地域在住中高年の非アルコール性脂肪肝疾患における腸内細菌叢の特徴と代謝産物

2024年3月9日 10:22

本文へスキップ
BMC

検索
メニュー
BMC医学
BMC Medicineロゴ
ホーム
BMC医学について
論文紹介
投稿ガイドライン
原稿を投稿する
PDFダウンロード
PDFダウンロード
研究論文
オープンアクセス
公開日：2024年3月7日
地域在住中高年の非アルコール性脂肪肝疾患における腸内細菌叢の特徴と代謝産物

https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-024-03317-y

Fangfang Zeng, Xin Su, ...Yu-ming Chen 著者一覧を見る
BMC医学22巻、記事番号：104（2024）この記事を引用する

1 Altmetric

指標詳細

要旨
背景
非アルコール性脂肪性肝疾患（NAFLD）に関連する特定の微生物叢および関連代謝産物については、未だ議論の余地がある。そこで我々は、中核となる腸内細菌叢と代謝産物がNAFLDにどのような影響を与えるかを理解することを目的とした。

研究方法
発見コホートのデータは、2014年から2018年に実施されたGuangzhou Nutrition and Health Study（GNHS）の追跡調査から収集した。1546人から272点のメタデータを収集した。メタデータを4つの解釈可能な機械学習モデルに入力し、NAFLDに関連する重要な腸内細菌叢を同定した。続いて、これらのモデルを2つの検証コホート［内部検証コホート（n＝377）、前向き検証コホート（n＝749）］に適用し、一般化可能性を評価した。同定された腸内細菌叢に基づいて個人のマイクロバイオームリスクスコア（MRS）を構築し、MRSのレベルが異なる個人の糞便サンプルを用いて動物糞便マイクロバイオーム移植実験を行い、MRSとNAFLDの関係を明らかにした。さらに、糞便サンプルの標的メタボロームシークエンシングを行い、潜在的な代謝産物の解析を行った。

結果
使用した4つの機械学習モデルの中で、lightGBMアルゴリズムが最高のパフォーマンスを達成した。lightGBMアルゴリズムにより、微生物叢の分類群に関連した合計12の特徴が選択され、さらにMRSの算出に用いられた。MRSの増加はNAFLDの存在と正の相関を示し、MRSの1単位増加あたりのオッズ比（OR）は1.86（1.72、2.02）であった。糞便微生物叢（f__veillonellaceae）の存在量の増加はNAFLDリスクの増加と関連していたが、f__rikenellaceae、f__barnesiellaceae、s__adolescentisはNAFLDの存在の減少と関連していた。特定の腸内細菌叢由来の胆汁酸代謝産物（タウロコール酸）の高レベルは、より高いMRSおよびNAFLDリスクの両方と正の関連があるかもしれない。マウスを用いたFMTにより、より高いMRSとNAFLD発症との因果関係がさらに確認された。

結論
中核腸内細菌叢の組成の変化がNAFLD発症に生物学的に関連する可能性があることを確認した。我々の研究は、NAFLD発症における微生物叢の役割を実証した。

査読報告
背景
非アルコール性脂肪性肝疾患（NAFLD）は、世界中の一般成人の25％が罹患する最も一般的な慢性肝疾患であり、心血管疾患（CVD）や肝臓がんなど様々な疾患の主要な危険因子の一つであり、世界的に死亡者数が増加している [1] 。遺伝的素因や食事に加えて、腸内細菌叢がNAFLDの発症に寄与する環境因子の一つとして浮上している［2］。現在のところ、承認された治療法はない。しかし、ライフスタイル因子と組み合わせて腸内細菌叢を操作することで、NAFLDに対する代替的な介入が可能になるかもしれない。

NAFLDの発症に腸内細菌叢の組成が関与している可能性は、マウスの肝大小胞性脂肪症を誘発した動物糞便微生物叢移植実験 [3] や、血中エタノール濃度の上昇とともに、非アルコール性脂肪肝炎（NASH）患者のマイクロバイオームにおけるアルコール産生菌の存在量が有意に増加していることを明らかにした集団研究 [4] から初めて明らかにされ、支持された。その後、数多くの動物実験や少数のヒトを対象とした研究により、プロバイオティクス、プレバイオティクス、シンバイオティクスが腸内細菌叢の組成や活性を再構築し、肝臓の表現型を改善する上で有益な役割を果たすことが示唆されている [5] 。NAFLD発症における腸内細菌叢の役割を説明するメカニズムとしては、食事から吸収されるエネルギー量に影響を与えること、腸管透過性を変化させて細菌の遊走や有毒細菌産物の並行放出を引き起こすこと、デノボ脂肪生成や代謝シグナル伝達経路に関与する遺伝子の発現を変化させること、腸内でエタノールを産生すること、自然免疫と相互作用することなど、いくつかのメカニズムが提唱されている [5, 6]。

さらに、腸内細菌叢が産生する様々な代謝産物は、NAFLD感受性を調節する可能性がある。例えば、腸内細菌叢による難消化性炭水化物（食物繊維など）の発酵は、短鎖脂肪酸（SCFA） [7] 、プロピオン酸、酪酸、コハク酸 [8] などの代謝産物を産生し、これらの代謝産物は体重コントロール、炎症状態、グルコース、脂質のホメオスタシスに有益な役割を持つ可能性がある [9] 。NAFLDにおける胆汁酸代謝の調節異常は、エネルギー消費の増加と慢性炎症状態につながる可能性があり [10]、一方、NASH患者におけるデオキシコール酸の産生量の増加は、二次胆汁酸を産生する細菌の豊富さに起因しており、FXRシグナルを阻害し、肝臓と腸における脂質とグルコースの代謝を阻害する [11]。アミノ酸とコリンの調節障害は、脂質の蓄積と慢性炎症につながる [10] 。

世界中の研究者が、NAFLDの場合と同様に、ヒトの腸内細菌叢を「良好な」ものにするものは何かを調査するために多大な努力を払っている [12] 。多くの疫学研究で、健常人とNAFLD患者の腸内細菌叢の分布が評価されている。NAFLD患者における細菌のα-またはβ-多様性の減少は、すべてではないがいくつかの研究で観察されている [13,14,15] 。特定の微生物分類群については、54の研究（8894人）のメタアナリシスにより、NAFLD患者では抗炎症性微生物（すなわち、ルミノコッカス科やコプロコッカス科）が減少し、炎症性微生物（すなわち、フソバクテリウム属やエシェリヒア属）が濃縮していることが明らかにされた［16］が、研究間の異質性が大きく、これまでのエビデンスのほとんどは、サンプルサイズが限られた横断的研究に基づくものであった。

ほとんどの先行研究のもう一つの限界は、一般的に各細菌集団の影響を個別に考慮する伝統的な統計的アプローチを適用していることであるが、微生物叢間の相互作用、さらには複数の生活習慣因子、複雑な検査項目、臨床パラメーターとの相互作用を十分に考慮していない [17] 。細菌量に基づく解釈可能な機械学習（ML）アルゴリズムの開発は著しく進展しており [18]、これらのアルゴリズムは腸内細菌叢の特徴を特定する有用なツールとして登場し、2型糖尿病（T2DM） [19]や癌 [17] などの特定の疾患の診断に役立っている。NAFLDの進行の有無をマッチさせた90組の参加者を対象としたネステッドケースコントロール研究により、NAFLDの進行とランダムフォレスト（RF）により同定された腸内細菌叢の特徴との関連性が証明された [20] 。しかし、NAFLD発症と糞便微生物叢シグネチャーの関連を探るためには、MLアルゴリズムの系統的な比較をさらに行う必要がある。

本研究では、さまざまな機械学習モデル（RF、サポートベクターマシン（SVM）、ロジスティック回帰、lightGBMモデル）に基づいて、NAFLDに関連するヒト腸内細菌叢の特徴を同定することを目的とした。また、モデルにおいて選択された特徴が、糞便または血清代謝物に生物学的に関連しているかどうかを検討した。さらに、高脂肪食誘発NAFLDマウスの肝臓表現型に対するNAFLD患者の腸内細菌叢の因果関係を検証するために、糞便微生物叢移植（FMT）を含む動物モデルを用いた。

研究方法
研究デザインと監督
図1にフローチャートとして示した本研究は、参加者の選択、データ収集、MLアルゴリズム構築、特徴同定、相関およびロジスティック回帰分析、メタボローム解析、マウス検証というステップに分けられる。我々は、手法の開発と検証のために、発見コホート、内部検証コホート（磁気共鳴画像[MRI]で診断されたNAFLD）、および前向き検証コホートを含むいくつかの異なるコホートを構築した。

図1
図1
フローチャート。Aのフローチャートは、発見コホート（広州栄養健康研究）で使用されたスクリーニングプロセスを示し、Bは研究デザインを示す。

フルサイズ画像
研究参加者
広州栄養・健康調査（GNHS）を基に発見コホートを構築した。2008～2013年の間に、40～80歳の合計4048人の参加者が、地元の広告、健康講演会、および紹介方法を通じて中国広州市の複数のコミュニティから募集され、3年ごとに追跡調査が行われた[21]。すべての参加者は、電話で孫文大学に招待され、対面式面接、検体採取、身体検査を受けた。GNHSの詳細については、過去記事[22]を参照されたい。マルチオミクス評価用の糞便検体は、2014年から2018年にわたる追跡調査期間中に採取した（n = 1939）。(i)超音波診断でNAFLDと診断されたデータがない（n＝127）、(ii)過度の飲酒歴がある（男性≧30g/日、女性≧20g/日）（n＝86）、(iii)調査前1カ月以内に抗生物質を使用した（n＝18）、(iv)他の疾患（慢性肝炎[n＝72]、がん[n＝44]、甲状腺機能亢進症[n＝86]など）に罹患している（n＝86）、という理由で、合計393人の参加者を除外した。最終的に、1546人の参加者が発見コホートに含まれ、参加者の56.1％（867人/1546人）が腹部超音波検査によりNAFLDと診断され、腹部超音波検査（US）診断に基づく有意な肝脂肪症のない参加者が対照となった（詳細は図1Aに示す）。内部検証コホートには、NAFLD診断を確認するために4回目の追跡調査（2019～2021年）でMRIを受けた377人の参加者が含まれた。さらに、前向き内部検証コホートは、腹部超音波検査に基づいてベースライン時にNAFLDでなかった749人で構成され、中央値8.7年間追跡された。

GNHSプロジェクトの研究プロトコルは、中山大学公衆衛生学部の倫理委員会によって承認され（2,018,048）、ClinicalTrials.govデータベースに登録された（NCT03179657）。すべての手順はヘルシンキ宣言に概説された原則を遵守した。調査開始前に全参加者から書面によるインフォームドコンセントを得た。

メタデータの収集と測定
メタデータには、5つの人口統計学的特徴、3つの身体計測因子、5つの血液パラメータ、3つの生活習慣、1つの身体活動、6つの食事指標が含まれた（追加詳細は表1に示す）。人口統計学的特徴と生活習慣は、自記式質問票によって調査された。参加者は、まず飲酒の有無を尋ねられ、その後飲酒の頻度と量を調査された。平均飲酒量（g/週）＝平均飲酒頻度×1日平均飲酒量［％ABV（アルコール度数）×0.79336（g/mL）×容量（mL）］として算出した。日立7600-010型自動分析装置（日立、東京、日本）を用いて、4種類の血中脂質および糖濃度を比色法で測定した。毎日の身体活動は身体活動質問票（PAQ）を用いて評価し、代謝等価（MET）強度も算出した。アルコール摂取量は自己申告とした。毎日の食事摂取量は食物摂取頻度調査票（FFQ）を用いて評価した。

表1 参加者の特徴
拡大表
NAFLDの診断
NAFLDの状態は、発見コホートおよび前向き内部検証コホートにおいて腹部超音波検査により測定された。すべての臨床データと検査データを盲検化した経験豊富な放射線科医が、3.5MHzプローブを用いたドップラー超音波検査装置（Sonoscape SSI-5500、中国深圳）を用いて肝脂肪量を定性的に評価し、中国の非アルコール性脂肪性肝疾患診断ガイドライン[23]に従って、肝腎エコーコントラスト、深部減衰、肝輝度、血管のシャープネスに基づいて脂肪症の程度を半定量的に評価した（0 = ない、≧1 = ある）。二次性ウイルス性肝炎、薬剤性肝疾患、完全非経口栄養、ウィルソン病、過度のアルコール摂取（男性140g/週以上、女性70g/週以上）など、脂肪肝疾患を引き起こすその他の原因は除外した。100人の参加者がオペレーターの間で超音波検査により繰り返し評価され、34人の参加者がコンピュータ断層撮影（CT）検査による妥当性評価のために選択された；両者は良好な一致を示した（スピアマンのr = 0.911および0.905、P < 0.001）[24]。

内部検証コホートにおいて定量化された肝脂肪および肝体積は、磁気共鳴断層撮影装置1.5 T MAGNETOM Aeraおよび3 T MAGNETOM Skyra（シーメンスヘルスケア、ドイツ、エアランゲン）を用いた肝MRIスクリーニングによって検出された。この検査は、Universal Medical Imaging Diagnostic Center（広州、中国）が実施した。参加者は絶食状態で仰臥位をとり、メーカーから提供されたトレーニングと指示に従って2つのMRI技術を使用した。訓練を受けた2人の画像解析者がスキャン画像を評価し、プロトン密度脂肪率（PDFF）を算出し、NAFLDはPDFF＞5％と定義された[25, 26]。

便検体の採取とDNA抽出
便検体は、すべてのコホートの参加者から、対面式の追跡調査時に無菌容器で採取された[19]。便検体は-80℃で保存され、DNA抽出を行うまで4時間以内に研究室に運ばれた。QIAamp® DNA Stool Mini Kit (Qiagen, Hilden, Germany)を用いて、製造者の説明書に従って糞便細菌DNAを抽出し、その後-20℃で保存し、後のライブラリー構築のために、抽出したRNAを2つのポリメラーゼ連鎖反応(PCR)手順で増幅することによって構築した。16S rRNA遺伝子のV3-V4超可変領域の最初のPCR増幅は、サンプル、1×KAPA HiFi Hotstart ReadyMix、プライマー341F（CCTACGGGNGGCWGCAG）および805R（GACTACHVGGGTATCTAATCC）の混合物を用いて、T100 PCRサーモサイクラー（Bio-Rad）で行った。産物をまず磁気ビーズで固定し、不純物をアルコールで溶出し、ヌクレアーゼを含まない水で再溶解することにより精製した。精製産物をHiFi Hotstart ReadyMixと2回目のPCR用のバーコードに加え、1回目の精製と同様に精製した。精製したアンプリコンをQubit定量システム（Thermo Scientific, Wilmington, DE, US）を用いて定量した。PCR後の定量下限値（1.6 ng/μL）を満たしたサンプルを等モル量でプールし、シークエンスに供した。ライブラリーはIllumina MiSeqプラットフォーム（Illumina Inc, CA, USA）でシーケンスし、2×250 bpのペアエンドリードを作成した。品質管理（QC）および品質保証（QA）の指標は、すべてのサンプルの取り扱い、処理、保存手順について維持されている。

16SリボソームRNA（16S rRNA）遺伝子シーケンス
Earth Microbiome Project（EMP）の16S rRNA遺伝子イルミナアンプリコンライブラリー調製方法[27]に基づき、ペアエンドリードは、バーコードとプライマー配列を切り捨てた後、固有のバーコードに基づいてサンプルに割り当てられ、その後、単一の連続配列（コンティグ）にアセンブルされた。60bpより短いコンティグや'N'を含むコンティグは除外し、97%以上の塩基配列同一性を持つ高品質なコンティグをUPARSEパイプライン8 (usearch v8.0.1517)を用いて操作的分類単位(OTU)としてクラスタリングした。OTUアノテーションはRibosomal Database Project (RDP)分類器を用いて得られた。RDP分類器は属レベルの分類しか行わないため、NCBIの完成した細菌ゲノムコレクションもこれらの配列と比較し、種レベルの分類を推定した。

糞便メタボロームプロファイリング
便サンプルからの糞便代謝物の抽出は、先行研究[19]に沿って実施した。探索コホートのヒト糞便サンプルの代謝プロファイリングを実施した。糞便代謝物は、標的メタボロミクスタンデム質量分析付き超高速液体クロマトグラフィー（UPLC-MS/MS）により取得した。このプラットフォームでは、15のサブクラスを含む198の糞便メタボロームの測定が可能である。代謝物の分解を最小限に抑えるため、-80℃で保存した凍結糞便サンプルを氷上で解凍した。サンプル10ミリグラムを25μLのヌクレアーゼを含まない水とボルテックスミキサーで十分に混合した後、185μLの冷アセトニトリル-メタノール（8：2、v/v）を加えて混合し、遠心分離して代謝物サンプルを抽出した。上清30μLをBiomek 4000ワークステーション（Biomek 4000, Beckman Coulter, Inc.）誘導体化後、サンプルを氷冷50%メタノールで希釈し、-20℃で20分間保存した後、遠心分離した。上清を96ウェルプレートで内部標準化合物と混合した。誘導体化したストックスタンダードの連続希釈液を左のウェルに添加した。分析にはUPLC-MS/MSシステム（ACQUITY UPLC-Xevo TQ-S, Waters Corp.

機械学習アルゴリズム
まず、一般的に使用されている4つのMLアルゴリズム（RF、SVM、ロジスティック回帰、lightGBM）をすべて使用して並行して解析を行い、異なるアルゴリズムの性能を比較した。最も成績の良かったモデル（lightGBM）は、その後、発見コホートの272のメタデータ変数に基づいてNAFLDの本質的特徴を予測するために使用された。次に、発見コホートの参加者を8：2の割合でランダムにトレーニングセットとテストセットにグループ分けした。トレーニングセットは、5000回反復し、10倍のクロスバリデーションを採用して初期モデルを構築するために使用された。クロスバリデーションでのパフォーマンスに基づいて、検証セットから最適なパラメーターの組み合わせを最終モデルに適用した。受信者動作特性（ROC）曲線を作成し、受信者動作特性下面積（AUC）を算出してモデルの性能を評価した。モデルを最適化するためにハイパーパラメータをチューニングした。検証コホートの変数を最適化モデルにインポートし、モデルの外挿を推定した。

SHAP値の構築とマイクロバイオームリスクスコア（MRS）の算出
シャプレー加法説明（SHAP）を適用し、モデル予測に対する各特徴の影響を定量化することで、LightGBMアルゴリズムの結果を明らかにした。SHAP値は-1から1の範囲で、0より大きい値はNAFLDを促進する効果を示し、逆もまた同様である[28]。まず、lightGBM患者におけるNAFLDに寄与する上位20の特徴を可視化するためにSHAP要約プロットを描き、これらの特徴の寄与を明らかにするために、NAFLDに寄与する各特徴の重要度を描写するSHAP重要度行列プロットを作成した。選択された特徴のSHAP依存性プロットは、各特徴がNAFLDの存在にどのように影響するかを調べるために作成され、SHAP値＞0として示された[29]。

マイクロバイオームリスクスコア（MRS）は、LightGBMによって選択された腸内細菌叢のSHAP値に従って計算された。計算式は以下の通りである：

iは個人iを表し、MRSiはi番目の個人のMRSを指し、jはj番目の腸内細菌叢を表し、そして
はi番目の個体のj番目の腸内細菌叢のMRSを示す。特徴セットの寄与は、カテゴリーごとのMRS値を合計することで計算した。MRSが高いほどNAFLDのリスクが高い。MRSの中央値は、NAFLD発症に対する微生物叢の寄与を測定するための閾値として機能し、中央値より高い値はNAFLDへの寄与が高いことを示し、逆もまた同様である。

腸内細菌叢移植
発見コホートにおいて、MRSが低いドナー、MRSが高いがNAFLDを発症していないドナー、MRSが高くNAFLDを発症しているドナーから、それぞれ異なる代表的な便サンプルを無作為に採取した。糞便サンプルの調製と糞便微生物叢移植（FMT）の詳細な説明は、Additional file 1に記載されている。

実験プロトコールは、済南大学医科大学の動物使用・飼育委員会の承認を得た。

統計解析
MLと特徴選択は、Python 3とScikit-Learn（バージョン0.21.2）を用いて行った。統計解析はSPSS version 25.0 (IBM Corp., Armonk, NY, USA)を用いて行い、グラフの可視化はR version 4.1.3 (www.r-project.org)を用いて行った。P値＜0.05を統計的有意性を示すとみなした。

連続変数は平均値±SDで表し、カテゴリー変数は数値（割合）で示した。多変量ロジスティック回帰を用いて、発見コホート、内部コホート、前向きコホートにおいて、NAFLDの存在とMRS、およびLightGBMによって選択された腸内細菌叢の特徴との関連を検証した。モデル1は粗モデルで、モデル2はまず性別と年齢で調整した。モデル3は、モデル2の共因子に加え、配偶者の有無、学歴、所得、喫煙の有無、アルコールの有無、飲酒の有無、総エネルギー摂取量でさらに調整し、モデル4はさらに肥満度（BMI）で調整した。オッズ比（OR）および対応する95％信頼区間（95％CI）は、MRS1単位あたり、または腸内細菌叢の変化1SDあたりで表した。また、被験者をMRSに応じて4つの四分位群（Q1～Q4）に分け、MRSの四分位群間で多変量ロジスティック回帰を行い、最も低い四分位群（Q1）を基準群とした。発見コホートにおける宿主糞便代謝物とMRSまたは選択された腸内細菌叢構成成分との関係を調べるために、スピアマン相関分析を使用した。

スクリーニングされた差次的多量代謝物は、MetaboAnalyst 4.0（https://www.metaboanalyst.ca/） [30]を用いて分析した。分析の前に、相対ピーク強度データを対数変換し、サンプル間の分散を減らすために正規化した。まず、Bray-Curtis距離に基づく主成分分析（PCA）を適用して代謝物の教師なし次元を減らし、サンプルのグローバル代謝物のプロファイリングを行いました。スチューデントのt検定（P < 0.05）およびBenjamini-Hochberg調整済み偽発見率（FDR < 0.1）を使用して、最初にグループ間（高MRS対低MRS、NAFLD対コントロール）の有意な代謝物の変化を同定しました[31]。代謝物の有意差（SDM）を決定するために、fold change（NAFLD患者/高MRS群と対照群/低MRS群の代謝物の発現比）＞2または＜0.5をSMDのスクリーニング基準として用いた。

結果
研究デザインと特徴
発見コホートと3つの検証コホートの参加者の選択と人数、解析の詳細は図1Bのフローチャートに示し、人口統計学的特徴と臨床的特徴は表1に示した。発見コホートには1546人が参加し、平均年齢64.9±5.9歳、女性68.4％であった。NAFLDはこれらの参加者の56.1％で検出された。発見コホートと比較して、内部検証コホートおよび前向き検証コホートの377人および747人は、それぞれ若年（65.0歳および64.6歳）であり、NAFLDである可能性が低い（33.4％および35.5％）傾向があった；さらに、性別、配偶者の有無、および学歴の分布は、これらのコホート間で類似していた。

モデルの性能と重要な特徴の同定
図2Aは、ROC曲線が、lightGBMモデルが最も優れた性能を有し、発見コホートにおいて最高のAUC 0.829を達成したことを示し、サポートベクターマシン（AUC＝0.719）、ロジスティック回帰（AUC＝0.694）、ランダムフォレスト（AUC＝0.654）モデルがそれに続いた。調整された発見コホートと他の3つの検証コホートに関して、LightGBMモデルは、AUCが0.762～0.984で、訓練されたすべてのディープラーニングベースのセグメンテーションモデルの中で最も高い予測可能性を示した。4つのコホートにおける4つのモデルすべての指標は、Additional file 2: Table S1に記載されている。合計272の特徴量が収集され、その後、LightGBM機械学習アルゴリズムによって上位20の予測変数が選択され、これらの選択された特徴量のAUCは0.815に達し、これらの特徴量の予測能力は、入力された272の特徴量全体（AUC = 0.829）と同様であることが示された（Additional file 2: Table S2）。

図2
図2
機械学習モデル出力に基づく結果。A ROC曲線の曲線下面積AUCに基づく4つの機械学習アルゴリズムの評価。B LightGBM機械学習アルゴリズムとSHAP値に基づいて選択された上位20特徴の重要度行列プロットで、NAFLDに対する各変数の相対的寄与を示す。C LightGBM機械学習アルゴリズムとSHAP値に基づいて選択された上位20特徴のSHAP要約プロット。このプロットでは、各特徴ごとに個人ごとに1つのドットが帰属値に従って色分けされており、赤は値が大きいことを、青は値が小さいことを示す。SHAP値が高いほどNAFLDのリスクが高いことを示す。

フルサイズ画像
重要度行列プロットを用いて、モデルの予測力に最も大きな影響を与えた上位20の特徴を同定した。図2Bに示すように、NAFLDリスクに関する最も高いSHAP値に関連した3つの特徴は、体格指数（BMI）、総トリグリセリド（TG）値、ウエスト、空腹時グルコース（Glu）値、性別、微生物叢の12の分類群関連特徴、および3つの食物摂取パラメータ（魚、ヨーグルト、野菜摂取）であった。図2Cは、BMI、TG濃度、ウエスト周囲径、グルタミン酸摂取量、魚類摂取量、および2つの微生物の特徴（f_veillonellaceaeとg_clostridiaceaeother）のSHAP値が大きいほど、NAFLDの可能性が高いことを示している。逆に、男性性、野菜摂取、5つの微生物の特徴（g__klebsiella、s__acidifaciens、s__adolescentis、s__bifidobacteriumother、g__anaerostipes）のSHAP値が高くなると、NAFLDが検出されにくくなった。さらに、選択された12分類群に関連する特性の大部分には、低～中程度の相互相関が見られた（Additional file 2: Fig.）

これらの20の選択された特徴のいくつかの最適な閾値は、LightGBMの予測力に対する同定された特徴の限界効果を評価するために使用されたSHAP依存性プロットに示されている（追加ファイル2：図S2）。我々は、BMI、TG値、ウエスト周囲径、グルコース、魚の摂取量、4つの微生物叢（フトモモ科、ベヨモモ科、クロモジ科、リケモモ科）の存在量が高いほど、NAFLDリスクが高いことに気づいた、一方、女性では、野菜の摂取量が多く、f__barnesiellaceae、g__klebsiella、s__acidifaciens、o__turicibacterales、s__adolescentis、s__bifidobacteriumother、g__anaerostipesが多いことがNAFLDリスクを低下させる可能性がある。

MRSの算出とNAFLDとの関連
選択した12種類の微生物の特徴に基づいて、NAFLD発症に対する個々のマイクロバイオームリスクを評価するためにMRS（範囲0～12）を算出した（表2）。ロジスティック回帰分析によると、発見コホートでは、男性性とMRSの間に有意な負の関連が認められた（係数r = - 0.649; OR = 0.52 [95% CI 0.38, 0.71]; P < 0.001）。一方、BMIとウエスト周囲径はともにMRSと正の相関を示し（Additional file 3: Table S1）、係数とオッズ比（OR）（95％CI）はそれぞれ、BMIでは0.309と1.36（1.25、1.48；P＜0.001）、ウエスト周囲径では0.082と1.09（1.06、1.11；P＜0.001）であった（Additional file 3: Table S1）。

表2 マイクロバイオームリスクスコア（MRS）構築に含まれる構成要素のリスト
フルサイズの表
ロジスティック回帰分析によると、MRSの1単位の変化は、発見コホートにおけるNAFLDのオッズ増加と正の相関を示した（粗OR = 1.85 [95% CI 1.71, 1.99]; P < 0.001）。この関連は、年齢、性別、配偶者の有無、学歴、収入、喫煙の有無、飲酒の有無、お茶の有無、総エネルギー摂取量など、ほとんどの潜在的予測因子で調整したモデル3でも持続した（OR = 1.86 [95% CI 1.72, 2.02]; P < 0.001）。同様の結果は、内部検証コホートでも観察され、粗および多変量ORとそれに対応する95％CIは、それぞれ1.21（1.07、1.36；P = 0.003）および1.20（1.06、1.37；P = 0.004）であった。 004）であった；プロスペクティブ検証コホートでは、粗および多変量ORと対応する95％CIは、それぞれ1.73（1.56、1.92；P＜0.001）および1.77（1.58、1.97；P＜0.001）であった（図3；追加ファイル3：表S2）。感度分析によると、BMIでさらに調整したモデル4においても、MRSとNAFLD発症率との正の相関は、発見コホートと内部検証コホートで有意なままであり、結果の頑健性を示唆している。

図3
図3
異なるコホートにおけるマイクロバイオームリスクスコア（MRS）とNAFLDリスクとの関連注：ロジスティック回帰を用いて、年齢、性別、配偶者の有無、学歴、所得、喫煙の有無、飲酒の有無、お茶の有無、総エネルギー摂取量を調整し、MRSの1単位変化あたりのNAFLDのオッズ比（OR）と95％信頼区間（CI）を推定した。

フルサイズ画像
MRSの四分位を用いた多変量ロジスティック回帰によると、MRSのQ1を基準とした場合、MRSの四分位が高いほどNAFLDの発症率が高くなることが、4つのモデルを通じて発見コホートにおいて正の相関を示し、4つのモデルにおけるQ4のORおよび95％CIは11. 98（8.60、16.70）、18.86（12.53、28.40）、11.93（8.56、16.63）、16.92（11.37、25.17）であった（すべてP値＜0.001）。発見コホートの結果と一致して、内部検証コホートではMRSの最高四分位の人はNAFLDの可能性が有意に高かった（モデル1：OR = 3. 50［95％CI＝1.83、6.71］；モデル2：OR＝3.44［95％CI＝1.72、6.86］；モデル3：OR＝3.52［95％CI＝1.83、6.75］；モデル4：OR＝3.47［95％CI＝1.75、6.90］；すべてP値＜0.001）。MRSとNAFLD発症率との間のこれらの正の関連は、前向き検証コホートにおいてさらに検証された（モデル1：OR＝35.97［95％CI＝16.00、80.95］；モデル2：OR＝42.64［95％CI＝18.28、99.46］；モデル3：OR＝11.93［95％CI＝8.56、16.63］；モデル4：OR＝16.92［95％CI＝11.37、25.17］；すべてP値＜0.001）（追加ファイル3：表S3）。

選択された腸内細菌叢の特徴とNAFLDの関係
12個の同定された微生物叢の特徴とNAFLDとの関係については、f__veillonellaceaeの存在量の1SDあたりの変化は、NAFLDの可能性の高さと正の関連があり、ORおよび95％CIは1.29（1.15、1.44）であった。逆に、NAFLDのオッズは、フトモモ科（OR = 0.81 [95% CI 0.74、0.88]）、フトモモ科（OR = 0.78 [95% CI 0.71、0.85]）、スノキ科（OR = 0.92 [95% CI 0.84、1. 00]）であった（図4；Additional file 4: Table S1）。しかし、微生物叢をSHAP値に従って二値変数として扱うと、12の微生物叢がNAFLDと有意に関連していた（Additional file 4: Table S2およびFig.）

図4
図4
異なるコホートにおける、機械学習により選択されたマイクロバイオームとNAFLDリスクとの関連。注：ロジスティック回帰を用いて、年齢、性別、配偶者の有無、学歴、所得、喫煙の有無、飲酒の有無、お茶の有無、総エネルギー摂取量を調整し、微生物叢のSD変化あたりのNAFLD発症のオッズ比（OR）と95％信頼区間（CI）を推定した。

フルサイズ画像
有意差のある代謝産物（SDM）の同定
発見コホートにおける2群（MRS > 5 vs. MRS ≤ 5）の糞便代謝物のPCAスコアプロットをAdditional file 5: Fig. PC1は全分散の26.1%、PC2は6.4%を説明した。さらに、101の有意な代謝物（Student's t-test P < 0.05, FDR < 0.1）の分布をAdditional file 5: Fig. さらにボルケーノプロット解析により、1つの発現低下代謝物（ピコリン酸）と3つの発現上昇代謝物（グリココール酸、D_マルトースとα_ラクトース、タウロコール酸）が有意に発現差のあることが明らかになった（FDR < 0.10; Additional file 5: Fig.）これらの遺伝子のうち、ピコリン酸は負のlog2 FCを示した（-1.625、FDR = 0.056）。アップレギュレートされた3つの候補代謝物のうち、D_マルトースとα_ラクトースのlog2 FCが最も高く（1.197、FDR = 0.004）、次いでグリココール酸（log2 FC = 1.160、FDR = 0.003）、タウロコール酸（log2 FC = 1.104、FDR = 0.028）であった（Additional file 5: Table S1）。

その後、上記と同じ方法でNAFLD患者とそうでない患者との間のSDMを同定したところ、差次的に豊富な代謝物の1つはタウロコール酸であった（log2 FC = 1.278, FDR = 0.066；スチューデントのt検定： P = 0.017, FDR = 0.066; Additional file 5: Table S2 and Fig. S4-6）。MRS群とNAFLD群間で同定された上記の有意差のある代謝物を組み合わせると、最終的にタウロコール酸が本研究で共通する有意差のある代謝物として認識された。

タウロコール酸は特定の腸内細菌叢の特徴と有意に関連していた
さらに、タウロコール酸と12種類の腸内細菌叢との関連を解析した（Additional file 5: Table S3）。その中で、p__fusobacteria（係数r = 0.198）とg__clostridiaceaeother（係数r = 0.099）と有意な正の相関があった。 099）、o__actinomycetales（係数r = - 0.142）、o__turicibacterales（係数r = - 0.070）、f__barnesiellaceae（係数r = - 0.357）、f__rikenellaceae（係数r = - 0.345）、s__adolescentis（係数r = - 0.085）と逆相関であった。

マウス実験による検証
NAFLD発症における腸内細菌叢の特徴の役割を評価するために、NAFLDのFMTマウスモデルを適用した。Additional file 1： Fig. S1 (A)に示すように、高MRS＋NAFLD群および高MRS＋非NAFLD群では、低MRS群およびコントロール（HFDのみ）群に比べ、体重増加傾向が顕著であった。低MRS群と比較して、高MRS＋NAFLD群および高MRS＋非NAFLD群では、体重、肝臓重量、Lee肥満指数、NASスコア、肝TG含量が増加した（Additional file 1: Fig.） HE染色の結果、対照群と比較して、高MRS＋NAFLD群および高MRS＋非NAFLD群の便検体では、細胞内の脂質滴が多く、肝脂肪症の程度が大きかった。対照的に、低MRS群では肝組織内の脂質蓄積が緩和された（Additional file 1: Fig.）

考察
本研究では、解釈可能なMLアルゴリズムを用いてNAFLDに関連する12の腸内細菌分類群を同定し、NAFLDと腸内細菌叢シグネチャーの間に有意な関連を観察した。全体として、p__fusobacteriaとf__veillonellaceaeの存在量が多いほどNAFLDの発症に寄与する可能性がある一方、f__rikenellaceae、f__barnesiellaceae、s__adolescentisはNAFLDの発症を抑制する可能性があることがわかった。さらに、先行研究[19]に従ってMRSを算出したところ、MRSが高いほどNAFLDの発症率が高いという正の相関が認められた。このMRSとNAFLDの関連は、社内コホートおよび前向き検証コホートで再現することに成功した。我々は、胆汁酸の糞便代謝物（タウロコール酸）を同定したが、これはMRSが高いこと、NAFLDのリスクが高いことと正の相関があった。さらに、FMT実験により、MRSが高い被験者の便サンプルは、体重、肝臓重量、肝TG含量、Lee指数、NAS、および肝脂肪症の程度の増加を有意に誇張しうることが示された。

多くの疫学研究が、NAFLDの有無にかかわらず、腸内細菌叢の組成に変化があることを報告しているが、決定的な証拠は得られていない。病原性細菌の相対的な存在量については、上海で行われたNAFLD患者25人と健常人22人を対象とした症例対照研究で、フソバクテリアの存在量が対照群よりもNAFLD患者で有意に多いことが示された（P < 0.01）[32]。動物モデルでは、HFD誘発性NAFLDのラット [33] や、高脂肪コリン欠乏食を18週間与えたマウス [34] において、フソバクテリアの存在量が増加していることが一貫して示されている。この正の相関は、主にフソバクテリア門に由来する病原体による腸内微生物毒素の増加により、エネルギー代謝のバランスが崩れることで一部説明できるかもしれない [32]。しかし、フソバクテリアの細菌多様性と相対的存在量の減少は、6ヵ月間の西洋食（脂肪、砂糖、ショ糖の濃厚飼料）によってNAFLDを誘発したマウスで観察された [35] 。したがって、NAFLDの発症に及ぼすフソバクテリアの影響を調べるには、均質な患者コホートと標準化された方法を用いたさらなる大規模研究が必要である。

我々の知見と同様に、以前の症例対照研究では、NAFLD患者で報告された最も一般的な変化のひとつに、Veillonellaceaeの存在量の増加があることが示された [36]。動物実験ではさらに、HFDによってNAFLDが誘発されたラットにおいて、Veillonellaceaeの存在量が増加していることが示された[37]。さらに、韓国の研究では、高炭水化物食を摂取した129人のNAFLD患者と75人の非NAFLD患者から便サンプルを採取した結果、Veillonellaceaeは最も重要な微生物分類群のひとつとみなされ、ランダムフォレストモデルを使用して、全集団におけるNAFLDの予測値を有意に改善できることが明らかになった [38] 。Veillonellaceaeは、主に乳酸から炭素を得る乳酸分解微生物であり [39] ；内毒素を産生し、免疫反応を引き起こす可能性があり [40] ；また、Veillonellaceaeの濃縮はメタボリックシンドロームとも関連している [41] 。さらに、Veillonellaceaeは、非肥満性NAFLD患者において、血清遊離脂肪酸と正の相関があり、脂肪組織のインスリン抵抗性および糖化ヘモグロビンと有意な相関があることが判明したことから、線維化の重症度の一因である可能性がある [15] 。したがって、ヴェイヨネラ科植物は、NAFLD集団における診断マーカーとして使用される可能性がある。

対照的に、我々はNAFLDと3つの腸内細菌叢、すなわちf__rikenellaceae、f__barnesiellaceae、s__adolescentisとの間に逆相関があることに気づいた。我々の知見と一致して、マッチさせた症例対照研究では、NAFLD患者では健常対照群と比較してリケネラ科の割合が減少していることが報告されている[42]。Chen Hらによる動物実験[43]では、リケネラはHFD誘発NAFLDマウスにおいて、血清パラメータであるグルコース、インスリン、脂質代謝（トリグリセリド、TG、総コレステロール、TC）および肝機能パラメータ（アラニンアミノトランスフェラーゼ、ALT、アスパラギン酸トランスアミナーゼ、AST）とは負の相関を示したが、耐糖能およびインスリン感受性の改善とは正の相関を示した。以上のことから、リケネラ科の植物はエネルギー摂取と肝代謝のバランスに効果的に寄与し、NAFLDの発症を抑制する可能性が示唆された。

本研究では、NAFLD患者では非NAFLD患者よりもリケンテラ科植物の存在量が少なかった。最近の研究では、NAFLD患者におけるバルネシエラの存在量が、コントロール群および薬剤性肝障害群と比較して一貫して減少していることが明らかにされた[44]。これは、短鎖脂肪酸（SCFA）の産生とバルネシエラが関連しているためと考えられ [45]、NAFLDの進行に対して有益な効果を発揮する可能性がある [46]。しかしながら、バルネシエラ科の微生物量とNAFLDとの関連性に関する研究はほとんど存在しない。我々は、この微生物叢シグネチャーがNAFLDと負の相関を示し、NAFLDの発症を抑制する微生物叢由来のシグネチャーであると考えられると仮定した。s__adolescentisに関して、我々は、腸内細菌叢が非NAFLDにおいて濃縮されていることに気づいた。75人の小児を対象とした症例対照研究でも、NAFLD患者ではadolescentisの存在量が有意に減少していることが示された[47]。この微生物シグネチャーは、マウスの腸内のSCFAs濃度を上昇させることによってNAFLDを緩和することも判明した [48]。さらに、アドレッセンティスは抗炎症剤であり、プロバイオティクスは炎症を抑制し、脂質代謝を調節し、線維芽細胞増殖因子21（FGF21）感受性を高めることでNAFLDを緩和する［49、50］。アドレセンティスは、腸管細胞株（Caco2）における核因子κB（NF-κB）の活性化を抑制し、リポ多糖（LPS）の産生を制限し、腸内のSCFAの放出に寄与し、その後NAFLDの進行を緩和することができる［51, 52］。

我々の結果は、特定の腸内細菌叢の組み合わせ（より高いMRSとして示される）がNAFLDの危険因子である可能性を示し、これらの知見はさらに2つの検証コホートで再現され、我々のMLモデルの良好な予測性能を示した。多くのML手法はまだ不透明であるが、lightGBMモデルは、他の決定木アルゴリズムと比較して、各分割のゲインの計算コストを削減し、木を葉方向および垂直方向に成長させ、学習プロセスを加速できるため、比較的高速で、高効率で、優れた性能を特徴とする[53]。異なるMLアルゴリズム間の性能を比較した結果、lightGBMの予測値がより優れていることが先行研究で報告されている[54, 55]。同様に、我々の結果もLightGBMの優れた性能を実証しており、我々が評価した他の3つのアルゴリズムよりも優れている可能性がある。さらに、合併症または転帰のリスクに対する予測因子の限界的寄与を表すSHAP値[56]は、MLの解釈可能性を解釈するために広く利用された。SHAP値が高い微生物シグネチャーは、NAFLDの予測により関連していた。上記の特定の腸内細菌シグネチャーに加えて、同定された他の7つの腸内細菌叢（g__klebsiella、g__clostridiaceaeother、s__acidifaciens、o__turicibacterales、o__actinomycetales、s__bifidobacteriumother、およびg__anaerostipes）をさらに考慮してMRSを算出した。同定された12種類の腸内微生物すべてについてSHAP値に基づいてリスクスコアが推定され、従来の方法と比較してT2DMの優れた予測精度が示された[19]。高度に解釈可能な機械学習lightGBMとSHAPアルゴリズムに基づいて、FMTを実施したところ、さらに、NAFLDの有無にかかわらずMRSが高いヒトの便サンプルを無菌マウスにFMTすると、体重、肝臓重量、Leeの肥満指数、NAS、肝TG含量が上昇し、NAFLDを悪化させる可能性がある一方、MRSが低い人からの糞便移植は、これらのパラメータのレベルを逆に低下させ、NAFLDの症状を緩和する可能性があることが明らかになった。これらを総合すると、我々のLightGBMアルゴリズムと動物実験は、NAFLDの進行における腸内細菌叢組成の変化に因果関係があることを裏付ける証拠となった。

腸内細菌叢がNAFLDの病因に関与している可能性を示す証拠が蓄積されている。特異的な糞便微生物叢が腸管透過性を亢進させ、リポ多糖（LPS）を宿主内に放出し、その後、全身および組織の炎症を誘発する可能性がある。また、免疫力は、トリメチルアミンN-オキシド（TMAO）、コリン、エタノール、胆汁酸シグナルなどの微生物代謝産物によって影響を受ける可能性がある [2] 。糞便代謝産物や経路の潜在的な作用機序をさらに探るため、MRSや腸内細菌叢の特徴に関連するメタボロームシグネチャーも調査した。MRSおよびNAFLDと異なる糞便中代謝産物との関連を組み合わせたところ、糞便中代謝産物であるタウロコール酸の濃度が、より高いMRSおよびNAFLDを促進するいくつかの腸内細菌叢（p__fusobacteriaおよびg__clostridiaceaeother）と正の相関があることがわかった。糞便微生物叢の異常は、胆汁酸ホメオスタシスの変化と関連している [57] 。胆汁酸は胆汁中に分泌されるため、微生物叢を変化させ、腸管バリア機能を変化させ、自然免疫系を調節することによって、胃腸と肝臓の健康の発生と進行にさらに影響を及ぼす可能性がある [58] 。無菌動物の胆汁酸プロフィールは、タウリン共役胆汁酸（特にタウロコール酸とタウロリコール酸）で占められていた［59］。しかし、タウロコール酸がNAFLDの発症を増加させるメカニズムはまだ解明されていない。先行する動物モデルでは、血漿中のタウロコール酸濃度が高いと、ヒト正常不死化肝細胞株LO2におけるコレステロール誘導性トリグリセリド蓄積が悪化し、非アルコール性脂肪肝炎-肝細胞がんの進行が促進される可能性が示唆された［60］。しかしながら、NAFLDの発症における腸内代謝産物であるタウロコール酸の潜在的な役割について調査した研究は限られており、これらの関連性の謎を解明するためにはさらなる調査が必要である。

本研究には以下の限界がある。第一に、主な結果は複数の中高年中国人コホートから得られたものである。したがって、本研究の結果は他の民族や年齢層には一般化できないかもしれない。第2に、本研究では、腸内細菌群集以外に共存する真菌群集やウイルス群集には焦点を当てなかった。第三に、この限られたサンプル採取法の結果、いくつかの便サンプルがいずれの時点でも採取されなかったため、一対の微生物叢データを有する患者が少なくなった。最後に、一般に腸内細菌叢の解析では、消化管内の微生物集団の生物地理学的および動態を区別することはできない。

結論
要約すると、本研究ではlightGBM-SHAPアルゴリズムを用いて腸内細菌叢の特徴を同定し、特定の腸内細菌叢（p__fusobacteriaおよびf__veillonellaceae）の存在はNAFLDと正の相関を示したが、f__rikenellaceae、f__barnesiellaceae、およびs__adolescentisはNAFLDと負の相関を示した。観察データと実験データの両方から、NAFLDの進行に対するMRSの寄与が明らかになった。NAFLDにおける腸内代謝産物（タウロコール酸）の生物学的関連性と機序的洞察を検討するためには、均質な患者コホートと標準化された方法によるさらなる大規模研究が必要である。これらの関連性を認識することは、腸内細菌叢を通してNAFLDを予測するために重要である。

データおよび資料の入手
Guangzhou Nutrition and Health Study栄養健康研究（GNHS）の16S rRNA遺伝子配列データは、Genome Sequence Archive（GSA）（https://ngdc.cncb.ac.cn/gsa/）にアクセッション番号CRA006769で寄託されている。本研究の結果を支持するその他のデータは、対応する著者から要請があれば入手可能である。

略号
ALT：
アラニンアミノトランスフェラーゼ

AST：アスパラギン酸トランスアミナーゼ
アスパラギン酸トランスアミナーゼ

AUC
受信者動作特性下面積

BMI
体格指数

CI：信頼区間
信頼区間

CT
コンピューター断層撮影

CVDs
心血管疾患

EMP
アース・マイクロバイオーム・プロジェクト

FDR
誤発見率

FFQ：
食物摂取頻度調査票

FGF21：
線維芽細胞増殖因子21

FMT：
糞便微生物叢移植

Glu：
空腹時グルコース

GNHS
広州栄養健康研究

LPS
リポ多糖

MET：
代謝等価物

ML
機械学習

MRI
磁気共鳴画像法

MRS
マイクロバイオームリスクスコア

NAFLD：非アルコール性脂肪性肝疾患
非アルコール性脂肪性肝疾患

NASH
非アルコール性脂肪性肝炎

NF-κB
核内因子κB

OR：
オッズ比

OTU：
操作上の分類単位

PAQs
身体活動アンケート

PCA
主成分分析

PCR：ポリメラーゼ連鎖反応
ポリメラーゼ連鎖反応

PDFF
プロトン密度脂肪分画

Q:
四分位数

QA
品質保証

QC
品質管理

RDP
リボソームデータベースプロジェクト

RF：
ランダムフォレスト

ROC：
受信者動作特性

SCFAs：
短鎖脂肪酸

SDMs
代謝物の有意差

SHAP
シャプレー加法説明

SVM
サポートベクターマシン

T2DM：
2型糖尿病

TC：
総コレステロール

TG
トリグリセリド

TMAO
トリメチルアミンN-オキシド

UPLC-MS/MS：
タンデム質量分析付き超高速液体クロマトグラフィー

US：
腹部超音波検査

参考文献
Powell EE、Wong VW、Rinella M. 非アルコール性脂肪性肝疾患。Lancet. 2021;397(10290):2212–24.

論文

CAS

Google Scholar

Aron-Wisnewsky J, Vigliotti C, Witjes J, et al. 腸内細菌叢とヒトNAFLD：代謝異常から微生物シグネチャーを分離する。Nat Rev Gastroenterol Hepatol. 2020;17(5):279-97.

論文

Google Scholar

腸内細菌叢はマウスの非アルコール性脂肪性肝疾患の発症を決定する。Gut. 2013;62(12):1787-94.

論文

Google Scholar

Zhu L, Baker SS, Gill C, et al. 非アルコール性脂肪肝炎（NASH）患者における腸内細菌叢の特徴：内因性アルコールとNASHの関連性。Hepatology (Baltimore, MD). 2013;57(2):601-9.

論文

CAS

グーグル奨学生

Safari Z, Gérard P. 腸内細菌叢と非アルコール性脂肪性肝疾患（NAFLD）の関連性。Cell Mol Life Sci. 2019;76(8):1541-58.

論文

CAS

グーグル・スカラー

Kolodziejczyk AA, Zheng D, Shibolet O, Elinav E. The role of the microbiome in NAFLD and NASH. EMBO Mol Med. 2019;11(2):e9302.

Zhu L, Baker RD, Baker SS. 腸内マイクロバイオームと非アルコール性脂肪性肝疾患。Pediatr Res. 2015;77(1-2):245-51.

論文

CAS

グーグル・スカラー

Canfora EE, Meex RCR, Venema K, Blaak EE. 肥満、NAFLD、T2DMにおける腸内微生物の代謝産物。Nat Rev Endocrinol. 2019;15(5):261-73.

論文

CAS

グーグル・スカラー

Sayin SI, Wahlström A, Felin J, et al. 腸内細菌叢は、天然由来のFXRアンタゴニストであるタウロ-β-ムリコール酸のレベルを低下させることにより、胆汁酸代謝を調節する。Cell Metab. 2013;17(2):225-35.

論文

CAS

Google Scholar

NAFLD発症における腸内細菌叢の代謝産物と治療的意義。2020;21(15):5214。

NAFLDでは一次および二次胆汁酸の産生が亢進しているにもかかわらず、肝胆汁酸シグナルは抑制されている。Gut. 2018;67(10):1881-91.

論文

CAS

Google Scholar

ブロディ・H. 腸内マイクロバイオーム。Nature. 2020;577(7792):S5.

論文

ADS

CAS

グーグル奨学生

Si J, Lee G, You HJ, et al. 腸内マイクロバイオームシグネチャーは、2型糖尿病と非アルコール性脂肪性肝疾患を区別する。Comput Struct Biotechnol J. 2021;19:5920-30.

論文

PubMedセントラル

Google Scholar

非アルコール性脂肪性肝疾患における腸内細菌叢のFaecalibacteriumの有意な減少：BMIと性別を一致させた大規模集団研究。Hepatol Int. 2019;13(6):748-56.

論文

グーグル・スカラー

Lee G, You HJ, Bajaj JS, et al. Distinct signatures of gut microbiome and metabolites associated with significant fibrosis in nonobese NAFLD. Nat Commun. 2020;11(1):4982.

論文

ADS

CAS

パブメドセントラル

Google Scholar

Su X, Chen S, Liu J, et al. 腸内細菌叢の組成と非アルコール性脂肪性肝疾患：系統的レビューとメタアナリシス。2024;25(1):e13646。

論文

CAS

Google Scholar

Cammarota G, Ianiro G, Ahern A, et al. 腸内マイクロバイオーム、ビッグデータ、機械学習によるがんの精密医療の推進。Nat Rev Gastroenterol Hepatol. 2020;17(10):635-48.

論文

Google Scholar

Topçuoğlu BD, Lesniak NA, Ruffin MTt, Wiens J, Schloss PD. 微生物ベースの分類問題に機械学習を効果的に適用するためのフレームワーク。2020;11(3):e00434–20.

Gou、Ling CW、He Y、他：解釈可能な機械学習フレームワークにより、2型糖尿病に関連する頑健な腸内細菌叢の特徴が明らかになった。Diabetes Care. 2021;44(2):358-66.

論文

CAS

Google Scholar

Leung H, Long X, Ni Y, et al. NAFLD発症における腸内細菌叢と代謝物マーカーによるリスク評価。Sci Transl Med. 2022;14(648):eabk0855.

論文

CAS

PubMedセントラル

グーグル奨学生

血清ビタミンAが高いほど成人の非アルコール性脂肪性肝疾患の進行が悪化する：前向き研究。Food Funct. 2022;13(2):970-7.

論文

CAS

グーグル奨学生

広州栄養健康研究（GNHS）：集団ベースのマルチオミクス研究：広州栄養健康研究（GNHS）：集団ベースのマルチオミクス研究。J Epidemiol 2023：

非アルコール性脂肪性肝疾患の診断と治療のガイドライン。J Dig Dis. 2008;9(2):108-12.

論文

Google Scholar

Xiao ML, Chen GD, Zeng FF, et al. Higher serum carotenoids associated with improvement of nonalcoholic fatty liver disease in adults: a prospective study. Eur J Nutr. 2019;58(2):721-30.

論文

CAS

グーグル・スカラー

Caussy C, Alquiraish MH, Nguyen P, et al. 肝脂肪症検出のゴールドスタンダードとしてのMRI-PDFFによる制御減弱パラメータの最適閾値。Hepatology. 2018;67(4):1348-59.

論文

CAS

グーグル・スカラー

Md B, Bertuletti M, Angelini V, Grazioli L. 症例シリーズ：LiverLabを用いた肝脂肪と鉄の定量化の臨床応用。2020:

トンプソンLR、サンダースJG、マクドナルドD、他。共同体カタログが明らかにする地球のマルチスケール微生物多様性。Nature. 2017;551(7681):457–63.

論文

ADS

CAS

パブメドセントラル

Google Scholar

Xue B, Li D, Lu C, et al.術前・術中データを用いて術後合併症のリスクを特定するモデルを開発・評価するための機械学習の利用。JAMA Netw Open. 2021;4(3):e212240.

論文

パブメドセントラル

Google Scholar

Wang D, Thunéll S, Lindberg U, Jiang L, Trygg J, Tysklind M. 排水処理プラントにおけるより良いプロセス管理に向けて：ツリーベースの機械学習手法のSHAP値に基づくプロセス分析。J Environ Manage. 2022;301:113941.

論文

CAS

Google Scholar

Xia J, Sinelnikov IV, Han B, Wishart DS. MetaboAnalyst 3.0--メタボロミクスをより有意義なものに。Nucleic Acids Res. 2015;43(W1):W251-7.

論文

CAS

パブメドセントラル

Google Scholar

Maifiah MH, Creek DJ, Nation RL, et al. 非標的メタボロミクス解析により、Acinetobacter baumanniiに対するコリスチンとドリペネムの併用による相乗的殺傷の主要経路が明らかになった。Sci Rep.

論文

ADS

CAS

パブメドセントラル

グーグル奨学生

Shen F, Zheng RD, Sun XQ, Ding WJ, Wang XY, Fan JG. 非アルコール性脂肪性肝疾患患者における腸内細菌叢異常症。Hepatobiliary Pancreat Dis Int. 2017;16(4):375-81.

論文

CAS

Google Scholar

Wang W, Li Q, Chai W, et al. Lactobacillus paracasei Jlus66は、非アルコール性脂肪性肝疾患ラットの腸内細菌叢の調節を介して酸化ストレスおよび炎症を緩和する。Food Sci Nutr. 2019;7(8):2636-46.

論文

CAS

パブメドセントラル

Google Scholar

Cortez-Pinto H, Borralho P, Machado J, et al. シンバイオティクスによる微生物叢調節は、非アルコール性脂肪性肝炎（NASH）の高脂肪コリン欠乏食モデルマウスの肝線維症を減少させる。GE Port J Gastroenterol. 2016;23(3):132-41.

論文

PubMed Central

Google Scholar

Romualdo GR, Valente LC, Sprocatti AC, et al. 代謝アウトカムに関連する非アルコール性脂肪性肝疾患の西洋食誘発マウスモデル：腸内細菌-肝臓-脂肪組織軸の特徴。栄養学。2022;103-104:111836.

論文

Google Scholar

Demir M, Lang S, Martin A, et al. Phenotyping non-alcoholic fatty liver disease by the gut microbiota: ready for prime time? J Gastroenterol Hepatol. 2020;35(11):1969-77.

論文

CAS

グーグル奨学生

Liang、Liang S、Zhang Y、他：複合プロバイオティクスの経口投与は、非アルコール性脂肪性肝疾患ラットにおいてGタンパク質共役受容体43を介してHFD誘発腸内細菌異常症と慢性代謝性炎症を改善する。Probiotics Antimicrob Proteins. 2019;11(1):175-85.

論文

CAS

グーグル・スカラー

Kang H, You HJ, Lee G, et al. NAFLD重症度と高炭水化物食が腸内細菌叢の変化と肝デノボ脂肪生成に及ぼす相互作用効果。Gut Microbes. 2022;14(1):2078612.

論文

PubMed Central

グーグル奨学生

Loomba R, Ling L, Dinh DM, et al. NASHにおけるFGF19アナログに対する反応のマーカーとしての常在細菌veillonella。Hepatology. 2021;73(1):126-43.

論文

CAS

Google Scholar

Mergenhagen SE、Zipkin I、Varah E. 経口ベヨネラ内毒素に関する免疫学的および化学的研究。J Immunol. 1962;88:482-7.

論文

CAS

Google Scholar

アテローム性動脈硬化症患者におけるヒトの口腔、腸、プラーク微生物叢。Proc Natl Acad Sci U S A. 2011;108 Suppl 1(Suppl 1):4592-8.

論文

ADS

Google Scholar

Del Chierico F, Nobili V, Vernocchi P, et al. メタオミクスに基づく統合的アプローチによって明らかになった小児非アルコール性脂肪性肝疾患および肥満患者の腸内細菌叢プロファイリング。Hepatology (Baltimore, MD). 2017;65(2):451-64.

論文

グーグル奨学生

Chen H, Sun Y, Zhao H, et al. α-ラクトアルブミンペプチドAsp-Gln-Trpは、高脂肪食誘発NAFLDマウスにおいて肝インスリン抵抗性を緩和し、腸内細菌叢異常症を調節する。Food Funct. 2022;13(19):9878-92.

論文

CAS

グーグル奨学生

非アルコール性脂肪性肝疾患および薬剤性肝障害における微生物群の多様性。Pharmacol Res.

論文

CAS

Google Scholar

Jin M, Kalainy S, Baskota N, et al. 肝硬変患者の糞便微生物叢は、難消化性糖質を短鎖脂肪酸に発酵する能力が低い。Liver Int. 2019;39(8):1437-47.

論文

CAS

グーグル・スカラー

Zhang S, Zhao J, Xie F, et al. 食物繊維由来の短鎖脂肪酸：肥満に関連する非アルコール性脂肪性肝疾患を緩和する潜在的治療標的。2021;22(11):e13316。

論文

CAS

Google Scholar

非アルコール性脂肪性肝疾患の小児における腸内細菌叢、グルコース、脂質、水電解質代謝。Front Cell Infect Microbiol. 2021;11:683743.

論文

パブメド中央

Google Scholar

Bifidobacterium adolescentisとLactobacillus rhamnosusは異なる腸内細菌叢依存性経路の調節を介して高脂肪・高コレステロール食によって誘発される非アルコール性脂肪性肝疾患を軽減する。Food Funct. 2020;11(7):6115-27.

論文

グーグル奨学生

Bifidobacterium bifidumは、bifidobacterium adolescentisと比較して、非アルコール性脂肪肝を緩和する多様な方法を示す。Biomedicines. 2021;10(1):84.

ビフィズス菌は、線維芽細胞増殖因子21の感受性を高めることにより、肝脂肪症および脂肪肝炎を緩和する。Front Endocrinol（ローザンヌ）。2021;12:773340.

論文

Google Scholar

フォーチュネラ・マルガリータ由来多糖画分は、ビフィズス菌の増殖に影響を与え、発酵後に構造変化を起こす。Int J Biol Macromol. 2019;123:1070-8.

論文

CAS

Google Scholar

Lim SM, Kim DH. Bifidobacterium adolescentis IM38 ameliorates high-fat diet-induced colitis in mice by inhibiting NF-κB activation and lipopolysaccharide production by gut microbiota. Nutr Res. 2017;41:86-96.

論文

CAS

グーグル奨学生

Meng Q, Ke G, Wang T, et al. A communication-efficient parallel algorithm for decision tree. Advances in Neural Information Processing Systems. 2016.

Zhao Q, Ye Z, Su Y, Ouyang D. Predicting complexation performance between cyclodextrin and guest molecules by integrated machine learning and molecular modeling techniques. Acta Pharm Sin B. 2019;9(6):1241-52.

論文

パブメドセントラル

グーグル奨学生

Zhao Y, Wang T, Bove R, et al. Ensemble learning predicts multiple sclerosis disease course in the SUMMIT study. NPJ Digit Med. 2020;3:135.

論文

PubMed Central

Google Scholar

Lundberg SM, Lee S-I. モデル予測を解釈するための統一的アプローチ。Advances in neural information processing systems. arXiv:1705.07874v. 2017.

Mouzaki M, Wang AY, Bandsma R, et al. Bile acids and dysbiosis in non-alcoholic fatty liver disease. PLoS ONE. 2016;11(5):e0151829.

論文

PubMed中央

Google Scholar

Chiang JY. 胆汁酸ホメオスタシスの理解における最近の進歩。F1000Res.

論文

パブメドセントラル

Google Scholar

Swann JR, Want EJ, Geier FM, et al. 宿主組織コンパートメントにおける胆汁酸代謝の全身性腸内微生物調節。胆汁酸の代謝を調節する全身性腸内細菌（Proc Natl Acad Sci U S A. 2011;108 Suppl 1(Suppl 1):4523-30.

論文

ADS

グーグル奨学生

Zhang X, Coker OO, Chu ES, et al. 食餌性コレステロールは、腸内細菌叢と代謝産物を調節することにより、脂肪肝に伴う肝臓がんを促進する。Gut. 2021;70(4):761-74.

論文

CAS

Google Scholar

参考文献ダウンロード

謝辞
追跡調査にご協力いただいたすべてのスタッフに感謝する。

資金提供
本研究は、広東省基礎応用基礎研究基金会（2023A1515030155）、中国国家自然科学基金（第82073546号および第82073529号、第81602853号）、および中山大学（中国広州市）の臨床研究5010プログラム（第2007032号）の共同支援を受けた。資金提供者は、本試験のデザイン、データの収集、分析、解釈、原稿の執筆、結果の公表の決定には関与していない。

著者情報
著者情報
Fangfang Zeng、Xin Su、Xinxiu Liangは本研究に同等に貢献しており、共同筆頭著者とみなされるべきである。

著者および所属
済南大学医学部公衆衛生・予防医学科、広州市黄浦西路601号、510632、中国

曽芳芳・蘇新

中山大学公衆衛生学院広東省食品・栄養・健康重点実験室疫学部門、広州市、510275、中国

曽芳芳、中海麗、徐金健、陳玉銘

中国浙江省西湖大学医学部・生命科学部感染・免疫マルチオミクス重点実験室、杭州市、310030

梁新秀、溝万龍、沈魯琪、鄭儒生

ヘルムホルツ・メンヘン・ドイツ環境保健研究センター疫学研究所（Helmholtz Zentrum München-German Research Center for Environmental Health, Ingolstädter Landstr. 1, 85764, Neuherberg, Germany

ミンチー・リャオ

中国広東省広州市黄浦西路601号済南大学ビッグデータ意思決定研究所内

張香洲

貢献
Z.F.F.：概念化、形式分析、可視化、執筆（原案）、S.X.、L.X.X.：データ分析、可視化、執筆（原案）、L.M.Q.：執筆（原案）、Z.H.L.、X.J.J.、G.W.L.、Z.X.Z.、S.L.Q.：調査、執筆（査読）、C.Y.M.、Z.J.S.：概念化、調査、執筆（査読・編集）、監修。共著者全員が提出された最終版を承認し、出版に同意した。

共著者
Fangfang Zeng、Ju-Sheng Zheng、Yu-ming Chenまで。

倫理申告
倫理承認と参加同意
GNHSプロジェクトの研究プロトコルは、中山大学公衆衛生学部の倫理委員会により承認され（2018048）、ClinicalTrials.govデータベースに登録された（NCT03179657）。すべての手順はヘルシンキ宣言に概説された原則を遵守した。調査開始前に、すべての参加者から書面によるインフォームドコンセントを得た。

実験プロトコルは、済南大学医科大学の動物使用・飼育委員会の承認を得た。

出版に関する同意
該当なし。

競合利益
著者らは、競合する利益はないと宣言している。

追加情報
出版社ノート
シュプリンガー・ネイチャーは、出版された地図の管轄権の主張および所属機関に関して中立を保っている。

補足情報
追加ファイル1.
動物実験の補足的方法と図S1の結果。

追加ファイル2.
モデルの性能の詳細と重要な特徴の特定。表S1. 3つのコホートにおける4つのモデルすべての指標。表S2. 異なるコホートにおける全入力特徴量と選択特徴量の予測性能の比較。図S1. 発見コホートにおける選択された分類群関連特徴の相互相関。図S2. 非アルコール性脂肪性肝疾患に対する個々の選択された特徴の限界効果。

追加ファイル3.
MRSとNAFLDの関連の詳細。表S1. 発見コホートにおけるベースライン脂肪率および食事因子とマイクロバイオームリスクスコア（MRS）との関連。表S2. 腸内マイクロバイオームリスクスコア（MRS）とNAFLDとの関連。表S3。3コホートにおける腸内MRSの四分位値とNAFLDとの関連。

追加ファイル4。
選択した腸内細菌叢の特徴とNAFLDとの関係の詳細。表S1. 3コホートにおける選択されたマイクロバイオームの特徴とNAFLDとの関連。表S2。ロジスティック回帰を用いて、存在量が多い（SHAP値が0より高い）場合と少ない（SHAP値が0より低い）場合のNAFLDと選択したマイクロバイオームの特徴との関連を推定した。図S1. ロジスティック回帰を用いて、存在量の多い（SHAP値が0より高い）NAFLDと存在量の少ない（SHAP値が0より低い）選択されたマイクロバイオームの特徴との関連を推定した。

追加ファイル5.
有意差のある代謝物の同定およびSDMと腸内細菌叢の特徴との関連性の詳細。図S1. 発見コホートにおけるMRSによるグループ間の代謝物レベルに関する最初の2つの主成分の主成分分析（PCA）スコアプロット。図S2. 探索コホートにおけるMRSによる群間代謝物量の差異の単変量解析結果。図S3. 発見コホートにおけるMRSによる群間差のVolcano plotで選択された重要代謝物。図S4. 発見コホートにおけるNAFLDの有無による群間代謝物量の第1-2主成分の主成分分析（PCA）スコアプロット。図S5. 発見コホートにおけるNAFLDの有無による群間代謝物量の差異の単変量解析結果。図S6. 発見コホートにおけるNAFLDの有無による異なるグループにおいて、ボルケーノプロットにより選択された重要代謝物。表S1. 発見コホート（MRS高値群とMRS低値群）の糞便検体中の4つの有意な異なる代謝物（SDM）。表S2. 発見コホート（NAFLD群 vs 対照群）の糞便検体における1つの有意な異なる代謝物（SDM）。表S3. 選択したマイクロバイオームとタウロコール酸の相関。

権利と許可
オープンアクセス本論文は、クリエイティブ・コモンズ表示4.0国際ライセンスの下でライセンスされており、原著者および出典に適切なクレジットを付与し、クリエイティブ・コモンズ・ライセンスへのリンクを提供し、変更が加えられた場合を示す限り、いかなる媒体または形式においても使用、共有、翻案、配布、複製を許可する。この記事に掲載されている画像やその他の第三者の素材は、その素材へのクレジット表記に別段の記載がない限り、記事のクリエイティブ・コモンズ・ライセンスに含まれています。この記事のクリエイティブ・コモンズ・ライセンスに含まれていない素材で、あなたの意図する利用が法的規制によって許可されていない場合、あるいは許可された利用を超える場合は、著作権者から直接許可を得る必要があります。このライセンスのコピーを閲覧するには、http://creativecommons.org/licenses/by/4.0/。クリエイティブ・コモンズ・パブリック・ドメインの権利放棄（http://creativecommons.org/publicdomain/zero/1.0/）は、データへのクレジット表記に別段の記載がない限り、この記事で利用可能となったデータに適用される。

転載と許可

この記事について
更新を確認する。CrossMarkで最新性と真正性を確認する
この記事の引用
Zeng, F., Su, X., Liang, X. et al. 地域在住の中高年の非アルコール性脂肪性肝疾患における腸内細菌叢の特徴と代謝産物. BMC Med 22, 104 (2024). https://doi.org/10.1186/s12916-024-03317-y

引用文献のダウンロード

受領
2023年11月10日

受理
2024年2月23日

掲載
2024年03月07日

DOI
https://doi.org/10.1186/s12916-024-03317-y

この記事を共有する
以下のリンクをシェアすると、誰でもこのコンテンツを読むことができます：

共有可能なリンクを取得
コンテンツ共有イニシアティブSpringer Nature SharedItにより提供されています。

キーワード
非アルコール性脂肪性肝疾患
腸内細菌叢
腸内代謝産物
機械学習アルゴリズム
16S rRNA遺伝子配列
BMC医学
ISBN: 1741-7015

お問い合わせ
投稿に関するお問い合わせ: bmcmedicineeditorial@biomedcentral.com
一般的なお問い合わせ: info@biomedcentral.com
ブログを読む
BMCニュースレターを受け取る
記事アラートの管理
言語校正
著者のための科学的校正
ポリシー
アクセシビリティ
プレスセンター
サポートとお問い合わせ
フィードバックを残す
採用情報
BMCをフォローする
BMCツイッターページ
BMC Facebookページ
BMC微博ページ
このウェブサイトを使用することで、当社の利用規約、お客様の米国におけるプライバシー権、プライバシーステートメント、およびクッキーポリシーに同意したものとみなされます。プライバシーに関する選択/プリファレンスセンターで弊社が使用するCookieを管理する。

この記事が気に入ったらサポートをしてみませんか？