大家好,今天给大家解读一篇 Gut microbial carboh ydrate metabo lism contri butes to insulin resis tance(肠道微生物碳水化合物代谢导致胰岛素抵抗)胰岛素抵抗是代谢综合征和2型糖尿病的主要病理特征,肠道微生物群在胰岛素抵抗中具有重要作用。
01
研究背景
胰岛素抵抗是代谢综合征和 2 型糖尿病的主要病理生理学1,2.先前的宏基因组学研究已经描述了肠道微生物群的特征及其在代谢胰岛素抵抗中主要营养素的作用3,4,5,6,7,8,9.特别是,共生体的碳水化合物代谢已被提出贡献高达宿主整体能量提取的 10%10,从而在肥胖和糖尿病前期的发病机制中发挥作用3,4,6.然而,其潜在机制仍不清楚。
在这里,我们使用人类的综合多组学策略来研究这种关系。我们将无偏倚的粪便代谢组学与宏基因组学、宿主代谢组学和转录组学数据相结合,以分析微生物组在胰岛素抵抗中的参与。这些数据表明,粪便碳水化合物,特别是宿主可及的单糖,在胰岛素抵抗的个体中增加,并与微生物碳水化合物代谢和宿主炎性细胞因子有关。
我们鉴定了与胰岛素抵抗和胰岛素敏感性相关的肠道细菌,这些细菌显示出独特的碳水化合物代谢模式,并证明胰岛素敏感性相关细菌改善了小鼠模型中胰岛素抵抗的宿主表型。我们的研究全面了解了胰岛素抵抗中的宿主-微生物关系,揭示了微生物群对碳水化合物代谢的影响,提出了改善胰岛素抵抗的潜在治疗靶点。
见图一
粪便碳水化合物代谢物在IR中明显改变。
图一
a, 左图,随机森林分类器的AUC基于属水平16S(n = 282)、KEGG直系同源物(KO)水平的宏基因组(n = 266)、粪便代谢组和宏基因组(KEGG直系同源物)+粪便代谢组(n = 266)数据预测IR。从数据集中选择的特色标记的数量沿 x 轴增加。右图显示了所选要素获得的 AUC。每个点表示随机森林分类器的 AUC 值,该分类器使用给定数量的选定要素作为预测变量。
b,粪便亲水代谢物(hydroCAG,顶部)和脂质代谢物(lipidCAG,底部)的CAGs,以及临床表型和标志物(n = 282)。左边的两列热图表示与使用基于等级的线性回归分析的主要临床表型(IR 和 MetS)的关联,而主热图显示了按年龄和性别调整的部分 Spearman 相关性 (pSC),具有代表性的代谢标志物。只有调整后的 P (Padj) < 0.05 的 CAG 是彩色的。CAGs的类别名称是根据CAGs中最丰富的代谢物确定的。补充表3-8提供了进一步的细节。FBG,空腹血糖;负,负;pos.,阳性。脂质缩写在补充表27中定义。
c, HOMA-IR与粪便单糖水平之间的pSC。描述了系数 (pSC) 和 P调整值 (n = 282)。
d, 粪便中单糖的含量(n = 306)。对于 a,箱形图表示中位数(中心线)、上下四分位数(箱形极限)以及上限和下限,异常值(晶须)除外。浓度,浓度。对于 c,密度图表示中位数和分布。对于 a 和 d,使用 Kruskal-Wallis 检验进行统计分析,然后使用 Dunn 检验 (a) 和按年龄和性别调整的基于等级的线性回归 (d);*P < 0.05,**P < 0.01,***P < 0.001。
见图二
IR相关的粪便代谢物与肠道菌群和微生物遗传功能的改变有关。
图二
a, 属水平细菌的共丰度簇及其丰度(n = 282)。参与者根据其分类特征被分为四个组,从A到D。显示了患有 IR 的个体的比例。中级,中级。
b、参与者集群中的 HOMA-IR、BMI、甘油三酯 (TG) 和 HDL-C 水平。
c, 来自粪便代谢物和粪便代谢物的共丰度微生物群的细菌代谢物网络(n = 282)。包括所有粪便亲水性和细菌相关的脂质代谢物。仅显示具有正和显著 (Padj < 0.05) 的 Spearman 相关性的相互作用。CAGs中与碳水化合物相关的代谢物如图1所示。1b 以红色突出显示。Unclust.,未簇。
d:属与粪便碳水化合物之间显著正负相关的数量。显示了每个相关性中的前五个属。
e, 与碳水化合物代谢和膜转运相关的KEGG通路, 粪便碳水化合物, 与粪便碳水化合物正相关或负相关的前3个属, 以及参与者集群。与代谢物(左图)和分类丰度(右图)显著相关的KEGG直系同源物(P调整<0.05)被总结为KEGG通路之间的富集百分比。15 种粪便碳水化合物(碳水化合物)的中位数百分比在左边以颜色(蓝色到红色)显示,而富集百分比在右边显示为圆盘大小;Spearman在通路水平丰度和六个属之间的相关性以中间的颜色(蓝色到黄色)显示(n = 266)。
f,参与者簇中参与糖苷酶的代表性KEGG直系同源物的丰度(n = 266)。丰度通过反正弦平方根变换进行变换。b 和 f 中的密度图表示中位数和分布。使用按年龄和性别调整的基于等级的线性回归进行统计分析(b;补充表10)、双侧Wilcoxon秩和检验与多重检验校正(e;补充表16)和Kruskal-Wallis检验与Dunn检验(f;附表18)。
见图三
粪便碳水化合物代谢物与IR中的细胞因子水平有关。
图三
a,粪便碳水化合物代谢物(紫色)、粪便细菌(绿色)、血浆亲水代谢物(粉红色)、细胞因子(黄色)和PBMC基因(红色)之间的网络,基于IS、中间体(即HOMA-IR>1.6和<2.5)和IR样品(n=46、70和275)。宿主来源的标记物与IR显著相关(补充表19-21),15种粪便碳水化合物和20个属在图中鉴定。图1b和扩展数据图。5f分别被纳入分析。为了构建组学网络,计算了按年龄、性别、BMI和FBG调整的成对pSC,并显示了与Padj < 0.05的相互作用。线宽显示系数的绝对值,红线和灰线分别表示正相关和负相关。圆盘大小显示了 IR 中丰度中位数与 IS 的比率(n = 46 和 157)。带有完整注释的详细信息显示在扩展数据图中。7c和附表22。
b,每个组学数据集使用随机森林分类器预测的十种血浆细胞因子的解释方差。
c,显示血浆细胞因子显著介导粪便碳水化合物对宿主代谢标志物的计算机效应的冲积图。线条表示中介效应,颜色表示由单个细胞因子介导的关联。
见图四
IS相关细菌在实验模型中改善IR。
图四
a,在开始细菌给药后4周喂食高脂肪饮食的小鼠的餐后血糖。缩写在扩展数据图中定义。8a. n = 12 (载体)、n = 10 (A. indistinctus 和 A. finegoldii) 和 n = 5 (其他组) 小鼠。
b,c,胰岛素耐量试验 (b) 和 AUC (c) 期间的血糖水平(每组 n = 5)。
d, 胰岛素耐量试验的AUC与盲肠果糖、葡萄糖和甘露糖水平之间的相关性。显示了斯皮尔曼系数 (ρ) 和 P 值。线和灰色区域显示了具有 95% 置信区间的拟合线性回归线。ITT,胰岛素耐量试验。两个(a和d)或三个(b和c)独立实验的代表性数据。对于 a–c,数据是平均值±标准差。使用 Kruskal-Wallis 检验和 Dunn 检验(a 和 c)和双向重复测量方差分析 (ANOVA) (b) 进行统计分析。
02
研究结论
最后,人类研究的两名参与者无法在早上收集粪便,由于缺乏对一天中的时间和禁食条件的严格控制,这可能会影响结果。因此,我们认为有必要进行纵向研究,及时记录饮食习惯,以剖析微生物代谢对糖尿病及其并发症轨迹的复杂影响,同时考虑潜在的混杂因素。
好了,今天的文献解读就到这儿来,我们下期再见!如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。
01
研究背景
胰岛素抵抗是代谢综合征和 2 型糖尿病的主要病理生理学1,2.先前的宏基因组学研究已经描述了肠道微生物群的特征及其在代谢胰岛素抵抗中主要营养素的作用3,4,5,6,7,8,9.特别是,共生体的碳水化合物代谢已被提出贡献高达宿主整体能量提取的 10%10,从而在肥胖和糖尿病前期的发病机制中发挥作用3,4,6.然而,其潜在机制仍不清楚。
在这里,我们使用人类的综合多组学策略来研究这种关系。我们将无偏倚的粪便代谢组学与宏基因组学、宿主代谢组学和转录组学数据相结合,以分析微生物组在胰岛素抵抗中的参与。这些数据表明,粪便碳水化合物,特别是宿主可及的单糖,在胰岛素抵抗的个体中增加,并与微生物碳水化合物代谢和宿主炎性细胞因子有关。
我们鉴定了与胰岛素抵抗和胰岛素敏感性相关的肠道细菌,这些细菌显示出独特的碳水化合物代谢模式,并证明胰岛素敏感性相关细菌改善了小鼠模型中胰岛素抵抗的宿主表型。我们的研究全面了解了胰岛素抵抗中的宿主-微生物关系,揭示了微生物群对碳水化合物代谢的影响,提出了改善胰岛素抵抗的潜在治疗靶点。
见图一
粪便碳水化合物代谢物在IR中明显改变。
图一
a, 左图,随机森林分类器的AUC基于属水平16S(n = 282)、KEGG直系同源物(KO)水平的宏基因组(n = 266)、粪便代谢组和宏基因组(KEGG直系同源物)+粪便代谢组(n = 266)数据预测IR。从数据集中选择的特色标记的数量沿 x 轴增加。右图显示了所选要素获得的 AUC。每个点表示随机森林分类器的 AUC 值,该分类器使用给定数量的选定要素作为预测变量。
b,粪便亲水代谢物(hydroCAG,顶部)和脂质代谢物(lipidCAG,底部)的CAGs,以及临床表型和标志物(n = 282)。左边的两列热图表示与使用基于等级的线性回归分析的主要临床表型(IR 和 MetS)的关联,而主热图显示了按年龄和性别调整的部分 Spearman 相关性 (pSC),具有代表性的代谢标志物。只有调整后的 P (Padj) < 0.05 的 CAG 是彩色的。CAGs的类别名称是根据CAGs中最丰富的代谢物确定的。补充表3-8提供了进一步的细节。FBG,空腹血糖;负,负;pos.,阳性。脂质缩写在补充表27中定义。
c, HOMA-IR与粪便单糖水平之间的pSC。描述了系数 (pSC) 和 P调整值 (n = 282)。
d, 粪便中单糖的含量(n = 306)。对于 a,箱形图表示中位数(中心线)、上下四分位数(箱形极限)以及上限和下限,异常值(晶须)除外。浓度,浓度。对于 c,密度图表示中位数和分布。对于 a 和 d,使用 Kruskal-Wallis 检验进行统计分析,然后使用 Dunn 检验 (a) 和按年龄和性别调整的基于等级的线性回归 (d);*P < 0.05,**P < 0.01,***P < 0.001。
见图二
IR相关的粪便代谢物与肠道菌群和微生物遗传功能的改变有关。
图二
a, 属水平细菌的共丰度簇及其丰度(n = 282)。参与者根据其分类特征被分为四个组,从A到D。显示了患有 IR 的个体的比例。中级,中级。
b、参与者集群中的 HOMA-IR、BMI、甘油三酯 (TG) 和 HDL-C 水平。
c, 来自粪便代谢物和粪便代谢物的共丰度微生物群的细菌代谢物网络(n = 282)。包括所有粪便亲水性和细菌相关的脂质代谢物。仅显示具有正和显著 (Padj < 0.05) 的 Spearman 相关性的相互作用。CAGs中与碳水化合物相关的代谢物如图1所示。1b 以红色突出显示。Unclust.,未簇。
d:属与粪便碳水化合物之间显著正负相关的数量。显示了每个相关性中的前五个属。
e, 与碳水化合物代谢和膜转运相关的KEGG通路, 粪便碳水化合物, 与粪便碳水化合物正相关或负相关的前3个属, 以及参与者集群。与代谢物(左图)和分类丰度(右图)显著相关的KEGG直系同源物(P调整<0.05)被总结为KEGG通路之间的富集百分比。15 种粪便碳水化合物(碳水化合物)的中位数百分比在左边以颜色(蓝色到红色)显示,而富集百分比在右边显示为圆盘大小;Spearman在通路水平丰度和六个属之间的相关性以中间的颜色(蓝色到黄色)显示(n = 266)。
f,参与者簇中参与糖苷酶的代表性KEGG直系同源物的丰度(n = 266)。丰度通过反正弦平方根变换进行变换。b 和 f 中的密度图表示中位数和分布。使用按年龄和性别调整的基于等级的线性回归进行统计分析(b;补充表10)、双侧Wilcoxon秩和检验与多重检验校正(e;补充表16)和Kruskal-Wallis检验与Dunn检验(f;附表18)。
见图三
粪便碳水化合物代谢物与IR中的细胞因子水平有关。
图三
a,粪便碳水化合物代谢物(紫色)、粪便细菌(绿色)、血浆亲水代谢物(粉红色)、细胞因子(黄色)和PBMC基因(红色)之间的网络,基于IS、中间体(即HOMA-IR>1.6和<2.5)和IR样品(n=46、70和275)。宿主来源的标记物与IR显著相关(补充表19-21),15种粪便碳水化合物和20个属在图中鉴定。图1b和扩展数据图。5f分别被纳入分析。为了构建组学网络,计算了按年龄、性别、BMI和FBG调整的成对pSC,并显示了与Padj < 0.05的相互作用。线宽显示系数的绝对值,红线和灰线分别表示正相关和负相关。圆盘大小显示了 IR 中丰度中位数与 IS 的比率(n = 46 和 157)。带有完整注释的详细信息显示在扩展数据图中。7c和附表22。
b,每个组学数据集使用随机森林分类器预测的十种血浆细胞因子的解释方差。
c,显示血浆细胞因子显著介导粪便碳水化合物对宿主代谢标志物的计算机效应的冲积图。线条表示中介效应,颜色表示由单个细胞因子介导的关联。
见图四
IS相关细菌在实验模型中改善IR。
图四
a,在开始细菌给药后4周喂食高脂肪饮食的小鼠的餐后血糖。缩写在扩展数据图中定义。8a. n = 12 (载体)、n = 10 (A. indistinctus 和 A. finegoldii) 和 n = 5 (其他组) 小鼠。
b,c,胰岛素耐量试验 (b) 和 AUC (c) 期间的血糖水平(每组 n = 5)。
d, 胰岛素耐量试验的AUC与盲肠果糖、葡萄糖和甘露糖水平之间的相关性。显示了斯皮尔曼系数 (ρ) 和 P 值。线和灰色区域显示了具有 95% 置信区间的拟合线性回归线。ITT,胰岛素耐量试验。两个(a和d)或三个(b和c)独立实验的代表性数据。对于 a–c,数据是平均值±标准差。使用 Kruskal-Wallis 检验和 Dunn 检验(a 和 c)和双向重复测量方差分析 (ANOVA) (b) 进行统计分析。
02
研究结论
最后,人类研究的两名参与者无法在早上收集粪便,由于缺乏对一天中的时间和禁食条件的严格控制,这可能会影响结果。因此,我们认为有必要进行纵向研究,及时记录饮食习惯,以剖析微生物代谢对糖尿病及其并发症轨迹的复杂影响,同时考虑潜在的混杂因素。
好了,今天的文献解读就到这儿来,我们下期再见!如果你正在开展临床研究.需要方案设计.数据管理. 数据分析等支持.也随时可以联系我们。