2025年3月12日下午，受北大-清华生命科学联合中心白洋研究员邀请，美国罗格斯大学（Rutgers University）教授、上海交通大学特聘教授赵立平在吕志和楼B101报告厅带来一场题为“A Core Microbiome Signature as an Indicator of Health”的精彩报告。
肠道微生物群被认为是“人体的第二大基因组”，对消化、免疫调节、代谢健康甚至心理状态都有深远影响。然而，以往研究在识别健康相关菌群时常遇到挑战——不同个体、不同环境下，肠道菌群的组成存在较大变异性，使得单纯基于个别菌种的健康指标难以推广应用。核心菌群（core microbiome）是维持人体健康必不可少的所有微生物的总称。为了识别与核心健康相关的肠道微生物，赵立平教授等人遵循系统生物学原理，即稳定的关系表明核心成分。通过分析来自2型糖尿病高纤维饮食干预的宏基因组数据集和涵盖15种疾病的26项病例对照研究，他们确定了在不同环境条件下，共丰度网络中保持稳定相关性的基因组对（图一）。这些与两个集群有关，一个匹配丁酸盐的产生，另一个以毒力和抗生素耐药性为特征。利用这些基因组，他们的Random Forest模型有效地区分了多种疾病的患者和健康人群，并预测了免疫治疗结果。综上，他们使用基因组特异性、基于功能群的方法将肠道微生物组作为复杂适应系统进行分析，确定了一个核心微生物组特征，并将其提出作为潜在的整体健康指标和改善健康的共同目标。
肠道菌群与人体生态健康
赵立平教授团队借鉴宏观生态学中“功能群”的概念，认为不同种类的细菌以群体协作，而非单独的方式发挥作用。通过对细菌的基因组进行网络分析，可以将肠道细菌按照协作或竞争行为，划分成不同的“功能群”。对于每一个细菌的全基因组序列，通过宏基因组测序进行从头组装，按照完整率超过95%，污染不超过5%，来定义一个高质量的基因组。高质量宏基因组拼装数据（HQMAGs）通过采用1%的平均核苷酸同一性（average nucleotide identity, ANI）分化阈值，明显优于用于物种分类的传统阈值5%-6%，实现了接近菌株水平的分辨率。此外，他们为每个HQMAG分配了一个通用唯一标识符（universal unique identifier, UUID），以便对各种研究和样本中微生物实体的数据库进行独立跟踪。他们开发的这套全新、高分辨率的菌群测序大数据分析技术，携带着基因组中所有功能基因的信息，且无需依赖现有数据库，对之前没有办法分析的未知细菌，也可以通过追踪其基因组序列来研究它们的生态行为及其对人体健康的影响。
赵教授团队通过儿童肥胖的营养干预，发现肠道里的主要细菌是形成一个个功能群的，并以功能群为单位，影响人类健康2。他们设计了一个“既能养人，也能养菌”的饮食方案——高膳食纤维的饮食，简称WTP饮食。WTP饮食以全谷物、中药材和益生元为基础，包括三种即食预制食品。
为了确定核心菌群，赵教授团队专注于一项针对肠道微生物群的高膳食纤维介入试验（名为QD）。试验中，2型糖尿病（T2D）患者在基线（M0）时随机接受3个月（M3）的高膳食纤维干预（W组）或常规饮食（对照组，U组），然后进行1年随访（M15），记录了T2D患者肠道微生物群对饮食改变的反应（图二）。通过鸟枪法宏基因组测序（shotgun metagenomic sequencing），从头构建了1845个非冗余HQMAG，占M0、M3和M15收集的315个粪便样本总读数的70%以上。
图二，高纤维诱导的肠道微生物群和疾病表型的变化1
从M0到M3，高膳食纤维干预组的肠道微生物群结构发生了显著变化，在M15时恢复到基线水平，表明群落结构具有很高的弹性（图二）。此外，微生物群结构的逆转，反映了宿主代谢表型中观察到的可逆变化，如血红蛋白A1c水平。高膳食纤维干预后的肠道微生物群结构的显著变化，能够为识别潜在的、与健康相关的微生物成员提供机会。
核心菌群“跷跷板”模型
赵教授团队研究发现，总共有477个HQMAG被选为W组肠道微生物组的主要成员，占1845个HQMAG总丰度的60%，并计算477个HQMAG之间的成对相关性，最终获得三个无标度的共丰度网络（GM0、GM3和GM15）（图三A）。与GM0相比，GM3表现出分布的显著变化和网络中心的丢失，这些现象在GM15时反弹，可以形象理解为“跷跷板”模型。饮食干预诱导肠道菌群所处环境的变化，能够使研究者对指示稳定相关的基因组进行寻找。在113526个可能的基因组对中，绝大多数（92.39%）在任何时间点都没有表现出显著的相关性，但有635个稳定的相关性（涉及184个HQMAG）（图三B）。
图三，尽管高纤维干预导致肠道微生物群在整体上发生很大变化，但稳定的基因组对形成了与HbA1c水平相关的TCG（QD-TCG）1
他们将这些稳定相关的基因组分成17个相互不连接的集群（图三C）。C1集群有141个HQMAG（既有正相关也有负相关），而C2-C17集群有2-9个HQMAG（只有正相关）。他们将C1进一步分为两个与HbA1c显著相关的子集群，其中C1A有50个HQMAG，而C1B有91个HQMAG（图三D）。
C1A和C1B是潜在的功能群（guild），每个功能群内的HQMAG仅通过正相关表现出共丰度行为，表明存在潜在的合作关系，而两个功能群之间存在竞争关系，这种关系被称为QD-TCG特征（图三E）。C1A和C1B对肠道菌群中其他节点的交互和网络的信息流拥有实质性的控制权。QD-TCG的剔除将平均丢失86.08%的总边，导致网络崩溃。因此，QD-TCG内的基因组可以被视为GM0、GM3和GM15的核心节点，它们具有稳定而广泛的连接，能够成为W组患者肠道生态系统网络的支柱。
基于核心菌群特征的机器学习模型
赵立平教授研究团队进一步构建了基于该核心菌群特征的机器学习模型，发现该模型能有效区分健康个体和多种疾病患者，并能预测癌症免疫治疗的疗效。为了保证研究的广泛适用性，团队分析了近4000例宏基因组样本，涵盖不同地域、不同种族和不同疾病背景。研究不仅利用中国的高纤维饮食干预试验（针对2型糖尿病患者），还包括涉及心血管疾病（ACVD）、炎症性肠病（IBD）、类风湿关节炎（RA）、结直肠癌（CRC）、帕金森病（PD）等15种疾病的大规模数据集（图四，图五）。研究人员发现，尽管疾病类型不同，核心菌群的竞争模式在所有数据集中都高度一致——基石功能群在健康个体中占优势，而病生功能群在疾病状态下往往增加，这表明核心菌群的相对比例可能成为一种普适的健康评估指标。
图五，针对ACVD、LC和AS三种疾病的核心菌群研究1
综上所述，赵立平教授研究团队采用系统生物学方法，通过整合来自高纤维饮食干预试验和15种疾病的26个病例对照研究的高质量宏基因组拼装数据，追踪不同菌株在多个研究中的稳定关联性，识别出一组在不同健康状态和环境变化下依然保持稳定关联的核心微生物群（图六）。他们发现这些核心菌群构成了两大功能对立的微生物群，即“竞争性菌群”（Two Competing Guilds, TCGs）：基石功能群和病生功能群。基石功能群富含能够发酵膳食纤维并生成短链脂肪酸（如丁酸）的微生物，有助于维持肠道屏障功能，调节代谢和免疫系统，整体上与健康状态正相关。相较之下，病生功能群富含抗生素抗性基因和毒力因子，可能促进慢性炎症、代谢紊乱，甚至影响癌症和自身免疫疾病的发生发展，两组细菌之间的平衡决定了人体的健康走向。
图六，赵立平教授研究团队采用的研究方案和数据集1
最后，赵教授讨论了肠道微生物与人体健康状态的因果关系。他表示好的微生物组研究成果必须要对其中涉及到的因果关系作出明确的阐述，对于如何做好学术研究提供独特的见解，并介绍通过干预核心菌群来调节身体健康状态的方法和案例，为师生们带来了一场极具启发性的学术交流。
参考文献：
1. Wu G, Xu T, Zhao N, et al. A core microbiome signature as an indicator of health. Cell 187(23):6550-6565.e11(2024)
2. Wei G, Pan L, Du H, Chen J, Zhao L. ERIC-PCR fingerprinting-based community DNA hybridization to pinpoint genome-specific fragments as molecular markers to identify and track populations common to healthy human guts. J Microbiol Methods 59(1):91-108(2004)
3. Fei N, Bruneau A, Zhang X, et al. Endotoxin Producers Overgrowing in Human Gut Microbiota as the Causative Agents for Nonalcoholic Fatty Liver Disease. mBio 11(1):e03263-19(2020)
