文章詳情
研究發現糞便微生物可成功預測肝臟**！
日期：2024-11-22 09:20
瀏覽次數：582
摘要：
非酒精性脂肪肝病（NAFLD）——可導致肝硬化和癌癥的病癥，一般不會被發現，直到其進展良好。即使如此，診斷需要進行浸潤性肝活檢。為了更早地檢測 NAFLD，加州大學圣地亞哥醫科大學 NAFLD 研究中心，人類長壽研究所和 J.Craig Venter 研究所的研究人員報告說，患者糞便樣本或腸道的獨特微生物組成可用于預測晚期 NAFLD，**度為 88%至 94%。
涉及 135 名參與者的概念驗證研究于 5 月 2 日在細胞代謝中發表。
“我們估計美國有超過 1 億的成年人和兒童可能患有 NAFLD，確切確定患有或處于該**風險中的患者...
非酒精性脂肪肝病（NAFLD）——可導致肝硬化和癌癥的病癥，一般不會被發現，直到其進展良好。即使如此，診斷需要進行浸潤性肝活檢。為了更早地檢測 NAFLD，加州大學圣地亞哥醫科大學 NAFLD 研究中心，人類長壽研究所和 J.Craig Venter 研究所的研究人員報告說，患者糞便樣本或腸道的獨特微生物組成可用于預測晚期 NAFLD，**度為 88%至 94%。
涉及 135 名參與者的概念驗證研究于 5 月 2 日在細胞代謝中發表。
“我們估計美國有超過 1 億的成年人和兒童可能患有 NAFLD，確切確定患有或處于該**風險中的患者是一個關鍵的未實現的醫療需求，”**作者 Rohit Loomba，醫學博士，消化科醫學教授，NAFLD 研究中心主任說道。 “目前有大約 50 種新的 NAFLD **，其中約 5 種可能在未來兩年被批準使用，如果我們能夠更好地診斷這種情況，我們將更好地招募正確類型的患者參與這些試驗，*終將會更好的預防和**它。
NAFLD 的確切原因是未知的，但飲食和遺傳學起著重要的作用。超過 50%的肥胖者被認為有 NAFLD。隨著越來越多的證據表明，一個人的腸道微生物組成可能會影響他或她的肥胖風險，Loomba 和團隊開始懷疑腸道微生物群體是否也可能與肥胖相關的肝臟**相關。如果是這樣，他們假設以糞便為基礎的“讀出”生活在一個人的腸子里的東西可以提供對他或她的 NAFLD 狀態的洞察。
為了回答這些問題，Loomba 和團隊檢查了兩個不同的患者組。**組包括 86 例 NAFLD 患者，通過活檢診斷。其中 72 例為輕度 / 中度 NAFLD，14 例為晚期病變。人類長壽公司的合作者對從每個參與者的糞便樣本中提取的微生物基因進行了測序，并用該信息來確定哪些物種在哪里生活，以及每個人的相對豐度。研究人員發現 37 種**種類，將輕度 / 中度 NAFLD 與晚期**區分開來，可以預測哪些患者具有晚期**，**度為 93.6%。
該小組通過**個研究小組驗證了這一發現，其中包括 16 名晚期 NAFLD 患者和 33 名健康人作為對照。在這種情況下，他們發現了 9 種**，其相對數量允許他們將 NAFLD 患者與健康志愿者進行區分，**度為 88%。這些**中的七種與前一組中使用的特征 37 重疊。
在人腸中有四種主要類型的**：堅果菌，變形桿菌，**和放線菌。 Loomba 和團隊發現，晚期 NAFLD 患者在糞便中傾向于具有比早期 NAFLD 更多的 Proteobacteria 和更少的 Firmicutes。在物種水平上，研究人員發現大量的大腸桿菌的主要區別在于，這些**在晚期 NAFLD 患者中比早期患者更常見。
“我們相信，我們的研究為基于糞便的檢測設定了基礎，僅通過微生物模式來檢測晚期肝纖維化，”J.Craig Venter 研究所所長博士說：“至少幫助我們*大限度地減少必須進行肝臟活檢的患者數量。”
雖然 Loomba 估計，如果基于糞便的微生物診斷可能會花費 1500 美元，如果它在當今市場上，他預測，由于基因組測序和分析技術的進步，未來五年的成本將降至不到 400 美元。
研究人員激動地說，盡管如此，迄今為止，這種新的診斷方法僅在一個單一，高度專業化的醫療中心的相對較小的患者組中進行了測試。該團隊正在申請撥款資金，以便在多個地點的更大的隊列中擴大他們的研究。他們說，即使成功，對于 NAFLD 的大便測試也不會給患者提供至少五年的時間。 Loomba 還指出，雖然不同的微生物種類可能與晚期 NAFLD 有關，但本研究并不表明這些微生物的存在或不存在導致 NAFLD，反之亦然。
“我們期待進一步的研究，以評估這些微生物物種在腸道通透性，肝臟炎癥和與其他因素的串擾以誘導肝損傷的作用，如果有的話，*終影響 NAFLD 的**進展，”研究公司 - 作者 David A. Brenner 博士說道。
人類長壽公司聯合創始人兼執行主席兼研究合作者 J.Craig Venter 博士說：“了解微生物群體，就像人類基因組測序一樣，是人類健康和**難題的一部分。 諸如儀器學習的新技術正在允許巨大的進步來解釋這些數據。”
