编译：胜寒，编辑：十九、江舜尧。
原创微文，欢迎转发转载。
人体内微生物产生的代谢物可以作为细胞新陈代谢的能量来源，并促进免疫系统的功能以抵抗病原微生物的定殖。各种环境和临床因素，包括饮食，生活方式，疾病和药物等可以诱导微生物群组成的实质性转变。多项研究表明，饮食和药物是影响肠道微生物多样性的主要因素，但是它们只能解释人群中所能观察到的小部分微生物群变异。另外一些研究表明人类遗传变异与肠道微生物群多样性之间存在关联，但这些研究中只涉及少数基因位点，因此大多数个体间肠道微生物群组成的变异性仍然无法解释。该研究共招募了1000名西欧血统的健康个体，从858名个体的粪便样本中提取了16S核糖体RNA，用以研究影响个体之间粪便微生物群群成差异的遗传和非遗传因素。该研究确定了若干与粪便微生物群多样性相关的非遗传变量。相比之下，宿主遗传只有微不足道的影响。该项研究对未来人类遗传变异的全面评估提供了很好的建议。
论文ID
原名：A comprehensive assessment of demographic, environmental, and host genetic associations with gut microbiome diversity in healthy individuals
译名：对健康个体肠道微生物群多样性与人口学、环境和宿主基因的综合评估
期刊：Microbiome
IF：10.133
发表时间：2019.9
通讯作者：Fellay J
通讯作者单位：瑞士洛桑联邦理工学院生命科学学院
实验设计
图1 非遗传变量。本研究调查了六类非遗传变量，括号中是每个类别两个代表性示例的变量数。
结果
1.健康供体的肠道微生物群多样性
作者对858名健康个体的粪便样本进行了16SrRNA基因测序，共检测出操作分类学单元(OTUs)8422个，隶属于11门，24纲，43目，103科，328属，698种。平均每个个体检测到193种，最小值为58种，最大值为346种。个体间的变异已经在门的水平上被标记出来。图2a显示了在超过10%的参与者中观察到的8个门的相对丰度。所有个体均检出厚壁菌门和变形杆菌门，除一人外，其余均检出拟杆菌门。厚壁菌门是绝大多数个体的优势门(91.8%)。
从OTUs中分析α和β多样性两个指标，其中α多样性主要反映样本内多样性，而β多样性反映的是样本间多样性。图2b是辛普森多样性指数的分布，描述了大多数健康个体肠道微生物群落的连续分布和多样性。作者使用Bray-Curtis相异矩阵作为β多样性的代表性指标。图2c是通过相对丰富的厚壁菌门做出的Bray-Curtis相异矩阵多维标度(MDS)图，结果表明没有明显的分层。
图2 肠道微生物群的多样性。a.在10%以上的供体中观察到8个门的相对丰度箱形图。b. 健康个体中观察到的辛普森多样性指数值的小提琴图。c. Bray- Curtis指数的多维标度图。
2.非遗传变量与肠道微生物群的关系
通过详细的问卷调查收集人口、生活方式和环境变量，同时在血液样本中测量生化参数。饮食消费参数和肠道微生物群之间的关系之前已经进行了研究。综合考虑了另外274个变量，并根据患病率、缺失度和共线性对它们进行了筛选，最终得到110个变量进行分析。图1概述了考虑的六类非遗传变量，并给出了具有代表性的示例。
为了研究人口统计学、社会学、行为学、营养学和医学数据对粪便微生物群的潜在影响，作者使用Spearman秩相关检验寻找多样性指标和个体分类群与上述选择的110个非遗传变量之间的关联。在单变量测试中，总共有25个变量比较显著，其中15个与单个α多样性指标相关。年龄,丙氨酸氨基转移酶（ALT）水平，肾小球滤过率，早饭，在快餐店吃饭等五个变量对所有的α多样性指标都是显著相关的。然后作者使用ANOVA在多变量模型中检测四个饮食变量：水果，鱼，脂肪甜食和苏打水的消耗（之前发现在同一研究人群中，这些与α多样性显著相关）。只有年龄和ALT的相关仍然显著（图3）。辛普森多样性指数与年龄呈正相关，与ALT呈负相关。
接下来作者分析了110个非遗传变量对β多样性的影响。在单变量测试中，总共有35个变量显著相关，其中24个与单个β多样性指标相关。接下来对以上变量进行了多变量测试，共有10个因素仍然显著相关（图4）。在这些变量中，年龄，性别，血浆中ALT的关联最为显著。水痘疫苗接种、早餐、午餐、舒张压、生鲜水果的摄入量、食欲下降或增加以及拔牙的医疗记录也显著相关。在所有显著相关的变量中，性别和年龄能够解释观测到的方差的最大部分，尽管个体相关系数很小（图4）。然后作者利用Bray- Curtis进行分析，表明16.4%的变异可由非遗传因素解释。接下来，作者寻找人口和环境变量与单个分类单元之间的关联。作者使用多元关联线性模型来寻找上述110个因素与475个分类单元之间的关联，结果显示超过10%的研究参与者与上述分类单元之间存在关联。表1显示了仅有的三个显著关联。
图4 非遗传变量与Bray- Curtis指数的关系。
表1 非遗传变量与个体分类单元的显著关联。
3.人类基因变异与肠道微生物群参数的关系
接下来，作者使用GWAS寻找人类基因变异和肠道微生物群多样性之间的潜在联系。使用四个α多样性指标和三个β多样性指标作为表型，并没有发现任何显著的关联（图5a，5b）。作者接着用GWAS去寻找个体分类单元的丰度和人类遗传变异之间的联系，对每个分类单元使用定量表型(非零对数转化相对丰度)和二元表型(存在与不存在)。在校正了检测到的多态性和表型的数量后，依然没有观察到任何有统计学意义的关联。作者还分析了HLA和KIR等位基因与所选表型的关联，结果也没有发现明显的关联. 然后作者试图分析单个分类单元与原先已有报道的SNPs是否相关，结果显示336个SNP中只有13个超出显著性阈值，9个在门的水平上与原报道一致。对于二元表型，有10个SNP显著相关。
图5 宿主基因变异与微生物群多样性指标的全基因组关联结果。a. 辛普森多样性指标的曼哈顿图（α多样性指标）。b. Bray- Curtis指数的曼哈顿图（β多样性指标）。
结论
该研究对人口，环境，临床和遗传因素对健康个体的微生物群多样性的影响做了一个深入的调查分析。研究确定了与整体微生物组组成和少量个体分类群相关的变量。另一方面，全基因组关联分析表明在健康人群中观察到的肠道微生物群多样性的形成过程中，具有重大影响的常见人类基因变异并没有发挥重要作用。
未来的研究应该包括更大的样本量和对人类遗传变异更全面的评估，包括未被基因分型阵列捕获的罕见变异和结构性变异。对环境影响的评价应加以优化，例如对研究对象进行纵向跟踪。值得注意的是，该研究和之前发表的大多数比较权威的著作一样，试图通过16S rRNA基因测序来探索微生物的变异，从而将人类遗传学和微生物组联系起来。这种方法有明显的局限性，因为它只能够研究分类组成和多样性，而忽略了基因库和物种泛基因组的变异，后者描述微生物群落变异更为广泛和精细。因此，未来评估宿主基因对微生物组组成影响的工作应该集中在微生物组变异上，可以通过宏基因组鸟枪法进行。最后，大规模的微生物组和基因组数据应该跨群组收集，以加速对人类微生物组相互作用的认识。
你可能还喜欢
这些或许也适合你哦👇
联系客服
