菌属（Anaerostipes）表达细菌二氢嘧啶脱氢酶（DPD），能将5-FU转化为其非活性形式，从而可能降低其疗效。
类似地，用于治疗胰腺癌的吉西他滨可被某些肿瘤相关γ-变形菌纲细菌表达的胞苷脱氨酶（CDA）脱氨而失活，导致耐药。
微生物也能激活药物
拓扑异构酶I抑制剂伊立替康在肝脏中被代谢为活性形式SN-38，随后经葡萄糖醛酸化为无活性的SN-38G，通过胆汁排入肠道。肠道中的细菌β-葡萄糖醛酸酶（GUS）能将SN-38G重新激活为SN-38，后者会引起严重的上皮损伤、黏膜炎和腹泻等剂量限制性毒性。虽然理论上肿瘤内的再激活可能增强疗效，但肠道内的再激活主要导致毒性增加。
微生物影响疗效与毒性
除了直接代谢药物，微生物组还能通过调节免疫系统间接影响化疗效果。例如，化疗药物环磷酰胺能促进特定肠道细菌（如Enterococcus hirae）易位至次级淋巴器官，诱导产生有助于其治疗效果的TH17细胞（T辅助17细胞）反应。
同样，奥沙利铂的疗效被发现依赖于肠道微生物组，肠道菌群通过激活免疫系统来增强抗肿瘤效果。
放疗与微生物组之间的双向互动
一方面，放疗（尤其是盆腔放疗）会显著改变肠道微生物组的组成，导致多样性下降，并可能增加机会性病原菌。
另一方面，微生物组的组成可以预测患者对放疗的反应和毒性。例如，放疗前肠道菌群多样性较低与晚期放射性肠病相关。在小鼠模型中，粪菌移植（FMT）被证明可以保护机体免受辐射引起的毒性。
靶向治疗
对于靶向治疗，研究尚处早期。一项针对转移性CRC的研究发现，对抗EGFR（西妥昔单抗）和抗VEGF（贝伐珠单抗）治疗的疾病进展组患者，其肠道微生物组中具核梭杆菌的丰度显著高于部分缓解组。
在HER2阳性乳腺癌中，抗生素使用或移植来自抗生素处理供体的小鼠粪菌会削弱曲妥珠单抗的抗肿瘤效果。
微生物组与免疫治疗
免疫检查点抑制剂（ICIs）通过阻断T细胞上的抑制性信号（如PD-1、CTLA-4），重新激活细胞毒性CD8+ T细胞以攻击肿瘤，彻底改变了癌症治疗。然而，只有部分患者对ICIs有反应，而肠道微生物组是决定疗效的关键因素之一。
►▷ 微生物组如何调节免疫反应与治疗效果
多项早期研究独立证实，肠道微生物组的组成与抗PD-1/PD-L1治疗的反应相关。
尽管与疗效相关的具体菌种在不同研究中有所差异（如Akkermansia、Bifidobacterium、Ruminococcus），但其免疫调节机制常常趋同于增强CD8+ T细胞的数量或活性。
例如，在临床前模型中，口服双歧杆菌可增强树突状细胞（DC）的激活和CD8+ T细胞的启动，从而增强对PD-L1阻断的反应。同样，Akkermansia muciniphila通过促进CD8+ T细胞招募至肿瘤，来增强对PD-1抑制的反应。
这些发现表明，与ICI疗效相关的菌种可能共享一种能力，即在肠系膜淋巴结或肠黏膜中诱导依赖于DC的CD8+ T细胞启动，随后通过趋化因子介导浸润至TME。
肠道菌群的影响：U型效应
值得注意的是，微生物组对ICI疗效的影响可能具有“U型”或“倒U型”特征。
编辑
例如，一项针对晚期非小细胞肺癌（NSCLC）患者的研究发现，肠道中A. muciniphila的相对丰度处于中等水平（而非低或高水平）的患者，其临床反应最佳。这提示微生物的影响并非简单的“越多越好”，而是需要一个平衡的生态系统。
►▷ 微生物代谢物：抗肿瘤免疫的关键因素
微生物的功能冗余性可能比分类学组成更为关键，即不同的微生物群落可能产生相似的代谢或免疫输出。多种微生物代谢物被证明在调节免疫治疗反应中发挥核心作用。
肠道微生物代谢物与免疫
编辑
图源：doi.org/10.1038/s41579-025-01268-6
该图描绘了肠道微生物组与免疫系统之间的相互作用，说明了膳食成分（如纤维）如何影响SCFAs、胆汁酸和色氨酸衍生物的产生。这些代谢物调节多种免疫细胞，并通过调节炎症细胞因子和增强癌细胞凋亡来促进抗肿瘤免疫和ICI治疗效果。
编辑
图源：doi.org/10.1038/s42255-025-01287-w
代谢物的作用是情境依赖的
例如，丁酸盐在某些情况下能增强细胞毒性CD8+ T细胞功能，支持抗肿瘤免疫，但在其他条件下也可能促进免疫抑制性的Treg细胞扩增。
同样，具核梭杆菌在不同研究中显示出截然相反的作用：一项研究表明其产生的丁酸能敏化MSS型CRC对ICIs的反应，而另一项研究则发现其产生的琥珀酸会抑制免疫信号通路，导致耐药。
这凸显了菌株、肿瘤微环境和代谢产物背景的复杂性。
►▷ 肠道菌群预测免疫相关不良事件
ICIs激活的免疫系统也可能攻击正常组织，导致免疫相关不良事件（irAEs）。多项报告将基线肠道微生物组组成与irAEs的发生风险联系起来。
然而，由于患者群体异质性、队列规模小以及irAEs定义不一致等原因，目前尚未发现一致的预测性微生物标志物。一些研究提示，特定的菌群（如拟杆菌门丰度较高）可能与结肠炎风险增加有关，但仍需更多机制性研究来阐明因果关系。
鉴于微生物组与癌症疗效和毒性的密切联系，操纵微生物组成员为增强治疗效果提供了新的契机。一系列策略正在研究中，包括饮食干预、益生菌/益生元、粪菌移植（FMT）以及更前沿的工程菌和后生元等。
这些干预措施旨在通过重塑微生物组生态系统，来调节药物代谢、增强抗肿瘤免疫或减轻治疗毒性。
编辑
图源：doi.org/10.1038/s42255-025-01287-w
粪菌移植 (FMT)
粪菌移植是目前研究最深入的微生物组干预手段之一。两项开创性的I期临床试验表明，将来自对ICI有反应的黑色素瘤患者的粪便微生物群移植给耐药患者，可以使一部分患者转为应答者，并伴随着CD8+ T细胞活化增强或TME中免疫细胞浸润的有利变化。
最近，一项在晚期黑色素瘤患者中进行的 I期试验进一步证实，接受健康供体FMT后，患者对一线抗PD-1治疗的反应得到改善，其粪便样本能够在小鼠模型中恢复抗PD-1疗效。
此外，FMT也被用于治疗难治性ICI相关性结肠炎，初步研究显示其能有效缓解症状，并伴随免疫细胞谱的改变。目前，大量临床试验正在探索FMT联合ICI在不同癌种（如肾细胞癌、NSCLC）中的应用。
饮食、益生元与益生菌
饮食干预是一种极具性价比的策略
一项观察性研究发现，高纤维饮食（不使用益生菌）与改善的ICI结局相关。
BE GONE试验（NCT02843425）等临床研究正在评估高纤维食物（如豆类）对微生物组和临床结局的影响，初步结果显示其能增加有益菌（如Faecalibacterium）并改善炎症标志物。
注：zhuBE GONE试验（NCT02843425）是一项由MD安德森癌症中心开展的临床研究，旨在探索食用 canned navy beans对肠道微生物组的影响，以及这种饮食干预是否能减轻肥胖对结直肠癌风险的负面影响。
传统益生菌
益生菌的应用也备受关注。一些传统益生菌（如某些乳杆菌和双歧杆菌）被发现能通过产生特定的代谢物（如I3A、吲哚-3-羧酸）或直接作用来增强抗肿瘤免疫。
下一代益生菌 和 工程菌
例如，A. muciniphila被多项研究证实与ICI的良好反应相关，其巴氏杀菌形式（一种后生元）或其膜蛋白Amuc_1100在临床前模型中显示出抗肿瘤效果。
工程化的大肠杆菌Nissle 1917菌株被改造用于在肿瘤局部递送免疫刺激分子（如将氨转化为L-精氨酸）或免疫检查点抑制剂纳米抗体，从而在不产生全身毒性的情况下增强抗肿瘤免疫。
微生物组干预策略面临的挑战
– 机制不确定性
许多干预措施（如高纤维饮食、传统益生菌）缺乏对特定菌种或功能如何调节疗效的深入机制理解，导致策略普适化，而非个体化。
– 情境依赖性和个体差异
微生物组的效果受宿主遗传、肿瘤类型、治疗方案和生活方式等多种因素影响，使得干预效果难以一概而论。
– 缺乏个体化生物标志物
目前缺少可靠的生物标志物来指导患者分层，或确定应靶向微生物的哪个方面（如药物代谢、屏障功能或免疫调节）。
– 临床试验设计的局限性
癌症患者常伴有免疫抑制、恶病质或胃肠道毒性，难以依从严格的饮食方案或口服疗法。此外，抗生素的普遍使用也干扰了微生物组的评估和干预。
除了作为治疗靶点，微生物组在癌症的早期检测和风险分层方面也展现出巨大潜力。
早期检测与风险分层
肠道微生物组已被探索作为早期癌症检测的工具，尤其是在结直肠癌领域。多项研究通过比较癌症患者与健康对照的微生物组谱，试图识别可用于诊断的微生物标志物。
谷禾健康通过上万例的结直肠癌和结直肠息肉患者及健康对照构建的肠癌识别模型，在样本量、病例类型覆盖与真实世界差异性方面显著优于多数以“数十到数百例”为主的研究型队列。更大的队列意味着模型能够学习到更稳定、可重复的微生物特征组合，降低因地域、饮食、年龄结构、用药史等因素带来的偶然偏差，从而在实际应用中具备更强的泛化能力与可识别性。
同时，许多研究仅做“癌症 vs 健康”的二分类；谷禾模型纳入“结直肠息肉”等癌前人群，更贴合早筛需求，能在症状出现前识别风险，并捕捉从健康到息肉/腺瘤再到癌变的连续变化信号，从而支持早期风险分层与更有针对性的随访与干预。
谷禾结直肠癌模型示意图
编辑
<来源：谷禾肠道菌群检测数据库>
但是不管是谷禾的模型还是科学研究的结果直接引用于临床诊断还需要有一段路走。
首先，横断面研究难以区分因果关系和相关性，且易受混杂因素（如并存病、用药）的干扰。
其次，与现有筛查手段（如 FIT/粪便免疫化学、结肠镜、影像与血液指标）进行对照评估，确定其增益价值与适用场景；并建立标准化的采样、测序/检测、质控与解读体系，控制抗生素、饮食、肠道准备等混杂因素影响。
伴 随 诊 断
微生物组作为伴随诊断工具的前景可能更为广阔，可用于指导治疗决策、预测疗效或毒性风险。例如，通过检测治疗前的肠道或肿瘤微生物组，可以识别出对特定疗法（如ICI）反应可能性较高的患者，或发生irAEs风险较高的患者。
基于对瘤胃球菌（Ruminococcus）等丰度的检测，可以对接受ICI治疗的患者进行分层。理想的伴随诊断应植根于机制理解，而不仅仅是关联数据，从而指导个性化干预，例如决定是否需要将FMT作为一线辅助治疗，或是否需要先通过菌群移植恢复患者对膳食纤维的降解能力再进行饮食干预，而不是盲目的粪菌移植。
人工智能（AI）有望通过实现高级数据整合、模式识别和预测建模，彻底改变微生物组研究。
编辑
图源：doi.org/10.1038/s41579-025-01268-6
面对微生物组多组学数据维度灾难（即特征数量远超样本数量）的挑战，AI提供了解决方案。例如，通过降维、合成数据增强或迁移学习等策略，可以提高模型的稳定性和泛化能力。
新兴的AI方法，如变分贝叶斯神经网络和卷积神经网络，能够整合配对的微生物组和代谢组数据，或将多组学数据转换为图像格式进行分析，从而发掘深层生物学关联。
编辑
数字孪生是另一个令人兴奋的方向。这是一个动态的、虚拟的患者复制品，整合了静态数据（如基因信息）和实时数据（如临床记录、组学数据），以模拟、监测和预测健康结果。将微生物组数据纳入数字孪生模型，可以模拟其与宿主和治疗的复杂相互作用，支持假设驱动的干预措施和个性化治疗调整。
为不同生命阶段（如婴儿期和成年期）开发量身定制的数字孪生模型，将为整个生命周期的微生物组靶向干预提供宝贵的指导。
当前临床试验概览
近年来，旨在利用微生物组改善癌症治疗的临床试验数量激增。
FMT试验主要集中于免疫治疗效果良好的癌种（如黑色素瘤、RCC、NSCLC），旨在逆转或改善对ICIs的耐药性（如NCT05286294, NCT04988841）。其他试验则探索FMT在肝癌（NCT05690048）、胰腺癌（NCT06393400）等其他癌种中的应用，或用于减轻治疗相关的毒副反应，如免疫相关性结肠炎（NCT04038619）。
关于益生元、益生菌和后生元的临床试验同样蓬勃发展，多数旨在增强抗癌免疫治疗的效果（如NCT05303493, NCT06250335）。
A.muciniphila(NCT05865730)和C.butyricum等下一代益生菌的专项试验正在进行中。
这些研究不仅关注疗效，也探索其在围手术期管理、预防癌前病变复发以及减轻治疗副作用方面的潜力。
越来越多的证据表明，肠道微生物组是癌症治疗结果的关键调节器，其通过免疫调节、药物代谢和维持上皮屏障完整性等多种机制发挥作用。这一认知推动了新型诊断和治疗策略的开发，但临床转化仍受制于机制不确定性、缺乏个性化生物标志物以及在癌症人群中实施的挑战。
微生物组研究揭示，宿主与微生物群作为一个整合系统运作，治疗结果源于宿主-微生物-药物三者间的动态相互作用。
功能冗余、微生物可塑性和强烈的情境依赖性使得因果推断变得困难，也可能解释了为何微生物标志物在不同研究中难以重复。当前的许多干预措施基于普适性策略而非深刻的机制理解，而个体差异进一步加大了个性化治疗的复杂性。
为了推动该领域的发展，未来的研究必须转向由AI赋能、以机制为导向的精准干预，这需要以可靠的伴随生物标志物为支撑，并通过大规模、纵向的实用性临床试验证实。至关重要的是，临床试验必须考虑癌症患者的特殊限制，并在真实世界环境中关注有临床意义的功能性终点。随着微生物组科学日益融入肿瘤学，它有望通过将机制精度与临床相关性相结合，重新定义癌症治疗，实现更有效、更耐受的疗法。
注：本账号内容仅供参考和学术探讨，不构成医疗诊断或治疗建议。任何健康问题，请务必咨询专业医生。
主要参考文献
Hajjar R, Mars RAT, Kashyap PC. Harnessing the microbiome for cancer therapy. Nat Rev Microbiol. 2026 Jan 5.
Nobels A, van Marcke C, Jordan BF, Van Hul M, Cani PD. The gut microbiome and cancer: from tumorigenesis to therapy. Nat Metab. 2025 May;7(5):895-917.
de Vos, W. M., Tilg, H., Van Hul, M. & Cani, P. D. Gut microbiome and health: mechanistic insights. Gut 71, 1020–1032 (2022).
Domzaridou, E. et al. The impact of oral antibiotics prior to cancer diagnosis on overall patient survival: findings from an English population-based cohort study. Curr. Oncol. 30, 8434–8443 (2023).
Yuan, L. et al. The influence of gut microbiota dysbiosis to the efficacy of 5-fluorouracil treatment on colorectal cancer. Biomed. Pharmacother. 108, 184–193 (2018).
Routy, B. et al. Gut microbiome influences efficacy of PD-1-based immunotherapy against epithelial tumors. Science 359, 91–97 (2018).
Elkrief, A. et al. Antibiotics are associated with worse outcomes in lung cancer patients treated with chemotherapy and immunotherapy. NPJ Precis. Oncol. 8, 143 (2024).
Ransohoff, J. D. et al. Antimicrobial exposure is associated with decreased survival in triple-negative breast cancer. Nat. Commun. 14, 2053 (2023).
Cong, J. et al. Bile acids modified by the intestinal microbiota promote colorectal cancer growth by suppressing CD8+ T cell effector functions. Immunity 57, 876–889.e11 (2024).
Tintelnot, J. et al. Microbiota-derived 3-IAA influences chemotherapy efficacy in pancreatic cancer. Nature 615, 168–174 (2023).
Bender, M. J. et al. Dietary tryptophan metabolite released by intratumoral Lactobacillus reuteri facilitates immune checkpoint inhibitor treatment. Cell 186, 1846–1862.e26 (2023).
Salminen, S. et al. The International Scientific Association of Probiotics and Prebiotics (ISAPP) consensus statement on the definition and scope of postbiotics. Nat. Rev. Gastroenterol. Hepatol. 18, 649–667 (2021).
谷禾健康
今年，国产AI大模型DeepSeek，凭借其强大的技术实力、低成本和开源策略，长居热搜榜，很想知道这位顶流AI对于肠道菌群行业的了解程度，于是就和它聊了聊。
编辑
当我问deepseek…
AI时代，肠道微生物行业相关应用与发展将会如何？
AI技术的快速发展为肠道菌群行业带来多维度革新，从药物研发到健康管理均产生显著利好，肠道微生物行业将迎来技术革新与产业升级的黄金期，其核心应用与发展趋势如下：
微生物组大数据挖掘
AI通过分析海量肠道微生物组数据（宏基因组、代谢组等），快速筛选潜在药物靶点。肠道微生物群落种类繁多、结构复杂，其产生海量数据。AI强大的数据处理能力可挖掘微生物间的相互关系，为新药研发指明方向，为攻克诸多疾病带来希望。
缩短研发周期
传统药物研发需10年以上，AI可将候选菌株筛选时间缩短70%。通过“IT（数据分析）+BT（实验验证）”模式，推进多款微生态药物进入临床，覆盖神经系统、肿瘤和免疫三大领域。
例如，在传统的筛选方法中，可能需要逐一测试大量的菌株，而AI可以通过算法和模型，快速排除那些不具备潜力的菌株，直接聚焦于最有希望的候选菌株，从而节省了大量的时间和精力。这不仅加速了药物研发的进程，还有望降低研发成本，为患者带来更多的治疗选择。
创新药物形态
包括粪菌移植（FMT）、配方菌（如复合益生菌）、代谢产物（如抗癌肽）、基因工程菌等。
FMT：分析不同供体和患者的肠道微生物组成差异，预测FMT的效果和可能出现的不良反应，为个性化治疗方案的制定提供依据，提高治疗的成功率和安全性。
配方菌：例如复合益生菌，是经过精心挑选和组合的多种有益菌群。深入了解不同菌种之间的相互作用和协同效应。通过分析大量的微生物组数据，确定最佳的菌种组合和配比，使其在调节肠道菌群、增强免疫力、改善肠道功能等方面发挥更显著的作用。还能根据不同人群的肠道特点和健康需求，定制个性化的复合益生菌配方。
代谢产物（如抗癌肽）：挖掘出肠道菌群中具有抗癌活性的短肽分子，为肿瘤治疗提供新方向。
基因工程菌：通过分析微生物的基因组数据和代谢网络，确定合适的基因编辑靶点和调控策略，使基因工程菌更高效地生产目标产物，或者具备更强的环境适应性和生存能力。
工程化菌群靶向递送抗癌药物至肠道特定区域。还可以为工程化菌群赋予智能反馈机制，使其能够实时感知肠道微环境的变化，并根据需要调节药物的释放量。
菌群分型与疾病预测
AI模型通过关联肠道菌群特征与疾病标志物（如SCFAs、TMAO），可预测心血管疾病、肠癌等风险。
AI模型在疾病预测中准确性的提高是一个多维度且持续探索的重要课题，涉及到数据、算法、模型优化等多个关键方面。
首先，数据质量和数量是基础。高质量的数据是确保AI模型准确性的基石。
一方面，要注重数据的收集过程，确保数据的完整性、一致性和准确性。在收集与疾病相关的肠道菌群数据以及疾病标志物数据时，需要严格遵循标准化的采集、处理和存储流程，避免数据偏差和误差。
同时要尽可能收集大规模的样本，因为丰富的数据可以让AI模型学习到更多的模式和规律。通过整合多个来源的数据，如不同地区、不同年龄段、不同疾病状态人群的数据，可以增加数据多样性，提高模型的泛化能力。
其次，算法的选择和优化至关重要。对于疾病预测，需要选择合适的机器学习和深度学习算法，并根据具体情况进行调整和优化。
例如，深度学习中的卷积神经网络（CNN）在处理图像数据方面具有优势，而循环神经网络（RNN）及其变体（如长短期记忆网络LSTM）则更适合处理序列数据。
再者，特征工程也是提高AI模型准确性的关键环节。在疾病预测中，需要对肠道菌群数据和疾病标志物数据进行深入分析，挖掘出与疾病相关的关键特征。
特征工程是指从原始数据中提取、选择和转换有意义的特征，以提高模型的性能。例如，通过统计分析、相关性分析等方法筛选出与疾病发生发展密切相关的菌群特征和代谢产物指标。还可以采用特征降维技术，如主成分分析（PCA）、线性判别分析（LDA）等，将高维数据转化为低维数据，减少数据复杂性，提高模型的训练效率和准确性。
此外，模型的融合和集成也是一种有效的提高准确性的方法。不同的AI模型在不同的数据集和任务上可能具有各自的优势和局限性。通过将多个不同的模型进行融合和集成，可以综合各个模型的优点，提高整体的预测性能。
动态干预方案
基于AI的宏基因组分析，可为患者提供定制化膳食、益生菌及粪菌移植方案。AI技术则如同一个智能的“导航员”，能够从这些复杂的数据中挖掘出有价值的信息，为患者量身定制个性化的干预方案。
比方说，以高血压患者为例，高血压作为一种常见的慢性疾病，其发病机制复杂，涉及遗传、环境、生活方式等多种因素。针对高血压患者，AI可识别普雷沃菌属丰度异常并推荐靶向菌株。这些靶向菌株可以通过益生菌的形式补充到患者体内，调节肠道菌群的平衡，进而影响血压水平。
除了益生菌方案，定制化膳食也是动态干预方案的重要组成部分。AI可以根据患者的肠道菌群特征和疾病状态，为患者设计个性化的膳食方案。
动态干预方案的实施并非一蹴而就，而是一个持续监测和调整的过程。在治疗过程中，需要定期对患者的肠道菌群健康检测，以评估干预效果，并根据分析结果及时调整干预方案。
合成生物学应用
AI辅助设计基因工程菌（如产丁酸菌株），直接调控宿主代谢功能。
传统的基因工程菌设计主要依赖于科研人员的经验和试错，过程繁琐且效率较低。而AI拥有强大的数据分析和模式识别能力，能够处理海量的生物学数据，包括基因序列、蛋白质结构、代谢通路等信息。通过对这些数据的深入学习，AI可以预测基因的功能、设计优化的基因表达系统，并为基因工程菌的设计提供精准的指导。
产丁酸菌株可调控宿主代谢功能，丁酸作为信号分子能调节宿主代谢，菌株间相互作用也间接影响宿主代谢。AI通过构建模型设计最优菌株和策略，还能优化生产工艺。不过，其面临生物学复杂、数据质量等挑战，但前景广阔。
上游检测技术升级
检测手段日益多样化，16S rRNA测序能快速评估菌群组成多样性，宏基因组测序可揭示更全面信息。技术上不断优化，如多重PCR扩增提高检测覆盖率和分辨率，AI辅助数据分析提升结果准确性。
肠道菌群检测结果将更多地被纳入临床诊断体系。AI可以分析大量的临床病例和肠道菌群数据，找出肠道菌群变化与疾病之间的关联模式，为医生提供诊断参考。
例如，在一些疑难病症（如自闭症、帕金森病等）的早期诊断中，肠道菌群的异常特征可能成为重要的辅助诊断指标。
结直肠癌（CRC）：识别肠道菌群中具核梭杆菌（Fusobacterium nucleatum）等促癌菌的异常增殖，结合粪便隐血检测，提升早期筛查灵敏度。
肠道细菌在结直肠癌发生和进展中的影响
Torres-Maravilla, E. et al.,Microorganisms 2021
炎症性肠病（IBD）：
促炎菌增殖：肠杆菌科（Enterobacteriaceae）丰度显著升高，其代谢产物（如脂多糖）可激活TLR4通路，加剧肠道炎症反应；
抗炎菌缺失：具有抗炎功能的共生菌——普氏菌（Faecalibacterium prausnitzii）和产丁酸盐的罗斯氏菌（Roseburia）丰度普遍降低或缺失，导致短链脂肪酸合成不足，肠道屏障修复能力下降。
早期筛查：在血清标志物（如CRP）升高但未出现典型症状的人群中，检测到上述菌群失衡模式可提示早期IBD风险，推动结肠镜进一步确诊；
疗效监测：治疗过程中动态监测罗斯氏菌的恢复水平，可评估免疫抑制剂（如抗TNF-α药物）对黏膜修复的促进作用。
糖尿病：结合肠道菌群中产丁酸盐菌的减少与宿主血糖代谢数据，预测胰岛素抵抗风险。
Cunningham A L et al., Gut Pathog, 2021
菌群分型指导治疗：通过16s测序、宏基因组测序和代谢组分析，建立患者肠道菌群特征图谱。例如，补充AKK菌（Akkermansia muciniphila）仅在基线菌群低丰度人群中有效，需结合个体差异制定阈值。
通过连续监测肠道菌群变化（如抗生素使用后菌群恢复情况），辅助医生评估治疗效果。
例如：癌症化疗患者的化疗药物可能破坏肠道菌群平衡，导致免疫力下降。AI实时分析菌群数据，预警感染风险并推荐相关干预方案。
中游标准化建设
AI整合全球微生物组数据，推动菌株库建设、临床试验设计标准化。
硬件上，便携设备基于微流控技术实现高效处理，新型传感器提高敏感度。
软件上，智能数据分析系统实时处理数据并提供个性化建议，机器学习模型助力精准识别。
参与标准制定，获取ISO等认证，确保产品质量和安全。
下游健康管理服务
建立完善的用户教育体系，通过在线课程、健康顾问平台等帮助消费者理解检测结果。通过健康管理服务，将检测结果转化为具体的健康建议， 有利于公众对肠道菌群产品的应用。
肠道菌群健康管理将与营养学、微生物学、医学、心理学等多学科融合。AI作为协调者，根据肠道菌群检测结果，组织多学科专家团队为用户提供综合的健康管理服务。
例如，对于因肠道菌群失调导致情绪问题的患者，营养师调整饮食，心理医生进行心理疏导，微生物学家给出改善肠道菌群的具体措施。
针对高风险人群定制膳食或益生菌组合。
如蒙牛开发的青钱柳提取物组合通过抑制菌源DPP4，在动物实验中显著降低血糖 ，未来或成为糖尿病预防新手段。
结合实时监测技术（如便携式纳米孔测序），AI动态优化益生菌、膳食纤维摄入量或粪菌移植方案。
精准肠道菌群移植门诊通过线上线下结合模式服务患者。
跨界融合
肠道菌群通过代谢物（如5-羟色胺、GABA）影响大脑功能，可开发针对抑郁症、焦虑症的菌群干预产品。
益生菌菌株（如长双歧杆菌NCC3001）在临床试验中显示缓解焦虑效果。未来可能推出“精神健康益生菌+认知行为疗法”联合方案。
潜力：肠道菌群失衡与痤疮、湿疹等皮肤病相关，可探索口服益生菌或局部菌群移植（如皮肤微生物组喷雾）改善皮肤状态。
技术结合：AI分析肠道与皮肤菌群关联，定制内外协同治疗方案。
市场空白：针对宠物（如猫狗）的肠道菌群检测及定制化食品/补充剂，解决腹泻、肥胖等问题。
延伸场景：动物园或濒危动物保护中的菌群干预，提升圈养动物生存率。
特定人群管理
➦ 母婴菌群管理
剖宫产婴儿的母体菌群移植（阴道菌群纱布擦拭），降低过敏和免疫疾病风险。
孕期肠道菌群监测，预防早产或妊娠糖尿病。
产品形态：母婴菌包、菌群健康评估套餐。
智能监测手环：实时监测婴儿肠道气体（如氢气），反馈菌群定植效果。
➦ 肥胖人群管理
菌群特征：厚壁菌门/拟杆菌门比值（F/B比）升高，阿克曼菌（Akkermansia）丰度降低。
干预手段：
补充阿克曼菌改善肠道屏障功能，减少脂质吸收。菌群导向饮食（Microbiome-Directed Foods）抑制促肥胖菌（如阴沟肠杆菌）。
案例：比利时鲁汶大学开发的阿克曼菌口服制剂，可使肥胖者体重平均下降2.3kg（12周试验）。
产品形态设想：
控血糖菌群面包：添加抗性淀粉（促进罗斯氏菌增殖）+ 基因工程酵母菌（分泌GLP-1类似物）。
菌群血糖联动仪：连续血糖仪数据同步至菌群检测APP，动态调整。
肥胖菌群管理手环：根据肠道菌群数据（如厚壁菌/拟杆菌比）释放电信号，刺激迷走神经产生饱腹感。
菌群溶脂贴片：透皮递送Akkermansia muciniphila冻干粉，激活棕色脂肪产热。
➦ 老年人群管理
衰老相关菌群特征：多样性降低，促炎菌（如变形菌门）增加。
干预手段：
地中海饮食+益生元（菊粉）促进良性菌群定植。
个性化益生菌（如长双歧杆菌BB536）改善肌肉流失和认知衰退。
养老院菌群健康管理系统：
群体化菌群管理，降低集体感染风险。
中央监测平台：批量分析老人菌群数据，预警群体性致病菌传播（如艰难梭菌）。
自动配餐机器人：根据每位老人菌群报告，调配个性化餐食（如低FODMAP饮食+益生元添加）。
老年群体的肠道菌群产品需兼顾 “功能刚性”（如疾病预防）与 “体验友好”（如无创检测、语音交互）。通过菌群干预推迟慢性病发生，延长寿命，提高生活质量。
未来趋势可能是 “菌群-衰老-疾病”三联检测体系 与 “居家-社区-机构”三级服务网络的深度融合。
技术创新方向
➦ 菌群冷冻保存与“菌群银行”
概念：年轻时储存健康肠道菌群，年老或疾病时进行自体移植（类似脐带血储存）。
挑战：菌群复苏后的活性维持技术，需低温生物学突破。
➦ 其他形式检测
通过呼吸或血液标志物间接反映肠道菌群状态（如挥发性有机化合物VOCs分析）。
➦ 地域特异性菌群数据库
针对不同地区饮食和文化（如亚洲高纤维饮食 vs. 西方高脂饮食），建立菌群-健康关联模型，开发本地化产品。
比如，日本基于本土菌株开发的“FK-23益生菌”免疫调节产品。通过调节肠道微生态，改善消化健康，增强机体的免疫功能。
➦ 菌群农业与可持续食品
通过调控农作物或牲畜肠道菌群，减少抗生素使用，提升产量（如益生菌饲料添加剂）。
开发菌群发酵技术，生产高蛋白昆虫食品（如蟋蟀蛋白粉），减少碳排放。
数据壁垒
—挑战
个体菌群差异大，菌群构成受饮食、生活方式、年龄、地理位置、基因、种族、性别、药物等多元因素影响，单一数据库难以覆盖人群多样性，解读准确性受限。样本量碎片化，难以挖掘深层规律。
—破局关键：需建立更大规模数据库★
建立大规模数据库不仅是肠道菌群行业的“基础设施”，更是检测解读从“经验驱动”迈向“科学驱动”的核心引擎。其价值可归结为：
◑ 更准：通过人群细分与机制解析，降低个体差异导致的误判。
例如，高纤维饮食者与高脂饮食者的“健康菌群基线”截然不同，若缺乏细分人群数据，可能误判干预方向；东亚人群因乳糖酶基因缺失比例较高，其乳糖代谢相关菌的丰度与功能特征与欧洲人群不同，若仅依赖通用参考标准，可能误判菌群状态。
◑ 更深：揭示菌群与疾病的因果链，推动干预策略从“对症”转向“对因”；海量数据能增强统计效力，挖掘低频但强关联的菌群-疾病机制，推动科研向临床转化。
例如，在药物研发过程中，药物的疗效和安全性可能受到个体微生物群落的影响，某些药物的代谢可能依赖于肠道菌群中的特定酶。了解特定人群的正常微生物参考，可以帮助研发人员预测药物在不同人群中的代谢情况和疗效差异，从而优化药物设计和开发更具针对性的药物。
◑ 更活：动态模型随数据增长持续进化，使解读建议与时俱进。长期追踪数据可构建“菌群变化预测模型”，预警糖尿病、结直肠癌等慢性病风险，真正释放微生物数据在疾病防控、健康管理和药物研发中的潜力。
因果关系的模糊性
—挑战
菌群变化是疾病的“因”还是“果”难以确定（例如，抑郁症患者菌群失调是诱因还是结果？）。
—应对方案
纵向队列研究：开展长期追踪（如10年以上的肠道菌群动态监测），结合干预实验验证因果关系。
动物模型验证：利用无菌小鼠移植特定菌群，观察其对宿主生理的影响（如肥胖、免疫反应）。
数据解读的局限性
—挑战
用户对肠道菌群专业检测报告的理解有进步空间（如菌群丰度、α多样性指数）。
部分消费者可能对肠道菌群检测的认知停留在“保健品”层面，对科学价值的信任度不足。
—应对方案
开发可视化工具（如菌群“健康评分”仪表盘），提供通俗化建议。
通过科普内容（短视频、互动问答）提升公众对菌群健康的认知。
通过学术会议、继续教育课程让更多临床医生了解菌群检测的临床价值。
临床验证不足
—挑战
检测产品缺乏大规模临床验证，医学界对菌群诊断的接受仍然有限。
—应对方案
与医疗机构合作：推动菌群检测纳入临床试验（如辅助癌症免疫治疗疗效预测）。
商业模式单一
—挑战
盈利模式缺乏可持续性。
—应对方案
检测+干预产品（如个性化益生菌定制）。
订阅制服务：如每月菌群监测+营养师咨询；
或者比如每季度检测肠道菌群，生成动态健康报告，推荐阶段性干预措施（如季节性饮食调整预防过敏等）。结合可穿戴设备数据（运动、睡眠）提供综合建议。
与保险机构合作，将菌群健康管理纳入健康险增值服务。
伦理争议
—挑战
菌群移植（FMT）可能引发未知风险（如病原体传播、长期生态影响）。
—应对方案
严格供体筛查：建立菌群库的标准化筛选流程（如供体健康史、病原体检测等）。
知情同意强化：向用户明确告知菌群干预的潜在风险和不确定性。
未来趋势（2025-2030年）
多组学融合：AI整合代谢组、免疫组数据，解析菌群-宿主互作机制 。
例如，卷积神经网络（CNN）将菌群数据转化为图像，精准预测2型糖尿病患者的丁酸弧菌干预靶点。
全球市场扩张：中国微生态药物市场规模预计2030年达500亿元，年复合增长率超30%。
政策支持：国家“精准医学”专项将肠道微生物组列为重点，推动产学研合作。
AI与肠道微生物组的深度融合将重塑医疗健康产业，从药物研发、疾病防治到健康管理均迎来革命性突破。未来十年，具备“AI+”能力的企业将引领行业变革，推动个性化医疗的发展，而构建数据库、临床验证等将是行业持续增长的关键支撑。
总的来说，人们将逐渐理解“人类是超级生物体”（宿主+微生物）的概念，改变“杀菌至上”的传统健康观念。
精准菌群干预将推动医疗模式向预防化、个性化、数字化转型：
疾病管理：从“发病后治疗”转向“风险预测-早期干预”；
临床落地：推动菌群检测进入诊疗指南（如IBD、IBS的辅助诊断）。
治疗方案：从“通用型”升级为“动态定制型”，医疗资源从“中心化”向“分布式+远程化”重构；
最终，肠道菌群行业的目标是构建一个全面的“人体生态系统管理”体系，这一理念超越了单纯的疾病治疗，而是着眼于维护整个生态系统的平衡。未来十年，随着技术成熟和政策完善，肠道微生物组有望成为继基因组之后，精准医疗的第二大核心支柱。
在AI技术与肠道微生物研究的深度融合下，精准健康管理已从概念走向现实。通过此前的分析可以看到，肠道菌群检测正逐步渗透至疾病预防、临床诊断、母婴健康、老年抗衰等多元场景，而数据驱动的个性化干预将成为行业核心。
为赋能临床医疗、健康管理机构、检测机构等合作伙伴，谷禾推出 AI肠道菌群报告解读与咨询助手，就是下面这个小海豚：
AI报告解读助手将有助于合作方和客户更好的理解报告和应用肠道菌群检测。合作方可提升解读效率降低成本，定制精准营销策略，快速扩展菌群管理服务生态，构建差异化竞争力，实现用户健康改善与商业增长的双重目标。
谷禾健康
生物医学领域每天都在产生海量的研究文献，这些文献就像一座巨大的知识宝库，蕴含着推动医学进步的重要信息。传统上，科研人员需要通过人工阅读和整理这些文献，从中提取重要的生物医学信息，并将其汇总到专业数据库中（如KEGG和Reactome等知识库）。这些知识库就像是精心整理的图书馆，为生物学研究和临床医生的决策提供重要参考。
然而，随着科技发展，生物医学研究论文的数量呈现爆炸式增长。仅靠人工来阅读、筛选和整理这些文献已经变得异常困难，不仅耗时耗力，还需要投入大量人力和财力资源。这就像是要用手工方式来整理一个永远不停增长的图书馆，这项工作变得越来越具有挑战性。
值得欣喜的是，人工智能（AI）技术的快速发展为解决这一难题带来了曙光。现代AI技术，特别是自然语言处理和机器学习算法，可以像训练有素的助手一样，自动阅读和理解文献内容，快速识别关键信息，并将这些信息系统地整理归类。这不仅大大提高了文献知识管理的效率，还能帮助研究人员更好地发现和利用已有的研究成果，推动生物医学研究的创新和发展。
本文将分享人工智能，包括ChatGPT在检索生物医学知识，汇总和撰写文章、回答问题和模仿人类对话的能力的一些方法特点，并强调使用自动程序中管理生物医学实体和关系的巨大潜力，同时注意一些局限性。
基因、蛋白质和它们之间的关系在生物医学文献中有报道。基于AI的文本挖掘工具利用自然语言处理（NLP）来促进实体识别和关系提取。
AI技术在生物医学文献挖掘中的应用范围
doi.org/10.1515/mr-2023-0011
该图包括两个面板，展示了人工智能(AI)在文本挖掘（左侧）和图像理解（右侧）中的不同方向和应用。
命名实体识别
命名实体识别（Named Entity Recognition，NER）是自然语言处理的一个典型任务，它是从生物医学文献中标注和识别生物概念的名称，如蛋白质、基因、化合物、药物、疾病等。
◆ NER有助于从科学文章中提取关键的生物学概念，帮助建立生物本体和知识库
例如，给定句子“BRCA 1中的突变与乳腺癌和卵巢癌的风险增加有关”，NER工具可以将单词“BRCA 1”标记为基因，并将单词“乳腺癌”和“卵巢癌”标记为疾病。
◆ NER的一个主要瓶颈是，同一个生物医学实体可能会使用非标准的缩写和术语
例如，转录因子“C/EBP-β”也被称为“NF-IL6”；蛋白质“Arnt”有时被称为“HIF1-β”。
◆ 一些实体还嵌套其他实体
例如，蛋白质实体“丙氨酸氨基转移酶”含有化学实体“丙氨酸”。
为了解决上述挑战，可以使用生物医学实体链接（也称为实体规范化或实体接地）来将模糊实体映射到来自本体（诸如基因本体）的规范化的唯一标识符。
关系抽取
关系提取（RE）是建立在NER基础上的，它涉及识别先前发现的实体之间的关系。
关系提取专注于揭示连接，例如蛋白质-蛋白质相互作用、基因-疾病关联、基因型-表型关系、化学-蛋白质相互作用和药物-药物相互作用。
关系提取是通过在给定的句子中识别实体对和关系类型来制定的。
典型的文本挖掘技术
基于人工智能的NER方法可以：
学习上下文并对单词语义进行建模，以区分具有生物学意义的概念与其余单词
例如，PubTator被设计用于标记六种类型的生物学概念，包括基因/蛋白质，基因变体，疾病，化学物质，物种和其他生物学出版物的摘要或全文。
传统上，标记的生物实体可以通过执行模糊字符串匹配来映射到它们的标准形式。与此同时，最近的研究在神经网络构建的潜在空间（嵌入）中改进了这种映射。
其他一些基于AI的RE技术采用生物医学句子的上下文表示来检测生物医学实体关系。它们从语义和句法方面以及从多个角度提取和聚合句子的特征以识别关系。沿着这条路线，最近的研究将关系挖掘从句子级别移动到文档级别，以进一步丰富知识提取结果。
预训练模型
基于人工智能的文本挖掘通常依赖于通过自监督学习在大规模Web语料库上预训练模型的鲁棒语义表示。预训练的模型可以用相对较小的数据集针对特定任务进行进一步微调。一些著名的NLP模型包括BERT、T5和GPT。
► BioBERT 是一种广泛使用的特定于领域的语言表示模型，从通用BERT模型开始，在大规模生物医学语料库（PubMed摘要和PMC全文文章）上进行预训练。BioBERT能够扩展到生物医学NER，RE和问答（QA）。
●双向编码器表示：
BioBERT采用双向Transformer架构，利用注意力机制学习输入文本的上下文信息，从而生成高质量的语言表示。这种双向表示方式使得BioBERT在处理复杂的生物医学文本时表现优异，能够更好地理解单词在不同上下文中的含义。
●开放源代码：
项目完全开源，允许开发者和研究人员自由使用、修改和分发。
●预训练模型可用：
提供预训练模型，开发者可以直接用于下游任务，无需从头开始训练。
●易于集成：
兼容Hugging Face的transformers库，方便与其他自然语言处理工具包整合。
► PubMedBERT 是使用PubMed的摘要和PubMedCentral的全文文章从头开始进行预训练。
► SciFive 是一个在大型生物医学语料库上预训练的特定领域T5模型，用于文本理解任务（即，NER、RE和QA）和生物医学文本生成。
它在多种生物医学NLP任务上取得了出色的表现，特别是在问答任务上明显优于BERT系列模型。SciFive的预训练语料选择也具有灵活性，可以根据不同任务需求进行调整。
作为一个文本生成模型，SciFive还可以应用于更复杂的任务，如文档摘要和文章生成等，为生物医学领域的知识获取和内容创作提供支持。
► BioGPT 从头开始使用1500万个PubMed摘要预训练GPT-2模型，以生成生物医学术语的流畅描述。
它可以应用在哪些方面？
● 药物发现：
BioGPT击败了所有以前的语言模型，用于实体（药物，疾病和蛋白质）之间的关系提取。BioGPT可以帮助自动分析不断扩大的科学文献，更好地了解疾病机制并识别潜在药物靶点。
● 精准医疗：
它涉及根据个体患者的基因组成、生活方式和环境因素，为他们的特定需求量身定制医疗。BioGPT可以帮助研究人员从大型数据集中识别基因突变、疾病途径和其他相关信息，从而为患者制定个性化的治疗计划。
● 提高药物安全性：
BioGPT在预测药物相互作用方面击败了其他模型，可以帮助临床医生预测药物组合的潜在副作用并提高药物安全性。
● 临床试验设计和分析：
BioGPT可用于提取和分析临床试验数据，帮助研究人员设计更有效的试验，并更准确地分析试验结果。
●竞争对手分析：
BioGPT可用于分析科学文献和专利数据库，以识别潜在竞争对手并评估竞争格局。
● 科学交流：
BioGPT可用于生成科学文献和其他信息来源的摘要，使业务开发专业人员更容易快速理解和交流关键见解。帮助医疗保健专业人员跟上最新的研究和临床发现。
● 疾病诊断和管理：
BioGPT可用于分析患者数据、医疗记录和科学文献，以帮助更有效地诊断和管理疾病。
基于AI的生物医学文献挖掘方法
doi.org/10.1515/mr-2023-0011
除了文本，生物医学文献还以数字的形式包含有价值的知识。研究人员经常使用图表（例如生物学途径）来总结他们在出版物中关于导致生物过程或疾病的分子事件的发现。
基于人工智能的图像理解技术的进步提高了我们从路径图中提取实体和关系的能力，这些能力可用于补充从文本中提取的相同知识。
doi.org/10.1515/mr-2023-0011
从路径图中挖掘生物实体
早期基于AI的方法使用光学字符识别（OCR）技术提取生物医学实体，以从路径图中恢复基因名称。由于非标准缩写和术语的挑战，这种方法需要领域专家手动创建一些实体规范化规则来为基因名称提供基础。一项研究将这种方法应用于过去25年出版物中的通路图，并识别出通路数据库中缺失的数千个基因。
从路径图挖掘生物相互作用
Pathway Curator 旨在从途径图中提取分子实体及其相互作用。
管道集成了图像理解模型和图像处理策略，以捕获图中路径实体的位置，名称和相互作用。
管道可以使用符号识别基因，并使用箭头（用于上调）或T形条（用于抑制）识别基因关系。
技术特点：
输出展示：
实用优势：
Pathway Curator为生物文献挖掘中的文本挖掘提供了一种补充方法，并在多个出版物中全面了解疾病途径。方法可以扩展到其他RE任务的数字，如microRNA基因和化学蛋白质的相互作用。
尽管人工智能技术，特别是深度学习算法，已经显示出在自动程序中管理生物医学实体和关系的巨大能力，但人工智能技术的一些局限性仍然阻碍着人工文献管理的替代：
1）来自生物医学文献的有限注释数据。由于大量的出版物和使用的表达方式的多样性，为人工智能训练注释足够的生物医学概念和关系是具有挑战性的。在生物医学文献挖掘中，标记数据的数量和质量对AI模型的鲁棒性起着至关重要的作用。
2）当前人工智能从已建立的词汇表中发现对象的能力的局限性。目前，大多数人工智能方法都是建立在预定义的语料库或预先标记的数据集上。这种数据依赖性限制了AI技术挖掘词汇表之外对象的能力。
3）当前人工智能在处理文献不一致性方面的能力有限。生物医学文献包含过时或不正确的陈述，这可能会误导人工智能方法。
人工智能技术的快速发展，特别是深度学习方法，为管理生物医学知识创造了新的机会。OpenAI推出的基于人工智能的聊天机器人（ChatGPT）以其撰写文章、回答问题和模仿人类对话的能力给用户留下了深刻印象。
ChatGPT拥有全面的知识库，可根据用户的要求检索生物医学知识，为生物医学领域更高效、更准确的知识挖掘铺平道路。虽然ChatGPT目前经常提供不正确或不可复制的信息，但不断升级和更好的快速学习技术为更准确和可靠的生物医学知识挖掘提供了潜力。
ChatGPT还可以进行更多的训练/调整，以针对生物医学领域，特别是建立假设，寻找新的药物靶点，并生成新的小分子和抗体。它有望改变掌握知识和技能的方式，辅助医生进行临床决策，减少医疗差错。
几种新的人工智能方法具有很大的潜力，可以从文本和图形两种形式推进文献挖掘。主动学习允许使用新标记的数据迭代地训练模型，这为针对有限的注释数据逐步升级AI模型提供了机会。根据人类反馈的强化学习（RLHF）通过将预测与人类价值观和偏好对齐来增强人工智能算法的鲁棒性和通用性。通过整合人类反馈，RLHF可以提高AI预测的准确性和可靠性，超越注释数据的限制。
此外，针对多模态的对比学习（即文本和图像）使得能够学习相应文本和图像之间的公共（联合）语义表示，例如，一个基因名称’AKT’在文本和图像片段包含’AKT’更好的性能。此外，元学习和少量学习策略也有望将大规模通用语料库上的AI技术建模推广到生物医学特定领域。
在临床实践中，各种临床文件，如电子健康记录（EHR）和病理报告（PR），包含重要的生物医学和病理信息，这些信息可以从应用人工智能技术进行大规模管理中受益。一些研究已经为EHR 和PR开发了基于AI的挖掘工具，这些工具利用与文献挖掘中使用的技术类似的技术来识别诊断实体和非结构化文本和生物医学图像的关系。
整合生物医学文献和临床文档的挖掘结果可以促进临床研究和精准医学。这种方法为未来的医学研究和患者护理带来了巨大的希望。
生物医学文献的快速增长为生物医学知识挖掘带来了机遇和挑战。随着前沿人工智能技术在生物医学文献挖掘中的应用，生物医学研究和临床实践的相关注释、预测和知识库建设步伐将加快。
主要参考文献
He F, Liu K, Yang Z, Hannink M, Hammer RD, Popescu M, Xu D. Applications of cutting-edge artificial intelligence technologies in biomedical literature and document mining. Med Rev (2021). 2023 Jun 27;3(3):200-204.
da Silva, R.G.L. The advancement of artificial intelligence in biomedical research and health innovation: challenges and opportunities in emerging economies. Global Health 20, 44 (2024)
Hosseini, M., Hosseini, M. & Javidan, R. Leveraging Large Language Models for Clinical Abbreviation Disambiguation. J Med Syst 48, 27 (2024).
Luo R, Sun L, Xia Y, Qin T, Zhang S, Poon H, Liu TY. BioGPT: generative pre-trained transformer for biomedical text generation and mining. Brief Bioinform. 2022 Nov 19;23(6):bbac409.
谷禾健康
当地时间12月19日，微软联合创始人、亿万富翁比尔·盖茨发布了对来年的年度预测，称 2024 年将是一个“转折点”。
在这封长达 10 页的信中他展示了对人工智能领域的更多创新、婴儿营养不良问题的突破、气候变化谈判的进展等多方面的期待。
人工智能可以让世界变得更加公平。盖茨对人工智能的预测超越了去年的超声波预测，他断言人工智能的进步将广泛改善全球健康，同时促进创新。
人工智能可以帮助世界各地对抗抗生素耐药性疾病，识别高风险妊娠并估计孕龄等，他预计人工智能在开发新药、诊断疾病和增强教育资源方面将发挥至关重要的作用。
盖茨表示，世界在利用肠道微生物补充剂来解决儿童营养不良方面即将取得突破。
本文我们来看看盖茨眼中的儿童营养不良问题及解法，盖茨预计，随着对微生物组的深入研究，人们将能够开发出以微生物为基础的新型营养治疗方案，这将给解决全球儿童营养危机带来重要进展。
期待已久的营养不良问题的突破即将到来
在盖茨基金会，我们愿意下大赌注。我们知道每一次冒险都可能没有回报，但这没关系。我们的目标不仅仅是逐步取得进展。我们的目标是将我们的努力和资源投入到重大项目中，这些项目一旦成功，就能拯救和改善生命。
当你下一个大赌注时，你往往要等待很长时间才能看到它是否有回报。当你终于意识到它会成功时，那种感觉是难以置信的。我最兴奋的一次豪赌就接近了这一时刻：利用我们对肠道微生物群的了解来预防和治疗营养不良。
经常有人问我，如果只能解决一个问题，我会选择什么。我的答案不变：营养不良。这是世界上最严重的健康不平等现象，大约每四个儿童中就有一个受到影响。如果在生命的头两年得不到足够的营养，身体和智力都无法正常发育。通过解决营养不良问题，我们可以减少导致儿童死亡的最大因素之一。
营养不良的原因远比没有得到足够的食物要复杂得多。大约15年前，研究人员注意到脊髓灰质炎等口服儿童疫苗在营养不良率高的地区效果不佳，他们开始怀疑生活在肠道中的微生物群可能在其中发挥了作用。很明显，有什么东西妨碍了它们被正常吸收。
这种怀疑在2013年得到了证实，当时生物学家杰夫·戈登（Jeff Gordon）发表了一项有里程碑意义的研究，关于马拉维一对双胞胎婴儿的微生物群。微生物群不仅是健康的副产物，还是健康的决定因素。这是第一条重要线索，表明我们或许可以通过改变肠道微生物群来减少营养不良问题。
经常有人问我，如果只能解决一个问题，我会选择什么。我的答案不变：营养不良
在过去的十年里，我们对肠道微生物群的了解比之前的1000年还要多。我们发现，生活在肠道中的细菌可能处于功能失调状态，从而导致炎症，使人无法吸收营养。我们发现，如果及早干预，就能最大程度地改善肠道微生物群。
在人类发育过程中最先出现的肠道细菌之一叫做婴儿双歧杆菌。它能帮助将母乳中的糖分分解成人体生长所需的营养物质。反过来，母乳又为婴儿双歧杆菌和整个肠道微生物群提供食物。这是一个良性循环。但是，如果婴儿一开始没有足够的婴儿双歧杆菌，他们就可能无法从母乳中吸收足够的营养来支持其他必要的肠道细菌的生长。
要克服这种缺陷几乎是不可能的。你可以获得世界上所有富含营养的食物，但这并不管用。如果你的肠道生长路径过早被打乱，你可能永远无法吸收到所需的全部营养。
但是，如果我们能给高危婴儿服用婴儿双歧杆菌作为益生菌补充剂呢？我们能否及早干预，让他们正常发育？
这正是基金会合作伙伴多年来一直在研究的问题——我们终于找到了答案。我们正在对一种可添加到母乳中的婴儿双歧杆菌粉末补充剂进行三期临床。来自5个国家的16000名婴儿参与了试验，研究人员正在对每个婴儿进行跟踪，以确保益生菌既安全又有效。
目前的研究结果令人惊叹：通过给婴儿喂食这种益生菌，可以帮助他们的微生物群进入积极状态，从而使他们能够长大并充分发挥潜力。这对预防营养不良大有裨益。
在婴儿出生前就能改善肠道微生物群，这也让我感到兴奋。新的研究发现，婴儿的微生物群与母亲的微生物群息息相关。解决子宫内的炎症问题会给产妇、胎盘和发育中的胎儿带来更多益处。
如果我们能给准妈妈提供一种益生菌补充剂，让她的孩子从出生第一天起肠道就正常发育，那会怎么样呢？目前还不清楚这些活体生物药到底是什么样的，也不清楚如何给药，这还只是非常早期的研究。但研究表明，健康的微生物群可帮助婴儿在妊娠晚期每天增加5克体重。
在过去十年里，儿童健康领域发展速度超出了我一生中的预期。看到微生物群从一个完全看不见的东西变成解决世界上最大健康不平等之一的关键策略，真是令人惊叹。我迫不及待地期待在接下来一年里我们将学到多少新知识，以及我们将如何运用这些知识来拯救生命…
——比尔·盖茨
儿童营养不良问题的现状如何？带来什么问题？
儿童营养不良问题给全球健康带来巨大挑战，据世界卫生组织和联合国儿童基金会的数据统计，到 2020 年，估计有1.49亿 5岁以下儿童生长发育迟缓（年龄身高低），而 4500万儿童出现消瘦（WLZ 低）。
营养不良及其长期后遗症是该年龄段人群发病和死亡的主要原因。后遗症包括线性生长、免疫和代谢功能以及神经发育的持续损害——所有这些都对当前的干预措施有很大的抵抗力。
从比尔·盖茨的年度总结我们也可以看到，他十分重视肠道微生物对健康的影响，总的来说，微生物方面的研究给儿童健康带来了很大希望。
从肠道微生物组的角度入手，对营养不良儿童进行基于微生物群的相关干预措施，比尔及梅琳达·盖茨基金会已支持多项相关研究。我们来看近期得到该基金会支持的两篇研究文献。
在健康儿童中，肠道微生物组在分类和功能多样性方面稳步增长，直到3岁，其中最明显的变化发生在断奶期间。相比之下，营养不良儿童的肠道微生物组是年龄倒退的，即肠道微生物组与年幼儿童相似。
抗生素是严重急性营养不良的标准治疗方法，因为即使儿童没有出现明显的疾病，他们也可能因急性感染而突然恶化。
在马拉维和尼日尔，与安慰剂相比，短期（即7天）阿莫西林给药已被证明在降低全因死亡率、住院率、腹泻病和改善人体测量方面具有益处。
然而，抗生素治疗对严重急性营养不良儿童的潜在后果（如抗生素耐药性的发展和微生物组破坏）仍存在不确定性。
研究设计
研究人员想要确定 7 天的阿莫西林治疗，对接受严重急性营养不良治疗的儿童肠道微生物组和抗生素耐药组的急性和长期变化的影响。该成果发表在《Lancet Microbe》。
研究人员对尼日尔门诊治疗的严重急性营养不良儿童（6-59 个月）的阿莫西林随机、双盲、安慰剂对照试验 (NCT01613547) 进行了二次分析。从2013年9月23日至2014年2月3日从整个队列中随机选择了161名儿童（n = 2399）进行最初12周的随访。
根据人体测量结果从这161名儿童中选择了一个方便样本，2年后（2015年9月28日至10月27日）进行随访。儿童在基线、第 1 周、第 4 周、第 8 周、第 12 周以及 2 年随访队列中的第 104 周提供了粪便样本。研究人员进行了宏基因组测序，然后对粪便样本进行了微生物组和耐药组分析。38 名无严重急性营养不良的儿童和 6 名与原始队列基线年龄相匹配的严重急性营养不良儿童被用作参考对照。
研究结果
结果表明，营养不良的尼日尔儿童在接受抗生素治疗后，虽然发现克雷伯氏菌属、埃希氏菌属等增加，这些菌可能与更严重的感染相关，但是，微生物组和耐药组扰动的负面影响似乎是短暂的，在三周内完全消失。
进一步观察到阿莫西林治疗的一些意想不到的长期益处，包括改善长期微生物组丰富度，多样性和成熟度。
阿莫西林对长期微生物组成熟的影响
doi.org/10.1016/S2666-5247(23)00213-6
生命头三年肠道微生物组急剧成熟的一些关键驱动因素包括婴儿在出生期间和出生后接触母体微生物、加入牛奶、奶粉以及向固体食物的过渡。在营养不良的儿童中，肠道微生物组的成熟过程和生长都受到阻碍。但在治疗计划中加入抗生素改善了他们的身体测量和微生物组发育。
抗生素可能起到重置的作用，使有助于固体食物消化的微生物群在肠道生态系统中繁衍生息。
“
接受抗生素治疗的效果，对严重营养不良儿童来说算是个好消息，对于这一特定人群，抗生素治疗的益处似乎大于风险，但风险确实存在。研究人员警告说，儿童中已知的耐药细菌和耐药基因的增加不应被忽视。
营养干预措施，如即食治疗性食品，已被证明可以暂时改善肠道微生物组的成熟度和人体测量得分；然而，这种改善并不总是持续的。
在过去的5年里，合理设计的以微生物群为导向的治疗性食品在中度和重度急性营养不良儿童的微生物组恢复和人体测量得分方面显示出了希望。
接下来我们来看对于微生物群为导向的治疗性食品研究的最新进展。
生命头两年，肠道微生物群的发育需要与身体其他部分、其他器官系统的发育同步。当这个微生物群不完全形成时，仅仅增加热量是无法修复的。研究人员试图寻找特定的食物成分，以滋养健康的肠道微生物群，希望修复营养不良儿童肠道微生物群的功能失调。
使用传统食疗食品治疗可减少死亡，但并不能实质性改善营养不良的其他长期影响，包括新陈代谢、骨骼生长、免疫功能和大脑发育问题。
近日，来自华盛顿大学医学院的一项研究，已经确定了一种新型治疗食品中天然存在的关键生化成分，以及处理这些成分的重要细菌菌株。
该研究表明，识别这些成分以及作为其治疗靶标的关键促生长肠道细菌菌株，研究强调了了解细菌菌株如何加工特定食物成分的重要性，可以帮助指导当前食品配方的治疗，并可以在未来创造新的、更有效的配方。该研究成果于2023年12月13日发表在《Nature》杂志。
研究人员从试验参与者的粪便微生物群中重建了1000个细菌基因组（宏基因组组装基因组，简称MAG），确定了75个丰度与体重生长（体重长度Z评分变化，简称WLZ）正相关的MAGs。将MAG基因表达的变化表征为治疗类型和WLZ反应的函数，并定量MDCF-2和粪便中的碳水化合物结构。
结果表明，两个与WLZ呈正相关的普雷沃氏菌MAG是MDCF-2诱导的代谢途径表达的主要贡献者，这些代谢途径涉及利用MDCF-2的组分聚糖。
结果强调了微生物组反应的显著菌株特异性，并指出两种普氏菌菌株（MAG Bg0018 和 MAG Bg0019）是 MDCF-2 聚糖代谢和宿主体重生长反应的关键介质。
在生长相关细菌分类群代谢的MDCF中鉴定生物活性聚糖结构，有助于指导关于其在急性营养不良儿童中使用的建议，并有助于开发其他制剂。
在这项工作的基础上，世界卫生组织与比尔及梅琳达·盖茨基金会正在支持一项大型多站点临床试验，研究这种新的治疗性食品——MDCF-2，或微生物组导向的补充食品。
MDCF-2 治疗性食品包括哪些食物成分？
在 2021 年的临床试验中，MDCF-2 治疗性食品作为膳食补充剂提供，以提供儿童每日能量需求的约 20%。
Prevotella copri 两个菌株对MDCF-2干预改善营养不良的关键作用
研究人员发现：普雷沃氏菌Prevotella copri与儿童的生长发育呈正相关。
P. copri是拟杆菌门的成员，该门的成员含有一组叫多糖利用基因座（PUL）的基因，这些基因介导特定聚糖或一组聚糖的检测、导入和代谢。
它们在利用MDCF-2治疗食品中有益的生物活性碳水化合物结构的代谢途径中表现出活性的增加。
与接受传统治疗性食物的儿童相比，接受MDCF-2的儿童血液中支持肌肉骨骼生长和神经发育的某些蛋白质水平较高，与炎症有关的蛋白质水平较低。也表明，微生物群修复的作用远不止于肠道。
研究人员对这些儿童的粪便样本进行了广泛的基因组分析，了解对这些食物成分有反应的细菌，以及这些细菌对治疗的反应所具有和表达的代谢能力。事实证明，许多与儿童生长密切相关的细菌富含碳水化合物代谢的途径。
分析不同食物中的关键有效成分
在该研究中，通过质谱分析MDCF-2和RUSF两类食品，确定其组成成分。
MDCF-2、RUSF 及其食品成分中的多糖
DOI: 10.1038/s41586-023-06838-3
对这些食物详细分析表明，MDCF-2食物中L-阿拉伯糖、D-木糖、L-岩藻糖、D-甘露糖和D-半乳糖醛酸 (GalA) 显著更丰富（P < 0.05）。
也就是说，MDCF-2含有更多的多糖，即半乳聚糖和甘露聚糖。而传统的治疗性食物RUSF含有更多的淀粉和纤维素。
MDCF-2 有效提高营养不良儿童生长
尽管MDCF-2的热量密度比高热量食物低15%，但与接受传统补充食物的儿童相比，接受MDCF-2治疗的儿童表现出更高的生长速度。
与MDCF-2治疗相关的生长增加与儿童微生物群中某些普氏菌菌株中存在的代谢途径的表达增加有关，这些途径与生物体利用MDCF-2中存在的多糖有关。
“来自食物频率问卷的信息表明，对MDCF-2反应最大的儿童也食用了更多的坚果和豆类作为他们日常饮食的一部分” ，研究人员表示，“这些坚果和豆类具有一些与MDCF-2相同的多糖。这表明可能有机会调整MDCF-2的成分和剂量，以进一步增强其治疗效果”。
营养不良儿童“微生物组修复”的一个定义是，重新平衡有益菌的表现和表达功能，使其呈现出更有利于健康微生物组-宿主共同发育的构型。
以这种方式将膳食聚糖和微生物代谢联系起来，为基于培养的计划提供了一个起点，这些计划旨在检索这些“效应”类群的分离物，用作潜在的益生菌制剂，或者如果与他们渴望的关键营养素相结合，修复对单独基于食物的干预反应不足紊乱的微生物群，提供合生元配方。
当然，P.copri菌株和MDCF-2聚糖之间的关系并不排除其他宏量或微量营养素对MDCF-2在增重方面优于RUSF的贡献。
总之，为改善微生物群的营养干预提供了一种新的见解。
这些和其他研究的结果有助于加深我们对微生物如何与人类细胞和器官合作，从而影响发育生物学的理解，帮助相关产业科研人员开发微生物组导向疗法的方法，帮助开发构建儿童营养健康的新策略，以确保在出生后的头几年形成健康的微生物组，尽可能规避儿童营养不良风险。
同时，随着人工智能技术及高通量测序等先进技术的不断发展，整合食物-微生物-人体交互作用研究，通过对婴幼儿的肠道菌群进行定期检测，可以帮助家长更好地监测儿童肠道菌群的变化，及时发现异常，采取相应的纠正措施，有利于促进儿童的身心健康发育。