识别神经退行性疾病的微生物生物标志物:阿尔茨海默病和帕金森病的比较研究
《Frontiers in Microbiomes》:Identifying microbial biomarkers of neurodegeneration: a comparative study in Alzheimer’s and Parkinson’s disease
【字体:
大
中
小
】
时间:2026年05月12日
来源:Frontiers in Microbiomes
编辑推荐:
摘要
引言:神经退行性疾病,如阿尔茨海默病(AD)和帕金森病(PD),越来越多地与肠道微生物群的变化有关,尽管报道的微生物特征仍然存在异质性,并且通常缺乏分类学上的分辨率。
方法:在本研究中,我们应用全长16S rRNA基因测序来表征152名个体的肠道微生物群组成,包括AD患
摘要
引言:神经退行性疾病,如阿尔茨海默病(AD)和帕金森病(PD),越来越多地与肠道微生物群的变化有关,尽管报道的微生物特征仍然存在异质性,并且通常缺乏分类学上的分辨率。
方法:在本研究中,我们应用全长16S rRNA基因测序来表征152名个体的肠道微生物群组成,包括AD患者(n = 37)、PD患者(n = 65)和年龄匹配的健康对照组(n = 50),使用统一的生物信息学和统计框架,并调整了相关的人口统计协变量。
结果:与对照组相比,阿尔茨海默病与微生物丰富度和香农多样性略有但显著的降低有关,而在PD中未观察到α多样性差异。β多样性分析显示不同诊断组之间存在显著的组成差异,这些差异主要由PD驱动,并受性别影响,但不受年龄影响。物种水平的差异丰度分析识别出一种与PD相关的微生物特征,其特征是产生短链脂肪酸的细菌(包括Faecalibacterium prausnitzii、Agathobacter rectalis、Roseburia intestinalis和Faecalicatena fissicatena)的丰度降低,以及Ruminococcus sp. JE7A12的丰度增加。相比之下,AD在物种水平上的变化很小,只有Bacteroidales细菌CF的丰度低于对照组。
讨论:总体而言,这些发现表明帕金森病的特点是有益的丁酸盐产生细菌受到选择性破坏,而阿尔茨海默病的微生物组变化较为微妙且不一致。我们的结果强调了物种水平分辨率在识别疾病相关微生物特征方面的重要性。
1 引言
人类肠道微生物群是由细菌、古菌、真菌、病毒和原生动物组成的复杂且代谢活跃的生态系统,在宿主生理中起着关键作用(Matija?i?等人,2020年)。除了其在消化、营养处理(El Kaoutari等人,2014年)和免疫稳态(Rooks和Garrett,2016年)中的公认作用外,新兴证据表明肠道微生物群还通过肠-脑轴影响中枢神经系统(CNS)功能(Zhu等人,2017年)。这一双向网络整合了免疫信号、微生物代谢物(如短链脂肪酸SCFAs)、迷走神经传递以及上皮和血脑屏障完整性的调节(Wikoff等人,2009年;Carabotti等人,2015年)。这种生态系统的破坏,通常称为菌群失调(Winter和B?umler,2023年),已被证明与多种慢性疾病有关,包括代谢紊乱、炎症性肠病和神经退行性疾病(Dabke等人,2019年;Sun等人,2021年;Shan等人,2022年)。
阿尔茨海默病(AD)和帕金森病(PD)等神经退行性疾病是全球主要的健康负担,其患病率正在上升,并带来巨大的临床和社会经济负担(Ji等人,2024年)。这两种疾病都以进行性神经元功能障碍、漫长的前驱期和早期诊断生物标志物的有限可用性为特征(Pfaffinger等人,2025年;Sharma等人,2025年)。AD是最常见的神经退行性疾病,其特征是大脑中淀粉样β肽和tau聚集物的积累,导致炎症、线粒体功能障碍,最终导致神经元丢失(Liu等人,2024年)。AD的发病率随年龄增长而急剧上升,大约影响65-75岁人群的10%,80岁以上人群的30%以上,且患病率持续上升(Seo等人,2019年;Askarova等人,2020年)。长期以来,人们怀疑肠道微生物群对AD的发病机制有贡献。来自小鼠模型的证据表明,与年龄、遗传和生活方式相关的微生物群组成变化促进了促炎菌群的扩张(Zhang等人,2021年)。这种炎症状态可能改变细胞因子的产生,增加肠道通透性,并促进微生物代谢物(如脂多糖和细菌淀粉样蛋白)的泄漏。这些因素可以影响血脑屏障的完整性,并调节小胶质细胞和星形胶质细胞的反应,从而影响淀粉样蛋白和tau的病理(Askarova等人,2020年;Chandra等人,2023年)。
路易体疾病是继AD之后第二常见的神经退行性疾病群体,其特征是病理性的α-突触核蛋白纤维(Sekiya等人,2025年)。它们是逐渐恶化的疾病,其特征是α-突触核蛋白纤维(路易体)在大脑中聚集。最常见的路易体疾病是PD,通常在出现运动症状(如动作迟缓、僵硬和静止性震颤)时被诊断出来。然而,在运动症状出现之前,常常会有非运动症状(包括便秘、嗅觉丧失和REM睡眠行为障碍),反映了肠道、嗅觉系统和脑干中的早期路易体病理。在后期阶段,一些PD患者会发展成痴呆,从轻度认知障碍到全面痴呆不等(Nishiwaki等人,2022年;Ryman等人,2023年)。PD的病因尚未完全明了,但可能是多因素的,涉及遗传倾向、环境影响和肠道微生物群的紊乱(Omotosho等人,2023年)。一个突出的假设认为α-突触核蛋白聚集可能起源于胃肠道,由微生物或炎症刺激触发,然后通过迷走神经传播到CNS(Braak等人,2003年)。尽管这一理论仍在研究中,但PD与便秘、肠道菌群失调、黏膜屏障完整性受损(“肠漏”)、慢性炎症和小肠细菌过度生长有很强的关联(Wallen等人,2022年;Ryman等人,2023年)。
在过去十年中,许多研究表明肠道菌群失调与AD和PD都有关(Pfaffinger等人,2025年)。PD的病例对照研究一致显示产生SCFA的菌群(如Faecalibacterium和Roseburia)的丰度降低,而Akkermansia、Ruminococcus和Lactobacillus的水平增加,表明在不同队列中具有相对可重复的特征(Li等人,2023年;Duan等人,2024年)。SCFAs,特别是丁酸盐、丙酸盐和乙酸盐,在肠-脑通信中起着关键作用:它们通过GPR41/43信号传导和HDAC抑制来维持上皮屏障的完整性(Fock和Parnova,2023年),并调节全身和CNS的炎症,包括小胶质细胞的成熟(Erny等人,2015年)和抗炎极化(Cao等人,2025年)。因此,这些产生保护性SCFA的微生物的丧失可能会放大与PD中的α-突触核蛋白聚集和AD中的淀粉样蛋白或tau病理相关的神经炎症途径(Harach等人,2017年;Chen和Lin,2022年)。相反,降解黏蛋白或促炎菌群的富集可能导致肠道屏障功能障碍、全身内毒素血症和下游的神经免疫激活(Forsyth等人,2011年)。相比之下,AD中的发现更为异质,效应大小较小,研究之间的重叠有限(Dissanayaka等人,2024年)。样本收集、测序深度、地理因素、药物暴露和分类学分辨率的差异可能导致不一致性,并使识别稳健生物标志物的努力复杂化(Lampeter等人,2023年)。
大多数研究依赖于16S rRNA测序或在属或科水平上的分析,限制了对具有功能或诊断相关性的物种和菌株水平差异的洞察。在同一分析框架内直接比较AD和PD的情况很少见,这使得难以确定观察到的特征是与疾病相关还是反映了共同的衰老或药物相关模式。此外,尽管有证据表明人口统计变量对微生物组成有影响,但潜在的调节因素尚未得到充分探索(Heravi等人,2023年)。
鉴于这些限制,高分辨率的微生物谱型分析越来越被认为是识别疾病相关特征和制定靶向微生物组调节策略的重要手段。由于AD和PD是具有不同潜在生物学过程的异质性疾病,物种水平的分辨率尤为重要。详细的分类学和功能谱型分析可能有助于区分机制相关的亚型,并支持精准医疗方法(Kern等人,2025年)。
在这项研究中,我们通过应用高分辨率的全长16S rRNA基因测序,在AD和PD患者以及严格年龄匹配的健康对照组中,以物种水平分辨率表征肠道微生物群。我们的目标是:(i)表征神经退行性疾病和健康对照组之间的肠道微生物群多样性和物种水平的群落组成;(ii)识别与AD和PD相关的稳健微生物特征以及潜在的重叠;(iii)评估人口统计和临床变量对微生物丰度模式的影响。通过整合所有组的统一测序和分析工作流程,这项工作旨在完善对神经退行性疾病中肠道微生物群变化的当前理解,并支持可重复的微生物生物标志物和生物学相关机制的识别。
2 材料与方法
2.1 参与者和数据收集
参与者于2022年2月至9月期间在两个临床研究地点招募:英国Moorgreen医院Southern Health NHS Foundation Trust的记忆评估和研究中心(MARC)和英国Southampton NHS Foundation Trust的神经退行性疾病研究团队。招募工作包括从当地研究数据库、Join Dementia Research(JDR)在线平台以及临床医生的推荐中筛选个体。符合条件的参与者是50至85岁的成年人,能够并愿意提供知情同意。疾病组的参与者符合既定的共识诊断标准:AD参与者符合国家神经病学和通信障碍及中风研究所(NINCDS-ADRDA)的AD可能诊断标准(Dubois等人,2007年),而PD参与者符合运动障碍协会(MDS)的PD诊断标准(Postuma等人,2015年)。排除标准包括缺乏能力或不愿意同意、同时参与涉及试验药物的临床试验、混合性痴呆或其他中枢神经系统疾病的诊断(例如多发性硬化症、中风),以及英语水平不足。
对照组参与者要求没有认知障碍,并且蒙特利尔认知评估(MoCA)得分大于26分(Davis等人,2021年)。为了确保不同诊断组之间的可比性,对照组参与者根据年龄与AD和PD病例进行匹配。这种设计使得组间比较更加稳健,同时最小化了与人口统计变异性相关的混杂因素。该研究在RAS项目(ID:303109)的框架下进行,并由英国南安普顿大学资助。研究的伦理批准获得了West Midlands – South Birmingham研究伦理委员会(参考编号:21/WM/0252)的批准。大学伦理和研究治理在线(ERGO)系统(参考编号:66828)也给予了机构批准。所有参与者在入组前都提供了书面知情同意,研究遵守了赫尔辛基宣言、良好临床实践(GCP)、数据保护法(2018年)和心理健康能力法(2005年)的原则。
在同意程序之后,参与者参加了一次研究访问,以收集人口统计和临床信息。使用Hoehn和Yahr量表来量化与PD相关的运动症状,使用MoCA评估认知功能。粪便样本在参与者家中使用DNA/RNA Shield-Fecal Collection Tube(Zymo Research,Irvine,CA,USA)收集。样本被送回招募中心并在干冰上冷冻后运送到The BioArte Ltd实验室(San Gwann,Malta),在那里在-80°C下储存,然后进行处理。
2.2 全长16S rRNA测序
总DNA使用MagMax? Microbiome Ultra核酸分离试剂盒(Applied Biosystems,Carlsbad,CA,USA)和KingFisher? Flex纯化系统(Thermo Fisher Scientific,Waltham,MA,USA)按照制造商的指南提取。使用MP FastPrep-24? 5G均质器(MP Biomedicals,Irvine,CA,USA)以6 m/s的速度进行40秒的机械裂解。使用Qubit? 4荧光计(Thermo Fisher Scientific)和1X dsDNA高灵敏度测定试剂盒进行提取DNA的定量。
全长16S rRNA基因(约1500 bp)使用引物27f(5′ -TTTCTGTTGGTGCTGATATTGC-AGRGTTYGATYMTGGCTCAG-3′)和1492r(5′ -ACTTGCCTGTCGCTCTATCTTC-CGGTTACCTTGTTACGACTT-3′)扩增。PCR反应在12.5 μL体积中进行,包含6.25 μL LongAmp? Taq 2X Master Mix(New England Biolabs,Ipswich,MA,USA)、每种引物400 nM和4.25 μL模板DNA。扩增在T100?热循环仪(Bio-Rad,Hercules,CA,USA)上进行,循环条件如下:初始变性95°C 4分钟;然后是25个循环,95°C 20秒,51°C 30秒和65°C 4分钟;最后是65°C 5分钟的延伸。PCR产物通过使用E-Gel? Double Comb 2%琼脂糖凝胶和SYBR? Safe DNA凝胶染料(Invitrogen,A42348)的电泳进行评估。扩增子使用Agencourt? AMPure? XP珠子(Beckman Coulter,Indianapolis,IN,USA)纯化。使用0.6×珠子与样本的比例,在室温下孵育5分钟。珠子固定在磁性架上(NimaGen,Nijmegen,Netherlands),用70%乙醇洗涤两次,然后用15 μL无核酸酶的水洗脱。第二次孵育10分钟后,使用NanoDrop? 8000分光光度计(Thermo Fisher Scientific)收集和定量洗脱液。
通过第二次PCR引入样本特异性条形码,使用修改版的PCR Barcoding Expansion 1–96试剂盒(Oxford Nanopore Technologies,ONT)。使用一组定制的5′-磷酸化引物来消除末端预处理和dA尾部的需要,从而减少时间和成本。反应混合物(25 μL)包括12.5 μL LongAmp Taq 2X Master Mix、0.5 μL 10 μM引物混合物和100 fmol的纯化16S扩增子。PCR循环在T100热循环仪上进行,具体条件如下:初始变性温度为95°C,持续3分钟;随后进行12个循环,每个循环包括95°C 15秒、62°C 15秒和65°C 4秒;最后在65°C下延伸15分钟。条形码产物在2%琼脂糖凝胶上进行验证,使用0.6× AMPure XP磁珠进行纯化(如上所述),并通过NanoDrop 8000进行定量。扩增子被合并至最终体积30 μL,其中含有500 ng的DNA。测序接头使用Ligation Sequencing Kit SQK-LSK114(ONT)进行连接。向30 μL的DNA池中加入12.5 μL的Ligation Buffer(LNB)、5 μL的Quick T4 DNA Ligase和2.5 μL的Ligation Adapters(LA),然后在室温下孵育10分钟。连接完成后,加入0.4× AMPure XP磁珠并继续孵育5分钟。磁珠用250 μL的Short Fragment Buffer(SFB)洗涤两次,然后重新悬浮在15 μL的洗脱缓冲液中。最后孵育10分钟后,将洗脱液收集到DNA LoBind管(Eppendorf)中。文库加载和流式细胞仪引物化按照ONT协议进行。总共10 fmol的制备好的DNA文库被逐滴加载到R10.4.1流式细胞仪上,并在GridION Mk1B设备(ONT)上进行测序,使用默认设置实现实时、超高精度的碱基调用和实时解复用。
2.3 数据分析工作流程
Oxford Nanopore测序生成的native pod5文件使用Guppy v.6.1.5(Oxford Nanopore Technologies)进行实时碱基调用和解复用,采用超高精度模型,最小质量分数为12。使用NanoPlot v.1.44.1(De Coster和Rademakers,2023)检查读取质量和长度分布。测序FASTQ读取数据通过自定义的生物信息学流程进行处理。该流程使用cutadapt v.5.0(Martin,2011)去除测序接头和引物序列,然后根据质量和长度过滤读取数据(DADA2 R包v.1.22.0)(Callahan等人,2016)。仅保留长度在1300到1600个核苷酸之间且最大预期错误率为25(maxEE = 25)的读取数据。使用de novo方法应用minimap2 v.2.28(-x ava-ont预设和最大种子距离为500)(Li,2018)和yacrd v.1.0.0(Marijon等人,2020)识别并移除潜在的嵌合读取数据。使用emu v.3.5.2(Curry等人,2022)将每个读取数据与整理好的分类参考数据库进行比较,以确定物种级别的分类。得到的制表符分隔输出随后导入R中进行下游统计分析。
2.4 统计分析
所有统计分析均在R(v. 4.5.0)(R Core Team,2010)环境中进行,使用RStudio(v. 421)(Posit team,2023)环境。对于分类变量,使用卡方检验(Chi-square test)进行组间比较;对于连续变量,使用Kruskal–Wallis检验,必要时进行事后成对Wilcoxon秩和检验,并应用Benjamini–Hochberg校正。所有分析的显著性阈值均为p < 0.05。为了减少低丰度分类单元的影响,使用phyloseq(v. 1.52.3)(Paul,2017)的filter_taxa函数过滤数据,仅保留至少在超过0.7%的样本中计数超过10次的分类单元(≥2个样本)。对于多样性分析,使用phyloseq的rarefy_even_depth函数将过滤后的数据稀疏化至每个样本25,000个读取。使用Shannon指数和Simpson指数以及观察到的丰富度(独特分类单元的数量)量化alpha多样性。使用stats包(v. 4.5.0)的Generalized Linear Models(GLMs)评估组间差异。使用emmeans包(v. 1.11.2)(Lenth,2017)进行额外的成对比较。Beta多样性分析基于Hellinger变换后的计数(使用microbiome v. 1.30)(Lahti和Shetty,2017)进行,并通过基于Bray–Curtis差异的Principal Coordinates Analysis(PCoA)进行可视化。使用vegan(v. 2.6.10)的adonis2函数(Oksanen等人,2001)进行PERMANOVA分析,以检测社区级别的差异。进一步使用pairwiseAdonis(v. 0.4.1)(Martinez Arbizu,2020)的pairwise.adonis2函数进行成对组间比较,并使用vegan的betadisper检查组间分散的均匀性。使用ACOM-BC2(v2.10.1)(Lin和Peddada,2024)进行物种水平的差异丰度分析。分析基于过滤后的细菌物种丰度表进行,应用10%的流行率截止值和1000个读取的文库大小阈值。固定效应模型包括Patient_group、Age和Sex,同时考虑了结构零值,并应用了对数倍数变化收缩。P值使用Benjamini-Hochberg方法进行调整,显著性阈值设为q < 0.05。在至少一项比较中,绝对log2倍数变化大于0.58(≥1.5倍变化)的物种被视为显著,这与先前的微生物组研究一致,该研究采用此截止值以关注生物学上有意义的丰度差异而非边际效应大小(Rodriguez等人,2024)。为了可视化和报告目的,仅保留至少在10%的样本中相对丰度达到1%的物种。
3.1 研究人群
本研究共招募了152名参与者,包括37名阿尔茨海默病(AD)患者、65名帕金森病(PD)患者和50名年龄匹配的健康对照组(补充表S1)。队列的中位年龄为69岁。AD患者的年龄显著高于PD患者(p = 0.013),而PD患者和对照组患者之间以及AD患者和对照组患者之间没有观察到显著的年龄差异(表1)。AD组和PD组的男性比例较高(分别为59.5%和64.6%),而对照组主要为女性(60%)。值得注意的是,AD组中男性占多数与已建立的流行病学趋势相反,通常女性受影响更严重,而PD组中男性占多数与先前的报告一致(Nicoletti等人,2023)。所有组的身体质量指数(BMI)分布相似(图1)。使用蒙特利尔认知评估(MoCA)评估的认知表现在各组间存在显著差异。健康对照组表现出认知功能保持(平均值±标准差:28 ± 1.2),帕金森病患者表现出中度损伤(25.1 ± 3.6),阿尔茨海默病患者表现出重度损伤(16.3 ± 6)。PD患者的疾病持续时间(8.1 ± 6年)长于AD患者(2.6 ± 2.5年)。药物使用和便秘状况见补充表S1。
表1
变量 对照组(n = 50) 阿尔茨海默病(n = 37) 帕金森病(n = 65)
性别(男/女) 20/30 22/15 42/23
年龄(平均值±标准差) 68.8 ± 7 71.3 ± 5.9 67.2 ± 7.3
BMI(平均值±标准差) 27.6 ± 5.4 28.1 ± 4.3 26.7 ± 5
种族(白人/其他) 50/0 36/0 (1 NA) 59/6
惯用手(右/左) 43/7 31/5 (1 NA) 59/6
教育年限 14.2 ± 3.7 14.6 ± 3.8 14 ± 3.4
表1显示了对照组、AD组和PD患者的年龄、性别、BMI、种族、惯用手(右或左)和教育程度的总结数据。数据显示为平均值±标准差(SD)。
图1显示了各研究组参与者的年龄和临床分布。小提琴图展示了AD组、PD组和健康对照组内的年龄分布。数据按性别分层,女性参与者用粉色表示,男性参与者用蓝色表示。不同的身体质量指数(BMI)类别用不同的形状表示。
为了评估潜在的混杂效应,正式比较了各组之间的 demographic 变量。年龄(p = 0.017)和性别(p = 0.026)存在显著差异,而BMI(p = 0.405)和种族(p = 0.213)没有显著差异。因此,年龄和性别被纳入所有后续的alpha-和beta-多样性分析中作为协变量。MoCA评分和疾病持续时间未作为协变量纳入,因为它们反映了核心临床特征和疾病进展指标,而不是独立的混杂因素。
3.2 序列数据质量和过滤
原始的全长16S rRNA扩增子测序数据集包含超过1430万个读取,平均Q分数为17.2,平均读取长度为1,667.5 bp(N50 = 1,642 bp)。不符合质量标准的读取数据被移除,包括嵌合序列或超出1,300–1,600 bp范围的读取数据。过滤后,数据集保留了大约857万个高质量读取,每个样本平均贡献了56,361个读取(最小:25,722;最大:90,950)。剩余读取的平均长度为1,448.3 bp(N50 = 1,449 bp),平均Q分数为21.2。
高质量读取数据随后使用emu进行分类以确定分类。根据这一分布,使用的最小测序深度(25,722个读取)作为参考,数据集被稀疏化至每个样本25,000个读取,以确保下游多样性分析的测序深度一致,保留了44.3%的高质量测序读取。稀疏化后稀疏度略有下降(从0.774降至0.713),数据集中大约保留了78.1%的物种,反映了低丰度分类单元的轻微损失。
3.3 丰富度、均匀度和多样性指标
使用广义线性模型对稀疏化数据进行了统计测试,年龄和性别作为协变量;这两个变量均未被识别为混杂因素(p > 0.05)。阿尔茨海默病患者与健康对照组之间的alpha多样性存在显著差异(图2)。AD患者的微生物多样性(Shannon指数,p = 0.027)和丰富度(观察到的物种,p = 0.030)显著下降,而PD患者没有统计学上的显著差异。Simpson指数在各研究组之间没有统计学上的显著差异。
图2显示了对照组(红色)、AD患者(绿色)和PD患者(蓝色)的物种水平alpha多样性。箱形图显示了观察到的丰富度、Shannon指数和Simpson指数。使用包括年龄和性别的GLM模型进行统计显著性评估。星号(*)表示统计学上显著的p值(p < 0.05),ns表示无显著差异。
使用Bray–Curtis差异性对稀疏化和Hellinger变换后的数据进行了beta多样性评估,并通过PCoA进行可视化(图3)。包括性别和年龄作为协变量的PERMANOVA分析显示研究组之间的微生物群落组成存在显著差异(p = 0.001,R2 = 0.026),尽管95%置信椭圆内有很大程度的重叠。性别也与beta多样性有显著关联(p = 0.012,R2 = 0.012),而年龄没有可检测到的效应(p = 0.262)。成对比较显示对照组和帕金森病患者之间存在显著差异(p = 0.047),以及AD患者和PD患者之间存在显著差异(p = 0.005)。组间分散的评估使用vegan的adonis2函数(Oksanen等人,2001)的PERMANOVA进行。进一步使用pairwise.adonis2函数(pairwiseAdonis,v. 0.4.1)(Martinez Arbizu,2020)进行成对组间比较,并使用vegan的permutest(Oksanen等人,2001)检查组间分散的均匀性。
使用ACOM-BC2(v2.10.1)(Lin和Peddada,2024)进行了物种水平的差异丰度分析。分析基于过滤后的细菌物种丰度表进行,应用了10%的流行率截止值和1000个读取的文库大小阈值。固定效应模型包括Patient_group、Age和Sex,同时考虑了结构零值,并应用了对数倍数变化收缩。P值使用Benjamini-Hochberg方法进行调整,显著性阈值设为q < 0.05。在至少一项比较中,绝对log2倍数变化大于0.58(≥1.5倍变化)的物种被视为显著,这与先前的微生物组研究一致,该研究采用此截止值以关注生物学上有意义的丰度差异而非边际效应大小(Rodriguez等人,2024)。为了可视化和报告目的,仅保留了在至少10%的样本中相对丰度达到1%的物种。
为了研究疾病进展(疾病持续时间)、认知功能(MoCA评分)、运动严重程度(Hoehn和Yahr评分)与肠道微生物群组成之间的关联,我们分别对AD和PD队列中的每个临床变量与微生物物种的相对丰度进行了Spearman相关性分析。筛选出在所有样本中至少有10%的流行率和平均相对丰度≥0.01%的物种,以确保统计测试的稳健性。使用Benjamini-Hochberg假发现率(FDR)方法进行了多重检验校正,显著性定义为FDR ≤ 0.2。无论是他汀类药物的使用(R2 = 0.0079,p = 0.188)还是非甾体抗炎药(NSAIDs)的使用(R2 = 0.0057,p = 0.698),都与微生物群的变化没有显著关联。3.4 肠道微生物组组成:测序数据被分类为785种细菌,代表321个属。未分类的读数占总数据的0.53%(总共45,684个读数;每个样本的读数范围从300到441个),这些数据被排除在后续分析之外。对照组、阿尔茨海默病(AD)和帕金森病(PD)组的微生物群主要由厚壁菌门(Firmicutes,分别为73.2%、72.4%和73.7%)和拟杆菌门(Bacteroidota,分别为19.6%、21.9%和18.8%)主导,这两者合计占所有分类读数的90%以上。图4显示了一个热图,展示了数据集中20种最丰富细菌的相对丰度,突出了各研究组之间的差异。在所有样本中,前十种最丰富的细菌分别是Faecalibacterium prausnitzii(占总群的7.09%)、Phocaeicola vulgatus(3.07%)、Prevotella copri(2.83%)、Gemmiger formicilis(2.82%)、Oscillibacter valericigenes(2.69%)、Agathobacter rectalis(2.26%)、Blautia sp. SC05B48(2.21%)、Dysosmobacter welbionis(2.18%)、Bacteroides uniformis(1.91%)和Phocaeicola dorei(1.72%)。按临床组别分层的平均相对丰度总结在表2中。图4显示了各组中前十种最丰富细菌的相对丰度。热图展示了患者中前十种最丰富细菌的相对丰度。Y轴表示细菌分类单元,X轴表示样本,按病情(对照组、AD或PD)分组。颜色渐变表示测量的相对丰度,颜色越深表示丰度越高。表2显示了各组的平均相对丰度。
3.5 差异丰度分析:使用ANCOM-BC2方法进行了差异丰度测试。共有七种细菌在至少一个患者组中表现出显著变化(q < 0.05;|log2FC| > 0.58)(表3)。PD患者的粪便样本中的细菌群与健康对照组相比,Ruminococcus sp. JE7A12的丰度增加(log2FC增加),而Faecalibacterium prausnitzii、Agathobacter rectalis、Roseburia intestinalis、Faecalicatena fissicatena、Holdemanella biformis和Bacteroidales细菌CF的丰度降低(log2FC降低)。有趣的是,Bacteroidales细菌CF也被发现可以区分AD患者的粪便微生物群和健康对照组(log2FC降低)。没有发现其他细菌生物标志物。鉴于研究组之间的性别分布不平衡(对照组:60%为女性;AD和PD分别为59.5%和64.6%男性),进行了性别分层敏感性分析。在仅限男性的子集中(PD vs 对照组),有两种细菌的丰度有差异(Faecalicatena fissicatena和Phascolarctobacterium faecium)。虽然F. fissicatena也在完整模型中被检测到,支持了这种关联的一致性,但P. faecium似乎仅限于男性子集。相比之下,在仅限女性的子集中没有发现显著的细菌分类单元,这可能反映了统计功效的降低。这些发现表明,尽管个别物种水平的关联可能因性别而异,但在完整模型中观察到的主要PD相关微生物组模式仍然一致。虽然进行了AD和PD组之间的直接比较,但没有物种在两种情况下显示出统计学上的显著差异。除了与疾病相关的变化外,Bacteroidales细菌CF和Holdemanella biformis与性别有显著关联(p < 0.05),而没有任何分类单元与年龄相关。图5显示了不同患者组中差异丰度物种的平均相对丰度±标准误差的箱形图。
3.6 疾病持续时间和临床评分的关联:在探索性的疾病分层分析中(第3.3节),疾病持续时间被认为是肠道微生物群变化的关键因素。在AD队列中,疾病持续时间与β多样性有轻微但显著的关联(PERMANOVA,R2 = 0.045,p = 0.029),而认知功能(MoCA评分)的关联较弱(R2 = 0.038,p = 0.077)。性别和年龄与该队列中的微生物组成没有显著关联。相比之下,疾病持续时间仍然是PD中微生物变化的最强预测因子(PERMANOVA,R2 = 0.030,p = 0.013),Hoehn & Yahr分期也有显著关联(R2 = 0.023,p = 0.035)。MoCA评分(R2 = 0.015,p = 0.438)、便秘状态(R2 = 0.010,p = 0.804)、性别和年龄没有显著关联。在物种水平上,疾病持续时间与Bacteroides uniformis呈正相关(Spearman ρ = 0.54,FDR = 0.096),与Peptococcus niger呈负相关(ρ = -0.55,FDR = 0.096)。在PD患者中,MoCA评分与Faecalicatena fissicatena(ρ = 0.52,FDR = 0.16)和Paraprevotella clara(ρ = 0.54,FDR = 0.16)呈正相关。在PD中,经过FDR校正后,没有微生物物种与疾病持续时间或认知功能有显著关联。然而,在仅限女性的子集中没有发现显著的分类单元。
4.1 研究概述:在这项研究中,我们应用全长16S rRNA基因测序技术在阿尔茨海默病(AD)、帕金森病(PD)和年龄匹配的健康对照组中以物种水平解析肠道微生物群。我们的结果表明,神经退行性疾病中的微生物组发生了明显的变化,其中PD的变化比AD更为明显和一致。具体来说,AD与健康对照组相比,微生物多样性和丰富度有轻微但统计学上显著的减少,而PD在α多样性上没有明显变化,但在组成上表现出显著的变化。β多样性分析证实,不同组间的微生物群结构存在差异,PD对此差异的贡献最大,性别也是一个额外的影响因素。在物种水平上,PD与产生短链脂肪酸(SCFAs)的分类单元的差异丰度模式相关,而AD只有最小的变化。值得注意的是,AD和PD组之间的直接比较没有显示出显著的物种水平差异,这可能表明观察到的微生物模式应被视为与PD相关,而不是严格意义上的疾病特异性。总体而言,这些发现表明,肠道微生物多样性的减少可能与AD更一致相关,而与PD相关的微生物组变化似乎更加异质,可能反映了疾病表型的差异,而不是微生物多样性的均匀丧失(Vascellari等人,2021;Zhang等人,2023)。重要的是,组间分散度的显著差异进一步表明个体间的变异性,特别是在PD队列中。这表明PD中的微生物组变化不仅仅是由一致的组成变化驱动的,而是可能反映了多种患者特定的失调状态。这些发现支持了个性化肠-脑轴的概念,即宿主遗传、饮食、药物和疾病进程相互作用塑造了微生物组配置。这种变异性可能部分解释了不同研究之间的不一致性,并强调了分层和纵向方法在更好地解析与神经退行性疾病相关的微生物组模式方面的重要性。
4.2 AD中的微生物组改变:与PD相比,AD队列表现出更轻微且不那么一致的微生物组改变。观察到微生物丰富度和多样性的轻微但显著的减少,这与一些先前的研究一致,尽管AD队列之间的发现仍然存在异质性。最近的一篇综述报告了AD谱系患者中多样性的减少和不变,这突显了可能由研究设计、队列组成和分析方法的差异所驱动的变异性(Li等人,2024)。在物种水平上,只有Bacteroidales细菌CF在AD中显著减少。没有发现其他额外的分类单元,AD和PD之间的直接比较也没有发现差异。这一有限的信号可能反映了AD的固有异质性,AD涉及复杂的多元病理过程,包括淀粉样β沉积、tau病理、神经炎症和代谢功能障碍(Dissanayaka等人,2024)。重要的是,AD队列的相对较小的样本量是一个关键限制,可能会降低统计功效,增加假阴性发现的可能性。鉴于AD人群内的高变异性,微妙的微生物组变化可能在较小的队列中未被检测到。因此,缺乏广泛的物种水平改变应谨慎解释,并不排除微生物组在AD中的生物学相关性。
4.3 PD中的微生物组改变:我们的发现显示PD中产生SCFAs的分类单元显著减少,包括Faecalibacterium prausnitzii、Agathobacter rectalis、Roseburia intestinalis和Faecalicatena fissicatena,同时Ruminococcus sp. JE7A12的丰度增加。这些观察结果与先前的研究一致,这些研究描述了PD中Lachnospiraceae和其他产生丁酸盐的物种的减少(Nishiwaki等人,2022;Li等人,2023;Zhang等人,2023;Krueger等人,2025)。由于这些分类单元在维持上皮完整性和调节肠道炎症中起着重要作用,它们的减少可能加强了将肠道菌群失调、屏障功能障碍和神经炎症联系起来的机制(Krueger等人,2025)。SCFAs,包括丁酸盐、丙酸盐和乙酸盐,是通过微生物发酵膳食纤维产生的关键代谢物,在肠-脑轴信号传导中起核心作用。丁酸盐对于维持肠道上皮完整性至关重要,它是结肠细胞的主要能量来源,并调节紧密连接的表达(Fock和Parnova,2023)。此外,SCFAs通过激活G蛋白偶联受体(GPR41、GPR43和GPR109A)和抑制组蛋白去乙酰化酶(HDACs)来发挥免疫调节作用,从而抑制促炎细胞因子的产生并促进调节性免疫反应(Erny等人,2015;Cao等人,2025)。除了局部肠道效应外,SCFAs还通过调节小胶质细胞的成熟和激活状态来影响中枢神经系统功能,从而有助于神经免疫稳态。因此,产生SCFAs的分类单元的减少可能导致肠道通透性增加、全身炎症和与PD发病机制相关的神经炎症过程(Harach等人,2017;Chen和Lin,2022)。丙酸盐有助于肝脏糖异生和代谢信号传导,而乙酸盐在全身能量代谢和脂质生成中起更广泛的作用(Morrison和Preston,2016)。尽管本研究中没有直接测量SCFAs的浓度,但产生SCFAs的细菌的减少强烈表明了功能上的变化。Ruminococcus sp. JE7A12水平的增加进一步支持了PD相关微生物组改变不仅涉及有益SCFAs生产者的丧失,还涉及与黏蛋白降解和促炎代谢谱相关的分类单元的扩增。尽管Ruminococcus sp. JE7A12的物种水平证据有限,但先前的研究已将Ruminococcus丰度的增加与疾病持续时间和严重程度联系起来(Mehanna等人,2023),尽管发现仍然不一致,反映了与疾病相关的生态重组而非随机波动(Li等人,2023)。在差异丰度的分类单元中,Faecalibacterium prausnitzii特别值得关注,因为它与PD进展和神经退行机制有很强的关联(Vascellari等人,2021;Li等人,2023;Zhang等人,2023)。在一项大型宏基因组研究中,F. prausnitzii在区分PD和对照组的功能途径中贡献显著,其减少与碳水化合物降解、核糖体基因富集和疾病进展加快的标志物有关(Metcalfe-Roach等人,2024)。因此,我们在PD组中观察到的减少水平与先前的证据一致,表明该物种与肠-脑轴的改变有关。我们的数据集中识别出的两种分类单元(Faecalicatena fissicatena和Bacteroidales细菌CF)在神经退行性疾病的文献中较少报道。F. fissicatena的减少在帕金森病(PD)患者群体中并未得到一致性的关注,这表明Lachnospiraceae家族中可能存在新的关键微生物。而Bacteroidales细菌CF在AD和PD患者中均显著减少,这与在神经退行性疾病中观察到的Bacteroidetes类细菌的普遍减少趋势一致(Guo等人,2021年;Liu等人,2021年;Li等人,2023年;Bai等人,2024年)。值得注意的是,我们研究中发现的PD患者便秘患者中该细菌的减少进一步提示了胃肠道功能障碍与微生物组组成之间的潜在相互作用。相比之下,Holdemanella biformis在我们的研究中的丰度下降,这与之前的研究结果不同(Zapa?a等人,2021年;Zeng等人,2024年)。这些差异可能反映了人群特异性效应、疾病异质性或分类方法上的差异。需要进一步的研究来明确H. biformis在PD中的具体作用和功能意义。
总体而言,这些发现支持这样一种模型:PD相关的肠道菌群失调表现为功能紊乱,而非大规模的多样性丧失,这强调了在物种水平上进行分析的重要性。
4.4 临床变量和人口统计学因素的影响
临床和人口统计学变量对微生物组的变异性有显著影响。性别与微生物群落结构相关,这与先前的研究结果一致,这些研究显示性别对肠道微生物组存在差异(Feng等人,2014年;Heravi等人,2023年)。为了进一步评估性别不平衡的影响,我们进行了性别分层分析。在仅包含男性的子集中(PD组与对照组),少数分类单元仍然具有显著性,其中包括Faecalicatena fissicatena,这一结果在完整模型中也得到了验证,进一步证实了这种关联的稳健性。相比之下,在仅包含女性的子集中未检测到显著的分类单元,这可能是由于统计功效较低所致。这些发现强调了在微生物组分析中纳入性别作为协变量的重要性。
疾病持续时间与AD和PD患者的微生物组成显著相关,表明微生物组的改变可能随着疾病进程而演变,并可能影响宿主的免疫代谢变化,进而影响神经炎症和全身稳态(Van Olst等人,2021年)。在AD中,常见的厌氧肠道共生菌Bacteroides uniformis与疾病持续时间呈正相关,这与衰老和神经退行性病变中观察到的Bacteroidetes类细菌的变化一致(Koutsokostas等人,2024年)。相反,Peptococcus niger与疾病持续时间呈负相关,尽管其与认知能力下降之间的直接机制联系尚未建立。在PD中,疾病持续时间解释了β多样性的部分但显著的变异,同时有几个分类单元与Hoen和Yahr分期(运动严重程度)相关,包括Barnesiella intestinihominis(负相关)、Blautia caecimuris(正相关)、[Ruminococcus] torques(正相关)和Traorella massiliensis(负相关)。这些分类单元在先前的研究中已被证明与疾病进展和运动严重程度有关。Barnesiella属与PD进展更快和认知能力下降有关,在运动功能迅速恶化的患者中其比例较低,并且与认知能力呈负相关(Ren等人,2020年;Lubomski等人,2022年)。R. torques与PD相关的临床评分相关,表明其丰度可能反映了整体疾病严重程度,而不仅仅是特定阶段的变化(Li等人,2019年)。虽然T. massiliensis和B. caecimuris的相关性证据较少,但它们与我们队列中的临床分期相关,表明它们可能与运动严重程度有关。
认知表现(MoCA评分)与PD患者的微生物组组成无显著关联,在AD患者中仅有轻微的相关性。这支持将其排除作为协变量的观点,因为它反映的是疾病严重程度而非独立的混杂因素。然而,Paraprevotella clara和Faecalicatena fissicatena与AD患者的MoCA评分呈正相关;值得注意的是,P. clara在多组学AD研究中已被报道与AD严重程度呈正相关,表明它可能随疾病进展而变化(Meng等人,2024年)。在PD患者中,经过FDR校正后,没有单个物种与MoCA评分的相关性达到显著性,这意味着与疾病进展相关的变化可能分布在整个微生物群落中,而不仅仅集中在某个特定分类单元上。
综上所述,这些发现表明肠道微生物组的改变不仅能够区分不同的疾病状态,还能反映临床进程,进一步强调了微生物特征作为疾病进展生物标志物的潜力。尽管如此,因果关系和功能意义仍需在更大规模的纵向研究中通过整合多组学方法和机制分析来确立。
4.5 药物治疗的影响
药物治疗是一个主要的潜在混杂因素,特别是在PD中,因为左旋多巴、多巴胺激动剂和单胺氧化酶抑制剂等药物可以直接影响肠道微生物群的组成和代谢(Van Kessel等人,2019年;Palacios等人,2021年)。左旋多巴的微生物代谢可能影响药物的生物利用度和微生物组组成,引入了宿主、微生物组和治疗之间的复杂双向相互作用(Van Kessel等人,2019年)。尽管收集了详细的药物代谢数据,但在多变量模型中纳入非共线性药物类别并未改变疾病状态与微生物组组成之间的关联。由于共线性,与疾病状态密切相关的药物类别被从多变量模型中排除,而分布更均匀的治疗(如他汀类药物和非甾体抗炎药)被保留。对这些变量的调整并未改变疾病状态与微生物组组成之间的显著关联。
这些发现表明观察到的微生物组差异并非完全由药物治疗驱动,尽管不能排除残留的混杂因素。
4.6 限制和未来方向
我们认识到本研究存在几个局限性。横断面设计限制了我们推断肠道微生物群改变与神经退行性疾病之间因果关系的能力,观察到的关联无法确定微生物组改变是导致疾病发病的原因,还是由于疾病进展、药物使用或生活方式因素所致。从疾病前阶段开始追踪个体的纵向研究、机制性的体外或动物模型,以及针对微生物组组成的干预性研究对于澄清这些时间和功能关系至关重要。相对较小且不平衡的AD患者队列可能导致统计功效降低,从而增加假阴性结果的可能性。个体间的高度变异性可能进一步掩盖了微妙的微生物差异。其他限制包括缺乏饮食习惯数据、不完整的药物代谢信息以及缺乏直接的代谢物测量。饮食模式和营养摄入是肠道微生物组组成的主要决定因素,它们与PD中的肠道微生物群变化和预测的功能途径有显著关联(Kwon等人,2024年)。这在神经退行性疾病中尤为重要,因为PD中的吞咽困难或AD中的认知能力下降可能会改变饮食模式(Cipriani等人,2016年;Ueha等人,2023年)。未来的纵向研究应包括饮食评估,以更好地区分疾病相关和饮食驱动的微生物群变化。关于胃肠道运动功能,我们评估了PD患者的便秘情况并将其纳入分析。然而,我们没有收集粪便指标(如Bristol粪便评分、排便频率),这限制了我们对PD病理生理学中微生物群变化的详细评估。最后,主要同质的种族构成(白种人)可能限制了结果在更多样化人群中的普遍性。
尽管存在这些限制,本研究仍具有几个优势。使用高分辨率的16S rRNA扩增子测序技术实现了物种水平的分析,能够识别出细微但生物学上有意义的微生物变化。同时纳入AD和PD患者以及年龄匹配的健康对照组,使得在同一队列内进行直接比较成为可能,从而减少了由于不同研究人群之间的差异带来的潜在混杂。此外,分析框架考虑了关键的人口统计学协变量,进一步支持了观察到的疾病相关微生物组改变的稳健性。未来的研究应结合纵向采样、详细的临床和药物代谢数据以及多组学方法(包括代谢组学和宏转录组学),以更好地将微生物组组成与功能结果联系起来。这些方法对于确定微生物组改变是否可作为神经退行性疾病的有效生物标志物或治疗靶点至关重要。
5 结论
通过使用全长16S rRNA基因测序,我们在统一的分析框架下表征了AD、PD和年龄匹配的健康对照组的肠道微生物群。我们的结果揭示了与神经退行性疾病相关的独特微生物组改变,其中PD中的改变比AD更为显著和明显。PD的特点是产生短链脂肪酸(SCFA)的分类单元减少,包括Faecalibacterium、Agathobacter、Roseburia和Faecalicatena属的成员,同时Ruminococcus sp. JE7A12的丰度增加。这些改变与肠道菌群失调、上皮屏障功能受损和PD中的神经炎症之间的机制一致。相比之下,AD患者的微生物多样性仅略有减少,物种水平的改变有限,这支持了AD中的肠道微生物组改变更为微妙和异质性的观点。在直接比较中,AD和PD之间未检测到物种水平的差异,表明所识别的分类单元代表的是与PD相关的模式,而非严格意义上的疾病特异性特征。性别和临床变量之间的关联进一步强调了在微生物组研究中考虑生物学和临床异质性的重要性。
综上所述,这些发现强化了PD作为与肠道微生物群失调最密切相关神经退行性疾病的观点,并展示了在物种水平上进行分析的额外价值,有助于识别生物学和临床上有意义的微生物特征。这与先前的研究结果一致,即基于微生物组的诊断在物种水平上的性能最高,在更广泛的分类等级上则下降(De Jaegher等人,2025年),这突显了高分辨率方法的重要性。因此,高分辨率的微生物组分析可能有助于未来的机制研究,并支持开发基于微生物组的生物标志物或治疗策略。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号