骨关节炎是一种退行性关节疾病。它会导致疼痛和僵硬，在一定程度上影响人自由活动的能力。骨关节炎最常见于膝关节，女性比男性更容易患上骨关节炎。通过运动和健康饮食来锻炼强健的肌肉并保持健康体重可以减轻症状。严重病例可以通过关节置换术以减轻疼痛和恢复活动能力。研究介绍 / Introduction研究背景 / Background       骨关节炎 (OA) 是导致老年人身体残疾的一大原因。在美国，每年有超过60万人进行全膝关节置换手术 (TKR)。       临床OA症状包括关节疼痛、僵硬和活动范围减小。放射OA的诊断采用分级系统，如Kellgren-Lawrence (KL)分级或基于骨赘盒关节间隙狭窄评估的国际骨性关节炎研究学会(OARSI)图谱。但是，目前并没有统一的分级版本。       随着人工智能(AI)在各个领域的普及，医疗系统与AI的联系也逐渐增加，本文即是通过应用人工智能的深度学习功能完成对骨关节炎的诊断以及TKR风险预测。研究方法 / Methods1数据收集 / Data Collection       这项研究使用了骨关节炎倡议 (OAI) 的数据，OAI在2004年2月至2015年10月期间招募了4796名参与者来收集临床、成像和生物标本数据。OAI数据包括患者的8年双侧后前固定屈曲膝关节X光片和9年内的膝关节置换结果数据。2队列选择 / Cohort Selection       通过使用基线混杂变量：年龄、体重指数 (BMI) 、性别和种族，通过匹配患者和对照患者来选择平衡的病例对照队列。3深度学习模型开发和评估 / Model Development and Evaluation       在DL模型上使用多任务学习模型，同时预测患者和对照患者的TKR结果以及X光片的KL级。多任务学习改善了单一学习任务的概括性。用转移学习训练的多任务深度学习模型(DL-TL-MT)的输出提供了TKR结果和KL等级的预测。研究结果 / Results1深度学习(DL)，深度-转移学习(DL-TL)，深度-转移-多任务学习(DL-TL-MT)均具有较高的分类性能，特异性和灵敏性。其中，DL-TL-MT分类性能最好(AUC最高)，DL和DL-TL特异性最好。2可以通过DL-TL-MT完成对骨关节炎0、3、4级的精准分级(KL等级)。3可以完成对TKR手术的不同风险因素的预测。本研究包括了家庭病史、过往受伤情况等危险因素。讨论 / Discussion1. 与以前通过预测KL等级来应用DL模型评估膝盖关节炎的方法不同，本方法使用基于图像的特征来实现接受TKR的更高结果预测精度。2. 多任务学习方法在平均多类准确度和平均平方误差方面提高了KL等级预测性能。3. 训练模型的数据集大小有限，有较多的数据不符合本研究的队列选择标准而被忽略。4. 结果变量被定义为在9年内经历TKR。尽管TKR结果作为单一的临床结果衡量标准可取，但接受TKR的决定可能会受到并发症、保险状态等其他因素的影响。5. 本研究用X光片等进行研究，但是使用DL模型来预测膝盖关节炎的进展等并不限于X光片。将来，基于三维MRI的DL方法可能同样会用于预测膝盖关节炎的进展。参考文献[1] K. Leung et al., "Prediction of Total Knee Replacement and Diagnosis of Osteoarthritis by Using Deep Learning on Knee Radiographs: Data from the Osteoarthritis Initiative," Radiology, vol. 296, no. 3, pp. 584-593, 2020, doi: 10.1148/radiol.2020192091.[2] https://www.facebook.com/verywell, “The Different Types of Osteoarthritis With Pictures,” Verywell Health, 2022. END文案 | 张睿婕排版 | 张睿婕审核 | 姜笑南发布｜姜笑南世界生命科学大会RECRUIT关注我们，获取生命科学学界前沿｜促进更多的学术交流与合作业界前沿｜促进更快的产品创新与应用政策前沿｜促进更好的治理实践与发展我们期待你的加入RECRUIT投稿联系：欢迎加入世界生命科学大会，探索生命医学新未来。添加微信请备注（单位-专业-姓名）

INTRODUCTION•✦文章介绍✦•显微镜下的“魔法”还记得小时候玩的荧光棒吗？轻轻一摇，就能发出五彩斑斓的光芒，给我们的童年增添了许多乐趣。而在科学家的实验室里，也有一种“荧光棒”，它们比荧光棒更神奇，可以让我们“看到”微观世界的精彩瞬间，甚至生物活动的“电影”。这种“魔法”就是荧光显微镜，它利用荧光染料和荧光蛋白的特性，将微观世界的结构、功能和动态变化“照亮”。荧光染料和荧光蛋白就像显微镜下的“小精灵”，它们能够吸收特定波长的光，并将其转化为不同波长的荧光，从而让我们“看到”显微镜下的世界。“小精灵”的烦恼然而，这些“小精灵”并不能永远“发光”。它们会在光照下逐渐褪色，这个过程被称为光漂白。光漂白的“元凶”荧光分子吸收光子后，会进入激发态，并逐渐释放能量回到基态。在这个过程中，荧光分子可以通过两种方式释放能量：发光和非辐射衰减。非辐射衰减： 非辐射衰减是指荧光分子通过其他途径释放能量，而不发光的过程。例如，荧光分子可以与其他分子碰撞，或者自身发生振动，从而释放能量。非辐射衰减会降低荧光分子的量子产率，使其发出的荧光变弱。光氧化： 光氧化是指荧光分子在光照下发生氧化反应，从而改变其结构，导致荧光减弱或消失。光氧化是荧光蛋白光漂白的主要原因之一。光漂白的“后果”：缩短成像时间： 光漂白会导致荧光强度下降，从而缩短成像时间，影响实验结果的准确性。产生有毒物质： 光漂白过程中可能会产生一些有毒物质，例如自由基，这些物质可能会对细胞造成损伤，甚至杀死细胞。降低成像质量： 光漂白会导致荧光信号变弱，从而降低成像质量，影响对微观世界的观察。因此，科学家们一直在寻找让荧光染料和荧光蛋白更“耐久”的方法。HIGH LIGHTS•✦文章重点✦•小精灵”的新“魔法”魔法一：加固荧光蛋白为了提高荧光蛋白的耐光性，科学家们可以通过改变蛋白质支架的结构，使其更稳定，从而延长荧光寿命。例如，mCherry-XL 和 mScarlet3 这两种红色荧光蛋白，就比传统的 mCherry 更亮，也更耐光。它们通过“加固”蛋白质的 β-桶结构，阻止了发色团发生分子重排，从而减少了非辐射衰减。魔法二：关闭非辐射途径为了提高荧光分子的量子产率，科学家们可以通过模拟计算，预测并阻止荧光分子发生非辐射衰减。例如，科学家们发现了一种方法，可以使 EGFP 荧光蛋白的耐光性提高 80 倍。他们发现，EGFP 荧光蛋白中存在一个非辐射途径，电子会从发色团转移到酪氨酸残基上，从而改变发色团的发光特性。通过将酪氨酸替换为亮氨酸，就可以阻断这个非辐射途径，提高 EGFP 的耐光性。魔法三：量身定制荧光染料荧光染料是一种人工合成的荧光分子，它们通常具有更高的荧光强度和更好的光稳定性。然而，传统的荧光染料合成方法需要使用强酸或强碱等条件，限制了它们的进一步发展。为了克服这个难题，科学家们正在利用现代合成技术，对经典染料进行改造，使其更亮、更耐光。例如，Janelia Fluor 系列染料，就比传统的罗丹明染料更亮、更耐光。它们通过改变染料分子的结构，阻止了分子内部的非辐射衰减，从而提高了量子产率。魔法四：光激活成像光激活成像是一种新的成像技术，它可以避免荧光分子过度激发，从而减少光漂白的发生。在光激活成像中，荧光分子只有在特定波长的光照射下才会发出荧光，从而避免了不必要的激发和光漂白。DISCUSSION•✦研究讨论✦•荧光显微镜作为生命科学的利器，让我们得以窥见微观世界的奥秘。然而，荧光染料和荧光蛋白的“褪色”问题，一直制约着荧光显微镜的应用。为了克服这一难题，科学家们不断探索新的方法，开发出各种“魔法”，让荧光染料和荧光蛋白能够更持久地“发光”。这些“魔法”不仅提高了荧光显微镜的成像质量，还为我们探索微观世界的奥秘提供了新的工具。 例如，科学家们可以利用耐光性强的荧光染料和荧光蛋白，观察神经元细胞树突中毫秒级的电压变化，从而揭示神经元信息处理和学习的机制。未来，随着荧光材料和技术的发展，荧光显微镜将变得更加强大，帮助我们解开更多生物之谜。 例如，科学家们正在开发更亮、更耐光的荧光材料，以及开发新的成像技术，例如超分辨率显微镜和光片显微镜等。这些新技术将帮助我们以更高的分辨率、更快的速度、更深的层次观察微观世界，从而推动生命科学的发展，并为人类健康事业做出更大的贡献。参考文献[1] YAriana Remmel .TOWARDS BRIGHTER AND MOREPHOTOSTABLE FLUOROPHORES. Nature, 630, 258-260.END文案 |陆细刚排版 | 陆细刚审核 | 陆细刚发布｜姜笑南世界生命科学大会RECRUIT关注我们，获取生命科学学界前沿｜促进更多的学术交流与合作业界前沿｜促进更快的产品创新与应用政策前沿｜促进更好的治理实践与发展我们期待你的加入RECRUIT投稿联系：欢迎加入世界生命科学大会，探索生命医学新未来。添加微信请备注（单位-专业-姓名）

INTRODUCTION•✦研究介绍✦•研究背景Background随着多组学分析的出现，寻找生物过程和疾病中的差异基因组，阐明疾病的机制，以及确定潜在的治疗靶点，都越来越离不开多维富集分析软件。clusterProfiler是一个用于描述和解释组学数据的软件包。功能富集可以通过分析过度表征或基因集富集来实现。该软件支持使用各种数据库，如基因本体论[GO]和京都基因和基因组百科全书[KEGG]。它可以用于研究特定的基因或集合与特定的生物学功能、通路或分类之间的关联。该分析是通过计算进行的，通常在基因转录、蛋白质表达或其他大规模生物信息学数据等相关研究中用到。功能富集分析的两种最常见的方法：ORA：过度表征分析，是一种主要用于预定义基因列表的方法，如实验中的显著差异表达基因（DEGs）。ORA决定了哪些功能或通路在整个基因组或参考集合中出现的频率比预期的更高，得出最适合分析且具有实质性影响的基因。GSEA：基因集富集分析，可以评估整个基因表达谱，以确定一个基因集的显著性排名。在这种情况下，一组基因可能是与特定的生化途径相关的基因集合，也可能是与特定的生理功能、疾病过程或药理反应相关的基因集合。GSEA识别的是基因集合的行为。目前ORA和GSEA被广泛使用，许多软件平台主要集中于对传统的途径进行富集评估。图1|clusterProfiler概述研究目的ObjectivesclusterProfiler是一个通用的工具，它集成了GSEA和ORA方法，允许用户定制数据库和注释，提供了更广泛的解释范围，促进了从单细胞类型到细菌代谢组，甚至转录因子分析等新兴领域的研究。这篇文章旨在通过三个具体的例子，对这一工具的不同应用场景进行全面的分析：1.比较不同疾病的功能概况。2.非模式生物中的转录因子分析。3.来自单细胞转录组数据的自动细胞类型注释。METHODS•✦研究方法✦•研究亮点1阐明微生物群、代谢物和疾病之间复杂的相互联系2确定植物耐寒途径中活性转录因子3单细胞转录组学注释细胞类型试验设计Experimental design在这三个例子中，主要使用clusterProfiler的ORA（三个例子中均使用）和GSEA算法（在第二个例子中使用）探索下游生物通路调控和细胞类型识别。 ORA算法的整体思路选择某个列表中感兴趣的特性进行后续分析，如基因或代谢物；选择一个合适的注释数据库，如GO或KEGG通路数据库；使用clusterProfiler提供的富集功能，如GO富集或KEGG富集，使用ORA算法进行分析。 GSEA算法的整体思路获得一系列具有生物学意义的特征，如折叠变化值、T统计量或校正的P值排序等特征；利用clusterProfiler中的gseKEGG、gseGO或GSEA等功能进行GSEA分析；对于涉及多个组的场景，可以使用其他函数进行比较分析。GSEA或ORA的选择Tips在选择这两种富集方法时，通常会根据输入数据的特征和分析目标来做出决策。对于输入数据，ORA算法只需要一系列感兴趣的基因，其中可能包括同源基因、单细胞标记基因或来自免疫沉淀相互作用的蛋白质；GSEA需要一个完整的、经过排序的基因列表，比如按log2倍变化排序的基因列表等。关于分析目标，ORA采用Fisher精确检验来检查一组基因是否明显存在于一组基因中，这是富集分析中的一种典型方法；GSEA评估一个基因集是否倾向于聚集在排名列表的顶部或底部，以确定该基因集在特定条件下是否被激活或抑制。GSEA的优势在于它能够发现微妙而一致的通路，而不仅仅是基因的上调和下调。FINDINGS•✦研究发现✦•基本信息描述1比较不同疾病的功能概况2非模式生物中的转录因子分析3从单细胞转录组数据中获得细胞类型注释一、比较不同疾病的功能概况比较不同亚型IBD的功能谱在疾病研究中，结合多组学数据是深入理解生物系统的复杂性和调查疾病原因的关键。宏基因组学主要集中于微生物的遗传成分，而代谢组学则集中于宿主-微生物相互作用的代谢最终产物。使用宏基因组预处理的KEGG基因丰度信息和代谢组预处理的代谢物特征丰度表。其中包括56例对照样本，76例溃疡性结肠炎（UC）患者和88例克罗恩病（CD）患者。基于此数据，进行功能富集分析，旨在识别在炎性肠病（IBD）的两种亚型中被干扰的共同的和特殊的的生物通路和功能亚群。       代谢组学和宏基因组上游数据预处理（供参考）：       宏基因组学部分：使用fastp73对原始reads进行初始质量控制；使用Bowtie2与人类基因组进行比对，去除宿主（人类）DNA；使用MetaPhlAn2进行分类，保留相对丰度超过0.1%的物种；使用HUMAnN2进行功能分析，通过KEGG KO号或EC号来整理基因丰度。       代谢组学部分：样品代谢物一般采用液相色谱-串联质谱技术进行分析，包括极性代谢物、脂质、游离脂肪酸和胆汁酸。每种技术都采用了高灵敏度的质谱仪，能够检测已知和未知的代谢物。原始液相色谱-串联质谱数据处理，包括降噪、峰值检测、同位素聚类检测、保留时间对齐和代谢物识别，可以使用Genedata Expressionist software。图2|比较不同亚型IBD的功能谱主要研究肠道微生物群基因(a)和肠道代谢物(b)二、非模式生物中的转录因子分析相关转录因子功能特征当前，非模式生物已经被广泛的基因编目数据库注释，从而对细胞系统生物学有了更清晰的理解。该部分描述了一个分析非模式生物的方法框架。使用毛竹（PE）的转录组测序数据集，涉及到一个专门的GSEA植物转录因子数据库的战略整合。该部分研究目标集中在确定不同发育时间起作用的转录调控因子，旨在进一步解码它们在冷适应反应中的功能含义。利用低温条件下的原始基因丰度表达表，其中行名为基因名，列名为样本名。探讨毛竹（PE）在寒冷条件下可能存在的基因转录调控机制，从PlantTFDB53中下载了毛竹的转录因子家族列表和基因GO注释表。用户可以根据自己的数据和实验设计，替换该转录因子列表和功能注释表。转录组数据的预处理：①对测序reads的质量控制，包括评估测序reads的质量，去除低质量的reads等。此步骤通常使用的软件包括FastQC、Trimmomatic或fastp73。②比对和定量，使用Tophat78、STAR79、Bowtie274或HISAT2等工具将清理后的reads映射到参考基因组或转录组等③用cuffquant、RSEM、featureCounts或HTSeq等工具来量化转录本。在这些步骤之后，基于对齐结果，用户获得一个基因表达计数表，用于分析。图3|在竹子中参与耐寒转录因子的生物学功能特征三、单细胞转录组数据中细胞类型注释识别细胞类型单细胞测序方法以较高精度探索细胞内在的异质性。这一部分使用到MSigDB47（用于注释的基因数据库）的C8基因集，并与clusterProfiler协同集成。这一部分使用到外周血单个核细胞（PBMCs）的单细胞数据，MSigDB47（用于注释的基因数据库）的C8基因集，并与clusterProfiler协同集成。①使用Seurat进行上游数据阅读和初步分析，包括线粒体基因的去除、数据标准化、高度可变基因的识别、主成分分析（PCA）、UMAP降维和聚类分析。②使用RunMCA分析和GetGroupGeneSet，通过CelliD60从每个细胞簇中提取前20个特征基因。③使用clusterProfiler的比较集群和集合，为每个集群执行单元GSEA。④根据MSigDB数据库中的细胞类型基因集，按照富集程度对每个细胞簇进行细胞类型注释。（用户也可以使用他们独立收集的可靠的细胞类型基因集列表进行注释）图4|在单细胞水平上识别细胞类型。(a).用已知细胞类型（通过典型标记匹配）；(b).预测细胞类型（通过聚类分析获得）DISCUSSION•✦研究讨论✦•研究局限性1软件使用在很大程度上依赖于公共注释资源，选择的数据库决定着结果的精确度2数据可能包含假阳性或不够全面，数据虽然直观，但会存在偏差3软件得出结果很快，但需要有清晰、全面的分析思路，对用户知识储备量具有挑战性展望PROSPECT在大数据时代，需要借助软件快速分析。通过对分析软件的熟练掌握，可以促进软件的创新和分析策略的发展，拓宽未来的研究视野。clusterProfiler集成各种的功能、扩展注释数据库端口、合并辅助软件包并且简化了数据分析和可视化过程，其在科学界的影响力和实用性都将不断增强。参考文献[1] Xu S, Hu E, Cai Y, et al. Xie Z, Luo X, Zhan L, Tang W, Wang Q, Liu B, Wang R, Xie W, Wu T, Xie L, Yu G. Using clusterProfiler to characterize multiomics data. Nat Protoc. 2024 Jul 17.INSTITUTION南方医科大学南方医科大学（Southern Medical University），为广东省人民政府、国家卫生计生委和教育部共建高校，是位于广东省广州市的一所重点大学。学校是广东省首批5所省属高水平大学重点建设高校中唯一的医学院校、中国首批“部委省”共建医科高校、首批八年制临床医学专业（本博连读）的8所高校之一。END文案 | 小果子排版 | 小果子审核 | 小果子发布｜姜笑南世界生命科学大会RECRUIT关注我们，获取生命科学学界前沿｜促进更多的学术交流与合作业界前沿｜促进更快的产品创新与应用政策前沿｜促进更好的治理实践与发展我们期待你的加入RECRUIT投稿联系：欢迎加入世界生命科学大会，探索生命医学新未来。添加微信请备注（单位-专业-姓名）

INTRODUCTION•✦研究介绍✦•研究背景Background精准医学面临的一个重要挑战是开发识别高风险个体的临床工具让及时诊断、早期治疗、提高患者结局成为可能。临床上推荐的工具已经被广泛使用于预测心脏病和中风发生的风险，但是应用于其他疾病的工具还很少。在多种疾病中从症状一开始出现到诊断都有数月或数年的延迟。广泛捕获血浆蛋白组学可能能够促进解决这个挑战。已经有报道稀疏蛋白特征能够促进发现现有筛查策略无法识别的糖尿病高风险人群。然而，血浆蛋白组学是否能为广泛的一系列疾病提供有临床价值的预测或者机制信息还不清楚，原因第一，之前的蛋白组学研究中的参与人数太少无法评估罕见和常见病；第二，之前的疾病发生的研究只集中于少部分常见疾病；第三，之前研究报道的筛查的指标并没有和临床模型（没有蛋白）比较。研究目的Aim系统性查询可测量的血浆蛋白组对218种病理不同的疾病的10年预测潜力；发现指向病因机制的疾病特异的预测蛋白；测定疾病蛋白组特征的筛查指标是否达到或者超过现用于临床的血液检测的。数据来源于United Kingdom Biobank Pharma Proteomics Project (UKB-PPP).METHODS•✦研究方法✦•1研究设计：蛋白质组分析是在作为UKB-PPP一部分的UKB~54,000对象的EDTA血浆样本中进行的。参与者与电子健康记录（EHR）相连接。研究设计由三个要素组成：1. 46595个体组成了随机分组；2. 6356个体由UKB-PPP联盟选中，他们有不同的基线特征；3. 1268个体参与了COVID-19影像学研究，并多次重复影像。在UKB-PPP中进行队列研究来开发、验证、比较有蛋白和没有蛋白的预测模型。蛋白质组测量是基于排除了缺少数据的个体后的随机分组个体（N=41931）。蛋白质组分析使用了Olink Explore 1536和Explore Expansion平台。2统计分析：三步的机器学习框架：1. 特征选择 2.超参数调优 3.验证。对于多于800个案例的疾病，将个体分组：50%特征选择，25%模型优化（训练），25%验证。否则，70%特征选择和模型优化和30%验证。使用正则化Cox回归产生一个“基准”临床模型。对于每种疾病，他们在2941个蛋白靶点或37个临床检测中用LASSO回归对多于200个亚样本进行了特征选择。表现测试是在验证集中计算超过1000 bootstrap样本的一致性指数（C-index）。测试在基准临床模型上加入5-20个蛋白或者5-20个临床检测是否有提高。筛查指标：假阳性率（FPR） = FP/[真阴性 (TN) + FP]；检测率（DR）= 真阳性（TP）/[假阴性（FN)）+ TP]；似然比（LR） = DR/FPR图1FINDINGS•✦研究发现✦•1. 稀疏的蛋白特征提高了临床模型的预测表现 对于67种罕见和常见病来说，加入5-20个蛋白显著提高了临床模型预测表现（中位delta C-index = 0.07, 范围 = 0.02–0.31）（图2a和原文附表4）。在这67种疾病中，10%FPR时中位检测率（DR）为45.5%而临床模型的为25%（图2b和原文附表5）。67种疾病的中位似然比LR为4.55（图2c）。图2 在67种疾病的基础临床风险因素之上加入蛋白质组信息提高发病风险的预测表现额外加入血液检测结果的临床模型相比临床模型只显著提高了28种疾病的预测表现（中位delta C-index = 0.08, 范围= 0.01–0.28）（图3a和原文附表9）。与基于血液检测的临床模型相比，在10%FPR时基于蛋白的临床模型实现更高的LR（图3b,c和原文附表10）。图3 比较基于蛋白模型（临床风险因素+蛋白）和基于生物标志物模型（临床风险因素+血液检测）的预测表现2. 预测几种疾病的蛋白 在67种有改善的预测模型中，被两种或多种疾病（范围为2-16）选中的蛋白靶点大多数被选中的范围在2-9（图4a）。相比于高度特异的蛋白，这些蛋白对于每种疾病预测的贡献更低（图4b）。图4a,b 预测蛋白的疾病特异性3. 特异性预测一种疾病的蛋白作者发现了仅且强烈预测一种疾病的蛋白（图4c和原文附表18）。图4c 只被一种疾病选中的疾病特异蛋白且归一化权重大于0.64. 蛋白临床模型的筛查指标作者在不同疾病中广泛的FPR范围下（5-40%）观察到基于蛋白临床模型一致良好的筛查指标（图5）。图5 比较基于蛋白模型，基于临床检测模型和临床模型在一系列FPR下的DR•✦研究讨论✦•这个研究体现了在常见或罕见病中用稀疏的蛋白特征来提高预测疾病发生的潜力，它的表现不仅高于临床模型，而且优于临床检测模型。与多基因风险分数（PGS）相比，循环的蛋白质特征的动态本质可能能反映环境暴露的风险变化。研究有重要的局限性。首先结果需要在种族多样的人群和具有不同测试前疾病可能性的队列中以及外部研究的验证（UKB具有健康参与者效应）。第二，更罕见疾病的检测率的估计需要更大的样本量。而且，Olink Explore平台的蛋白选择限制了发现新的生物标志物，非靶向质谱检测可能能揭示额外的标志物。除此以外，血浆蛋白在预测属于特定疾病专科的疾病是有优势的，但是其他疾病比如感染性或者眼科疾病需要其他种类的组织样本或者完全不同的临床信息以更好地预测。总结研究意义稀疏的血浆蛋白特征当结合EHR时能够通过疾病特异蛋白和预测几种疾病的蛋白为常见和罕见疾病提供优于标准临床检测的预测。参考文献[1] Carrasco-Zanini, J., Pietzner, M., Davitte, J., Surendran, P., Croteau-Chonka, D. C., Robins, C., Torralbo, A., Tomlinson, C., Grünschläger, F., Fitzpatrick, N., et al. (2024). Proteomic signatures improve risk prediction for common and rare diseases. Nat Med, 10.1038/s41591-024-03142-z. Advance online publication.END文案 | 林夕排版 | 林夕审核 | 林夕发布｜姜笑南世界生命科学大会RECRUIT关注我们，获取生命科学学界前沿｜促进更多的学术交流与合作业界前沿｜促进更快的产品创新与应用政策前沿｜促进更好的治理实践与发展

INTRODUCTION•✦研究介绍✦•研究背景Background在过去的50年里，对人类和模式生物的跨学科研究为饮食影响能量平衡的机制提供了前所未有的见解。研究目的Objectives本综述重点针对能量平衡管理的分子营养学的最新概念进展，强调了新兴的饮食模式、药物干预及其与人类肠道微生物组和能量代谢的相互作用。RESULTS•✦研究结果✦•一、新兴的饮食干预模式鉴于肥胖的主要健康并发症，公众和科学界对确定有效的饮食干预措施来预防或治疗过度肥胖产生了广泛的兴趣。本综述讨论了四种不需要严格限制脂肪摄入的饮食模式，分别为：（1）富含最低限度加工的全谷物，豆类，水果，蔬菜，坚果，种子和橄榄油的地中海饮食模式（MD）；（2）需要严格限制碳水化合物的摄入（5%-10%千卡/天）、适度的蛋白质摄入（30%-35%）和高脂肪摄入（55%-60%）的生酮饮食模式（KDs）；（3）减少饮食摄入量低于维持体重所需的能量，同时保持足够的营养的热量限制饮食模式（CR）；（4）将进食时间限制在4-10小时，并在一天的其余时间禁食（禁食14-20小时）的间歇性禁食模式。作者对它们的概念基础，它们在减轻肥胖率上升方面的潜在效用和作用机制，以及与肠道微生物组的联系进行了阐述。（见图1）图1 本综述中强调的四种饮食模式的关键方面二、肠道微生物组在能量平衡中的作用在20世纪70年代之前，我们认识到人类肠道容纳了各种各样的微生物，这些微生物具有广泛的酶谱，可以消化哺乳动物酶无法消化的营养物质。然而，50年前，我们对肠道微生物组的看法受到科学方法的限制。近些年来，随着微生物DNA和RNA的高效高通量测序的出现，生物信息学和代谢组学的进步，极大地扩展了我们对肠道微生物组的组成，功能和代谢输出及其与饮食的相互作用的见解。已有的人类和小鼠实验研究均发现，饮食等环境因素对肠道微生物组的影响比宿主遗传学更大。因此，饮食代表了操纵肠道微生物组以服务于健康的有力杠杆，包括通过干扰微生物控制宿主能量代谢的途径。膳食碳水化合物的微生物到达结肠后，发酵过程中产生的短链脂肪酸（SCFAs）可以通过对能量摄入、能量消耗以及将能量分配给脂肪生成与脂肪分解来影响能量平衡方程的两侧。SCFAs可以被不同的宿主组织同化并转化为ATP，从而使宿主能够从营养物质中回收能量（见图2）。图2 微生物代谢产物介导的对宿主能量平衡的影响三、传统的卡路里计算方式是否正确膳食化合物具有不同的物理、化学特性，这些特性会影响它们在摄入、消化、吸收和同化过程中的代谢过程。过去50年的进步研究强调了一个新的认识，卡路里的计算方式并没有传统的那么单一，摄入但不排出的膳食营养素不一定有益于人类，而是可能被肠道微生物组代谢，产生一系列化合物，这些化合物对人类宿主具有改变的能量可用性和代谢后果。尽管科学家和临床医生普遍意识到这一基本原则，但用于测量膳食价值的传统工具仍然只能捕获消化中最基本的宿主微生物组动态变化。DISCUSSION•✦研究讨论✦•小结Summary总之，本综述通过讨论过去50年来健康饮食模式的巨大变化，以及新一代肥胖药物的出现影响了当前营养研究和临床实践的格局。强调饮食干预与肠道微生物组的数万亿微生物，包括其因组和代谢产物之间的联系，以及对人类能量代谢的影响。这种以数据为导向的微生物组及其与饮食的相互作用，有望为未来50年的人类营养管理提供一个丰富及可靠的新视角。参考文献[1] Kendall, A.I. (1909). Some Observations on the Study of the Intestinal Bacteria. J. Biol. Chem.  6, 499–507.[2] Savage, D.C. (1977). Microbial ecology of the gastrointestinal tract. Annu.Rev. Microbiol. 31, 107–133.[3] Cummings, J.H., and Macfarlane, G.T. (1991). The control and conse-quences of bacterial fermentation in the human colon. J. Appl. Bacteriol.70, 443–459.[4] Merrill, A.L., and Watt, B.K. (1955). Energy Value of Foods: Basis and Derivation, (Human Nutrition Research Branch (Agricultural Research Service, U. S. Department of Agriculture).[5] Baer, D.J., Gebauer, S.K., and Novotny, J.A. (2016). Walnuts Consumed by Healthy Adults Provide Less Available Energy than Predicted by the Atwater Factors. J. Nutr. 146, 9–13.[6] Novotny, J.A., Gebauer, S.K., and Baer, D.J. (2012). Discrepancy between the Atwater factor predicted and empirically measured energy values of almonds in human diets. Am. J. Clin. Nutr. 96, 296–301.PROFILEPeter J. Turnbaugh加州大学旧金山分校来自加州大学旧金山分校的Peter J. Turnbaugh团队，致力于了解与宿主相关的微生物，将这些复杂的微生物生态学简化为分子机制，并应用这些经验教训来改善医学实践。先前的研究范围从分子（例如，生物化学，细菌遗传学，结构生物学）到生物体（例如，gnotobiotic小鼠，常规动物和临床试验）到生态学（例如，合成微生物群落和宏基因组测序）。倾向于以问题为导向，而不局限于特定的方法，目前研究三个主题是药理学、营养学和噬菌体生物学。END文案 | 成思雨排版 | 姜笑南审核 | 姜笑南发布｜姜笑南世界生命科学大会RECRUIT关注我们，获取生命科学学界前沿｜促进更多的学术交流与合作业界前沿｜促进更快的产品创新与应用政策前沿｜促进更好的治理实践与发展我们期待你的加入RECRUIT投稿联系：欢迎加入世界生命科学大会，探索生命医学新未来。添加微信请备注（单位-专业-姓名）