亮点
- 多组学模型，结合肠道微生物组和粪便代谢组数据，在预测体重减轻和随后的反弹方面显著优于传统的表型模型。
- 多组学方法在预测减重期（≥5%）的临床有意义体重减轻时，曲线下面积（AUC）达到0.95。
- 关键基线预测因子，包括N-乙酰-L-天冬氨酸和特定肠道微生物如青春双歧杆菌，被确定为两个阶段中体重和身体成分变化的共享标志物。
- 这些发现表明，基线生物特征可以作为个性化体重管理策略的基础，以缓解常见的体重反弹问题。
临床实践中体重反弹的挑战
肥胖仍然是全球最重要的公共卫生挑战之一，但临床应对这一问题常常因高体重反弹率而受挫。虽然许多患者可以通过限制热量成功减重，但保持这种减重效果却极其困难。这种生物学抵抗——通常称为代谢适应或“溜溜球效应”——表明体重调节是一个复杂的基因、行为和生理因素之间的相互作用，而这些因素不能完全通过临床表型来捕捉。
传统的体重减轻预测指标，如基线BMI、年龄或代谢率，在个体结果预测中的表现历来有限。随着我们向精准医学时代过渡，迫切需要识别能够预测个体对饮食干预反应的稳健生物标志物，更重要的是，识别在干预结束后体重反弹风险最高的个体。
研究设计与方法：LEAN-TIME试验
最近发表在《糖尿病护理》上的低碳水化合物饮食和限时进食（LEAN-TIME）喂养试验的事后分析旨在解决这一差距。研究人员评估了88名超重或肥胖的成年人，他们完成了12周的限制热量减重期。其中，79人继续通过28周的体重反弹期，提供了一个独特的纵向代谢波动数据集。
该研究的数据收集非常全面。基线时，研究人员收集了饮食摄入数据、代谢标志物、粪便代谢组谱型和肠道微生物组序列。这些数据被用作三个主要结局指标变化的候选预测因子：总体重、体脂量（BFM）和软瘦肉量（SLM）。为了开发预测模型，研究团队使用了多变量回归和最小绝对收缩选择算子（LASSO）模型来识别最重要的预测因子并创建加权求和模型。
主要发现：多组学整合的优势
分析结果显示，多组学数据在代谢预测中的价值得到了有力的证据支持。在减重期和反弹期，整合多组学数据与表型特征的模型显著优于仅依赖临床表型的模型（P < 0.05）。
减重期（第0-12周）
在初始12周的热量限制期间，多组学和表型模型表现出强大的预测性能。R²值——表示模型解释的变异比例——分别为体重变化0.49、体脂量0.61和软瘦肉量0.54。相应的均方根误差（RMSE）分别为1.59公斤、1.41公斤和0.98公斤。值得注意的是，对于二分类预测（患者是否能实现5%或以上的临床有意义体重减轻），模型达到了令人印象深刻的AUC 0.95，敏感性为94.12%，特异性为86.79%。
反弹期（第12-40周）
在反弹期，预测准确性甚至更高。R²值分别达到体重变化0.72、体脂量0.73和软瘦肉量0.66。RMSE保持较低（体重为1.40公斤），表明基线多组学特征可以准确预测个体在初始干预后近七个月的体重反弹倾向。这种对体重反弹的高度预测能力特别有价值，因为它可以在患者开始减重计划之前识别高风险个体。
共享生物标志物：微生物组和代谢组的作用
这项研究最具有临床相关性的方面之一是识别出在减重期和反弹期都存在的特定基线预测因子。这些预测因子主要来自肠道微生物组和粪便代谢组，强化了肠道环境在能量稳态中起核心作用的理论。
具体来说，研究突出了Ruminococcus callidus和Bifidobacterium adolescentis作为关键的微生物预测因子。双歧杆菌属通常与肠道健康有关，并且在先前的研究中与改善的代谢结果相关。在代谢方面，N-乙酰-L-天冬氨酸成为重要的预测因子。这些共享标记的存在表明，个体的基线代谢和微生物“环境”设定了其身体如何长期管理体重波动的轨迹。
专家评论：机制见解和临床效用
LEAN-TIME事后分析的结果标志着精准营养的重要一步。使用基线数据预测体重反弹的准确率达到70%以上是一项突破。从临床角度来看，这可以使医生调整随访护理的强度。例如，基线多组学特征表明有高体重反弹风险的患者可能会优先接受更频繁的饮食咨询、药物治疗（如GLP-1受体激动剂）或代谢监测，以防止初始减重期后的体重反弹。
然而，尽管统计性能稳健，专家指出，将这些模型应用于常规临床实践面临障碍。多组学测序——特别是代谢组学和宏基因组学——目前成本高昂且需要专业的生物信息学支持。此外，虽然这些基线特征具有预测性，但N-乙酰-L-天冬氨酸或特定Ruminococcus物种影响体重反弹的生物学机制仍有待完全阐明。这些标记可能表明存在潜在的系统性炎症、胰岛素敏感性水平或持续超出干预期的特定饮食习惯。
结论
LEAN-TIME试验分析表明，基线多组学和表型数据在预测体重和身体成分动态方面非常有效。通过识别生物学上倾向于体重反弹的个体，临床医生可以从一刀切的饮食建议转向基于证据的针对性干预措施。未来的研究应集中在更大、更多样化的队列中验证这些模型，并调查修改这些基线微生物或代谢因素是否可以改变体重减轻轨迹。
参考文献
- Li L, Li R, Qiu Z, et al. Prediction of Weight Loss and Regain Based on Multiomic and Phenotypic Features: Results From a Calorie-Restricted Feeding Trial. Diabetes Care. 2026;49(1):68-77. doi:10.2337/dc25-0728.
- Hall KD, Kahan S. Maintenance of Lost Weight and Predictions of Weight Regain: A Review. Med Clin North Am. 2018;102(1):183-197.
- Zmora N, et al. Personalized Stepping-Stone Approach to Weight Loss Maintenance. Nature. 2018;560(7719):494-498.
